数据从 HDFS 迁移到 OSS/OSS-HDFS§

使用前须知§

1、拷贝数据到阿里云 OSS/OSS-HDFS 上§

您可以使用如下命令将 HDFS 上的目录拷贝到 OSS/OSS-HDFS 上

hadoop jar jindo-distcp-tool-${version}.jar --src /data --dest oss://destBucket.cn-xxx.oss-dls.aliyuncs.com/dir/ --hadoopConf fs.oss.accessKeyId=yourkey --hadoopConf fs.oss.accessKeySecret=yoursecret --parallelism 10
参数 描述 示例
--src HDFS 的源路径。 /data
--dest OSS/OSS-HDFS 的目标路径。 oss://destBucket.cn-xxx.oss-dls.aliyuncs.com/
--hadoopConf 指定 OSS/OSS-HDFS 的 Access Key ID,Access Key Secret * 配置 OSS/OSS-HDFS 的 AccessKeyId:
--hadoopConf fs.oss.accessKeyId=yourkey
* 配置 OSS/OSS-HDFS 的 AccessKeySecret:
--hadoopConf fs.oss.accessKeySecret=yoursecret
--parallelism 任务并发大小，根据集群资源可调整。 10

2、增量拷贝文件§

如果 Distcp 任务因为各种原因中间失败了，而此时您想进行断点续传，只Copy剩下未Copy成功的文件。或者源端文件新增了部分文件，此时需要您在进行上一次 Distcp 任务完成后进行如下操作：

使用 --update 命令，获得增量的文件列表§
hadoop jar jindo-distcp-tool-${version}.jar --src /data --dest oss://destBucket.cn-xxx.oss-dls.aliyuncs.com/dir/ --hadoopConf fs.oss.accessKeyId=yourkey --hadoopConf fs.oss.accessKeySecret=yoursecret --update --parallelism 20

3、YARN 队列及带宽选择§

如您需要对 DistCp 作业使用的 YARN 队列和带宽进行限定，可用如下命令

hadoop jar jindo-distcp-tool-${version}.jar --src /data --dest oss://destBucket.cn-xxx.oss-dls.aliyuncs.com/dir/ --hadoopConf fs.oss.accessKeyId=yourkey --hadoopConf fs.oss.accessKeySecret=yoursecret --hadoopConf mapreduce.job.queuename=yarnQueue --bandWidth 100 --parallelism 10
  • --hadoopConf mapreduce.job.queuename=yarnQueue：指定 YARN 队列的名称
  • --bandWidth：指定单机限流带宽的大小，单位 MB

4、配置 OSS/OSS-HDFS 的 AK§

通常您需要将 OSS/OSS-HDFS AccessKey/AccessSecret 信息写在参数里，但是 JindoDistCp 可以将其预先写在 Hadoop 的core-site.xml文件里 ，以避免使用时多次填写的问题。

<configuration>
    <property>
        <name>fs.oss.accessKeyId</name>
        <value>xxx</value>
    </property>

    <property>
        <name>fs.oss.accessKeySecret</name>
        <value>xxx</value>
    </property>
</configuration>

5、配置 OSS-HDFS Endpoint§

访问 OSS-HDFS 需要配置 Endpoint（cn-xxx.oss-dls.aliyuncs.com），与 OSS 对象接口的 Endpoint（oss-cn-xxx-internal.aliyuncs.com）不同。JindoSDK 会根据配置的 Endpoint 访问 OSS-HDFS 或 OSS 对象接口。

使用 OSS-HDFS 时，推荐访问路径格式为：oss://<Bucket>.<Endpoint>/<Object>

如: oss://mydlsbucket.cn-shanghai.oss-dls.aliyuncs.com/Test。

这种方式在访问路径中包含 OSS-HDFS 的 Endpoint，JindoSDK 会根据路径中的 Endpoint 访问对应的 OSS-HDFS 接口。 JindoSDK 还支持更多的 Endpoint 配置方式，详情参考 OSS/OSS-HDFS Endpoint 配置。

注意： JindoSDK 4.4.0 及以上版本默认使用域名分离的方式，数据读写域名默认使用内网标准 OSS 域名，如果在非阿里云内网环境执行 distcp 命令，则需要在 Hadoop 的core-site.xml文件中配置数据流访问的公网 OSS endpoint。

<configuration>
    <property>
        <name>fs.oss.data.endpoint</name>
        <value>oss-cn-xxx.aliyuncs.com</value>
    </property>
</configuration>

6、其他功能§

如您需要其他使用其他功能，请参考: * JindoDistCp 使用说明