Hadoop 集群间使用DistCp同步数据(高可用)-相同版本
版本：Hadoop2.7.7
一、关于集群间数据同步
- 集群间数据同步，可以从原集群推送数据到目标集群，此时会为会占用原集群 yarn 中的资源；
- 集群间数据同步，也可以从目标集群发起作业，主动拉取原集群的数据，此时消耗的是目标集群的YARN资源；
- 如果原集群是生产集群，一般在目标集群执行命令hadoop distcp来发起作业，通过拉的方式来同步数据，此时不会消耗原集群即生产集群的YARN资源；
- 当原集群和目标集群大版本不同时，（比如在 hadoop 1.x 跟 hadoop 2.x 之间同步数据），需要使用 webhdfs 协议，即通过以下格式指定远端集群：webhdfs://<namenode_hostname>:<http_port>；（当然，既可以从原集群推数据，也可以从目标集群拉数据）;
- 当原集群和目标集群大版本相同时，（比如都是 hadoop 2.x或都是hadoop 3.x），推荐使用 hdfs 协议，此时性能比 webhdfs 更好；
- 如果 webhdfs 配置了 SSL 加密，则需要使用协议 “swebhdfs://” ；
二、前提条件：
- 源集群和目标集群的 NameNode 都是高可用的，且在不同的服务器上运行。
- 源集群和目标集群都已经安装了 Hadoop，并配置了相应的参数和组件，例如 HDFS、YARN、MapReduce 等。
- 迁移之前需要把两个集群的所有节点都互通/etc/hosts文件（重要，包括各个数据节点）
- 源集群和目标集群之间的网络连接可靠，且支持 SSH 和 RPC 等通信协议。同时需要确保端口号设置和防火墙策略等安全措施符合要求。
- 在进行数据复制和同步操作前，应该进行一次充分的测试，并检查日志和错误信息，以确保操作的正确性和完整性。
- 由于迁移数据运行了mr任务，对集群资源有一定的消耗。
具体的端口：
使用 DistCp 工具进行 Hadoop 集群之间的数据复制和同步，需要保证以下端口的互通：
- HDFS 端口：DistCp 使用 HDFS 协议来读取和写入数据，因此需要确保 HDFS 端口在不同的集群之间可用，并允许相应的数据传输操作。
- 默认为
8020（NameNode RPC 端口）或者9000（HDFS 系统文件对外访问端口）- SSH 端口：默认情况下，DistCp 通过 SSH 远程执行复制任务。这意味着，在两个集群之间复制数据需要确保 SSH 端口的可用性和连接权限设置。
- 默认为
22。- MapReduce 端口：如果要使用兼容模式进行数据复制和同步，则还需要确保 MapReduce 端口在两个集群之间可用，并允许相应的作业提交和执行操作。
- MapReduce 的每个组件都有不同的端口，其中 JobTracker 和 TaskTracker 组件使用的端口如下，默认情况下 JobTracker 端口为
54311，TaskTracker 端口为50060。因此，在使用 DistCp 工具进行 Hadoop 集群之间的数据复制和同步操作时，需要确保以上端口的互通和设置，以避免因网络连接或配置不当而导致的数据传输失败或异常
四、关于开启了 kerberos 安全认证后的数据同步
如果原集群和目标集群都启用了kerberos认证 (hadoop.security.authentication=kerberos)，需要首先做 kerberos 的 realm 互信，然后才能通过推或拉的方式执行 dictcp 进行数据同步；
如果原集群与目标集群一个启用了kerberos认证，另一个没有启用kerberos认证，为简单起见，可以在启用了kerberos认证的集群中执行distCp，通过推或拉的方式进行数据同步;
五、具体命令：
如果两个 Hadoop 集群的 NameNode 都是高可用的，可以使用 DistCp 命令进行数据复制和同步。具体命令如下：
hadoop distcp [OPTIONS] <srcurl> <desturl>
其中，[OPTIONS] 是可选的参数，<srcurl> 和 <desturl> 分别是源和目标文件系统的 URL。
假设源集群名称为 src_cluster，目标集群名称为 dst_cluster，则可以使用以下命令复制源集群中的数据到目标集群：
hadoop distcp -update -skipcrccheck -delete -bandwidth 50 -m 100 -mapredSudo hdfs://src_cluster/user/hadoop/example hdfs://dst_cluster/user/hadoop/backup
命令中使用了以下参数：
-
-update：只复制更新时间较新的文件； -
-skipcrccheck：跳过 CRC 校验； -
-delete：删除目标集群中比源集群中旧或不存在的文件或目录； -
-bandwidth 50：限制最大带宽，以避免过多的网络流量阻塞； -
-m 100：设置最大 mapper 数量； -
-mapredSudo：启用兼容模式。
