Hadoop 文件系统与 COS 之间的数据迁移

Hadoop Distcp（Distributed copy）主要是用于 Hadoop 文件系统内部或之间进行大规模数据复制的工具，它基于 Map/Reduce 实现文件分发、错误处理以及最终的报告生成。由于利用了 Map/Reduce 的并行处理能力，每个 Map 任务负责完成源路径中部分文件的复制，因此它可以充分利用集群资源来快速完成集群或 Hadoop 文件系统之间的大规模数据迁移。

由于 Hadoop-COS 实现了 Hadoop 文件系统的语义，因此利用 Hadoop Distcp 工具可以方便地在 COS 与其他 Hadoop 文件系统之间进行双向的数据迁移，本文就以 HDFS 为例，介绍 Hadoop 文件系统与 COS 之间利用 Hadoop Distcp 工具完成数据迁移的方式。

一、前提条件

1、Hadoop 集群中已经安装 Hadoop-COS 插件（https://cloud.tencent.com/document/product/436/6884），并且正确配置了 COS 的访问密钥等。可使用如下 Hadoop 命令检查 COS 访问是否正常：

hadoop fs -ls cosn://examplebucket-1250000000/

如果能够正确地列出 COS Bucket 中的文件列表，则表示 Hadoop-COS 安装和配置正确，可以进行以下实践步骤。

2、COS 的访问账户必须要具备读写 COS 存储桶中目标路径的权限。

二、实践步骤

1、将 HDFS 中的数据复制到 COS 的存储桶中

通过 Hadoop Distcp 将本地 HDFS 集群中/test目录下的文件迁移到 COS 的 hdfs-test-1250000000 存储桶中。

1) 执行如下命令启动迁移：

hadoop distcp hdfs://10.0.0.3:9000/test cosn://hdfs-test-1250000000/

Hadoop Distcp 会启动 MapReduce 作业来执行文件复制任务，完成后会输出简单报表信息，如下图所示：

2) 执行 hadoop fs -ls -R cosn://hdfs-test-1250000000/ 命令可以列出刚才已迁移到存储桶 hdfs-test-1250000000 的目录和文件。

2、将 COS 中存储桶的文件复制到本地 HDFS 集群

Hadoop Distcp 是一个支持不同集群和文件系统之间复制数据的工具，因此，将 COS 存储桶中的对象路径作为源路径，HDFS 的文件路径作为目标路径即可将 COS 中的数据文件复制到本地 HDFS：

hadoop distcp cosn://hdfs-test-1250000000/test hdfs://10.0.0.3:9000/

3、指定配置 Distcp 命令行参数进行 HDFS 和 COS 之间的数据迁移

说明：该命令行配置支持双向操作，可支持 HDFS 数据迁移到 COS，也可以将 COS 数据迁移到 HDFS。

用户可直接配置以下命令：

hadoop distcp -Dfs.cosn.impl=org.apache.hadoop.fs.CosFileSystem -Dfs.cosn.bucket.region=ap-XXX  -Dfs.cosn.userinfo.secretId=AK**XXX  -Dfs.cosn.userinfo.secretKey=XXXX  -libjars /home/hadoop/hadoop-cos-2.6.5-shaded.jar  cosn://bucketname-appid/test/ hdfs:///test/

参数说明如下：

Dfs.cosn.impl：始终配置为 org.apache.hadoop.fs.CosFileSystem。
Dfs.cosn.bucket.region：填写存储桶所在地域，可在 COS 控制台存储桶列表中查看。
Dfs.cosn.userinfo.secretId：填写存储桶拥有者账号下的 SecretId，可前往「访问管理-API 密钥管理」中获取。
Dfs.cosn.userinfo.secretKey：填写存储桶拥有者账号下的 secretKey，可前往「访问管理-API 密钥管理」中获取。
libjars：指定 Hadoop-COS jar 包位置。Hadoop-COS jar 包可前往「Github 仓库：https://github.com/tencentyun/hadoop-cos」中的 dep 目录下进行下载。

三、Hadoop distcp 的扩展参数

Hadoop distcp 工具支持丰富的运行参数。例如，可以通过-m来指定最大用于并行复制的 Map 任务数目，-bandwidth来限制每个 map 所使用的最大带宽等。

具体可参考 Apache Hadoop distcp 工具的官方文档：DistCp Guide（https://hadoop.apache.org/docs/current/hadoop-distcp/DistCp.html）。

点击阅读原文，领取 COS 限时1元礼包！