六、集群名称之间识别配置：
在使用 DistCp 进行跨集群数据复制和同步时，需要确保源集群和目标集群之间可以相互访问并识别。通常情况下，需要在源集群和目标集群的 Hadoop 配置文件中进行相应的配置，以便于两个集群之间建立连接。
具体来说，可以将目标集群的 NameNode 或 ResourceManager 的 IP 地址和端口号添加到源集群的 core-site.xml 和 hdfs-site.xml 配置文件中。例如，在源集群中添加目标集群的 NameNode 地址和端口号的配置如下：
<property>
<name>fs.defaultFS</name>
<value>hdfs://src_cluster:8020,hdfs://dst_cluster:8020</value>
</property>
<property>
<name>dfs.namenode.rpc-address.dst_cluster</name>
<value>node2:8020</value>
</property>
<property>
<name>yarn.resourcemanager.hostname.dst_cluster</name>
<value>node2</value>
</property>
上述示例中，
fs.defaultFS属性为源集群和目标集群的 NameNode URL。dfs.namenode.rpc-address.dst_cluster属性指定了目标集群的 NameNode 地址和端口号。yarn.resourcemanager.hostname.dst_cluster属性则指定了目标集群的 ResourceManager 主机名。这些参数可以根据实际情况进行相应的修改和调整。在配置好集群之后，可以通过
hdfs dfsadmin -report命令来检查 HDFS 的状态，并查看集群是否能够正常运行并连通。如果所有组件都正常启动，则可以使用 DistCp 命令进行跨集群数据复制和同步操作。
七、DistCp优势特性
- 带宽限流
- DistCp是支持带宽限流的，使用者可以通过命令参数bandwidth来为程序进行限流，原理类似于HDFS中数据Balance程序的限流.
- 增量数据同步
- 对于增量数据同步的需求，在DistCp中也得到了很好的实现.通过update，append 和 diff 2个参数能很好的解决.官方的参数使用说明:
Update: Update target, copying only missing files or directories
Append: Reuse existing data in target files and append new data to them if possible.
Diff: Use snapshot diff report to identify the difference between source and target.
第一个参数,解决了新增文件目录的同步;第二参数,解决已存在文件的增量更新同步;第三个参数解决删除或重命名文件的同步.
这里需要额外解释一下diff的使用需要设置2个不同时间的snapshot进行对比，产生相应的DiffInfo.在获取快照文件的变化时，只会选择出DELETE和RENAME这2种类型的变化信息。
- 高效的性能
执行的分布式特性
高效的MR组件
八、DistCp 的底层工作机制
新版 DistCp 底层有以下组件，其各自的职责如下：
DistCp Driver：负责解析 DistCp 的命令行参数，并编排协调具体的拷贝任务(首先调用 copy-listing-generator 获得需拷贝的文件列表，然后配置并提交 Map-Reduce 拷贝任务，最后根据配置项返回 MR 任务句柄并推出，或等待 MR任务执行结束；）
Copy-listing generator：负责解析给定的 source-paths（目录或文件，可以包含通配符），生成待拷贝的文件/目录列表，并输出到一个 SequenceFile；
Input-formats 和 Map-Reduce：负责读取 Copy-listing generator 生成的 SequenceFile 中的待烤包的文件列表，并执行实际的文件拷贝；
九、DistCp 的重要参数讲解
DistCp 提供了多种参数，来控制拷贝任务的各种细节，经常使用到的关键参数有 -update, -delete, -overwrite, -m, -bandwidth，-diff，-p，-i 等：
-m <num_maps>：控制 map 任务的最大个数；（实际的 map 任务数，不会大于待拷贝的文件的个数；更多的 map 数不一定会提升整体IO吞吐）；
-bandwidth：控制每个 map 任务可用的最大带宽，单位 MB；
-p[rbugpcaxt]：控制是否保留源文件的属性，rbugpcaxt 分别指：replication number, block size, user, group, permission,checksum-type, acl, xattr,以及 tiemstamp；
-skipcrccheck：控制检查源和目标文件差异以生成待拷贝文件列表时，是否跳过 CRC 校验；
-update: 拷贝目标目录下不存在而源目录下存在的文件，或目标目录下和源目录在文件大小/块大小/checksum 上不同的文件；
-overwrite: 覆盖目标目录下的同名文件。（如果某个 map 任务执行失败且没有指定 -i 参数，则所有的待拷贝的文件，包括拷贝失败的文件，都会被重新拷贝）；
-i： 忽略拷贝过程中某些 MAP 任务的错误，继续执行其余的 map拷贝任务，而不是直接失败整个作业；（默认情况下，如果有某个 map 任务失败的次数达到了 mapreduce.map.maxattempts，则未完成的 map 任务都会被 kill；）；
-
-delete: 删除目标目录下存在，但源目录下不存在的文件；该参数只能和 -update 或 -overwrite 配合使用；
-diff 和 -rdiff：控制是否结合使用快照机制，会基于两个快照的差异（snapshot diff)来确定待拷贝的文件列表，以下要点需要注意：
-diff 和 -rdiff，需要配合选项 -update 一起使用；
-diff 和 -rdiff，不能和 -delete 一起使用，否则会报错：java.lang.IllegalArgumentException: -delete and -diff/-rdiff are mutually exclusive. The -delete option will be ignored；
该命令的前提条件：需要源目录下有指定的两个快照 from_snapshot 和 to_snapshot;
该命令的前提条件：需要目标目录下有快照 from_snapshot；
该命令的前提条件：需要目标目录在前期制作了 from_snapshot 快照后，没有新的文件写操作 (create, rename, delete)；
该命令执行完毕后，目标目录下并不会自动创建快照 to_snapshot，如果后续还需要基于快照来做增量同步，需要手工在同步完毕后对目标目录制作快照 to_snapshot，为后续基于快照的同步（hadoop distcp -diff -update）做好准备；
十、易踩的坑 - skipcrccheck
参数 -skipcrccheck 的意思是 “Whether to skip CRC checks between source and target paths.”，即是否跳过原路径和目标路径下文件的 crc 校验（CRC：Cyclic Redundancy Check）。
如果指定了该参数，会跳过crc校验，同步作业速度会快些；
但指定该参数后，由于不校验 crc，而是通过文件名和文件大小来发现哪些文件需要进行同步，在极端情况下，可能会漏掉某些需要同步的小文件，比如某些只有少数几条记录的小文件，从而造成数据不一致；
某两个 hive orc 表都只有1条记录，对应的 HDFS 文件也比较小且都是 154 BYTE, 指定参数 skipcrccheck 执行同步操作时，就遗漏了该文件，造成了源目录与目标目录数据的不一致：“sudo -u hdfs hadoop distcp -update -delete -skipcrccheck -pugpb hdfs://cluster/user/hive/warehouse/vin_vin.db/test_user_scp hdfs://cluster/user/hive/warehouse/vin_vin.db/test_user_scp2“：
十一、常用命令总结
- 执行数据同步操作时，需要停止对目标目录的其它写操作；
- 当没有对原目录的写操作时（即停止了对源目录的写操作），可以使用以下命令来跨集群同步数据：hadoop distcp -delete -update -pugpb -m 10 -bandwidth 5 hdfs://xx.xx/ hdfs://yy.yy/
- 当有对原目录的写操作时（即有对原目录的并发写操作），需要结合快照机制来同步数据：hadoop distcp -diff <from_snapshot> <to_snapshot> -update -pugpb
- 结合快照机制来同步数据时，有以下前提要求：
- 需要源目录下有指定的两个快照 from_snapshot 和 to_snapshot;
- 需要目标目录下有快照 from_snapshot；
- 需要目标目录在前期制作了 from_snapshot 快照后，没有新的文件写操作如 create/rename/delete (即要求目标目录的当前状态跟原目录的from-snapshot一致）；
- 该命令执行完毕后，目标目录下并不会自动创建快照 to_snapshot，如果后续还需要基于快照来做增量同步，需要手工在同步完毕后对目标目录制作快照 to_snapshot，为后续基于快照的同步（hadoop distcp -diff -update）做好准备；
