HDFS TO COS 工具

最后更新时间:2021-06-17 17:43:10

    功能说明

    HDFS TO COS 工具用于将 HDFS 上的数据拷贝到腾讯云对象存储 COS 上。

    使用环境

    系统环境

    Linux 或 Windows 系统。

    软件依赖

    JDK 1.7或1.8。

    安装与配置

    具体环境安装与配置请参见 Java 安装与配置

    配置方法

    1. 安装 Hadoop-2.7.2 及以上版本,具体安装步骤请参见 Hadoop 安装与测试
    2. GitHub 下载 HDFS TO COS 工具并解压缩。
    3. 将要同步的 HDFS 集群的 core-site.xml 拷贝到 conf 文件夹中,其中 core-site.xml 中包含 NameNode 的配置信息。
    4. 编辑配置文件 cos_info.conf , 存储桶(Bucket)、地域(Region)以及 API 密钥信息,其中存储桶名称,由用户自定义字符串和系统生成 APPID 数字串以及中划线连接而成,例如 examplebucket-1250000000。
    5. 在命令行参数中指定配置文件位置, 默认位置 conf/cos_info.conf。
      注意:

      当命令行参数中的参数与配置文件重合时,以命令行为准。

    使用方法

    说明:

    下面以 Linux 为例介绍如何使用。

    查看帮助

    ./hdfs_to_cos_cmd -h
    

    执行结果如下图所示:

    文件拷贝

    • 从 HDFS 拷贝到 COS,若 COS 上已存在同名文件,则会覆盖原文件。

      ./hdfs_to_cos_cmd --hdfs_path=/tmp/hive --cos_path=/hdfs/20170224/
      
    • 从 HDFS 拷贝到 COS,若 COS 上已存在同名且长度一致的文件时,则忽略上传(适用于拷贝一次后,重新拷贝)。

      ./hdfs_to_cos_cmd --hdfs_path=/tmp/hive --cos_path=/hdfs/20170224/ -skip_if_len_match
      

      这里只对长度进行判断,因为如果将 Hadoop 上的文件摘要进行计算,开销较大。

    • 从 HDFS 拷贝到 COS,若 HDFS 中存在 Har 目录(Hadoop Archive 归档文件),通过指定 --decompress_har 参数可以自动解压 har 文件:

      ./hdfs_to_cos_cmd --decompress_har --hdfs_path=/tmp/hive --cos_path=/hdfs/20170224/
      

      若未指定 --decompress_har 参数,默认按照普通的 HDFS 目录进行拷贝,即 .har 目录下的 index 和 masterindex 等文件原样拷贝。

    目录信息

    conf : 配置文件, 用于存放 core-site.xml 和 cos_info.conf
    log  : 日志目录
    src  : Java 源程序
    dep  : 编译生成的可运行的 JAR 包
    

    问题与帮助

    关于配置信息

    请确保填写的配置信息正确,包括存储桶(Bucket)、地域(Region)以及 API 密钥信息,其中,存储桶的名字,由用户自定义字符串和系统生成 APPID 数字串由中划线连接而成,例如 examplebucket-1250000000。并保证机器的时间和北京时间一致(相差1分钟左右是正常的),如果相差较大,请重新设置机器时间。

    关于 DataNode

    请保证对于 DataNode,拷贝程序所在的机器也可以连接。NameNode 有外网 IP 可以连接,但获取的 block 所在的 DateNode 机器是内网 IP,是无法直接连接上的。因此建议同步程序放在 Hadoop 的某个节点上执行,保证对 NameNode 和 DataNode 皆可访问。

    关于权限

    请使用 Hadoop 命令下载文件,检查是否正常,再使用同步工具同步 Hadoop 上的数据支持。

    关于文件覆盖

    对于 COS 上已存在的文件,默认进行重传覆盖。除非用户明确的指定 -skip_if_len_match,当文件长度一致时,则跳过上传。

    关于 cos path

    cos path 默认为是目录,最终从 HDFS 上拷贝的文件都会存放在该目录下。

    关于从腾讯云 EMR HDFS 拷贝数据

    从腾讯云 EMR HDFS 拷贝数据到 COS,建议使用高性能 Distcp 工具,请参见 Hadoop 文件系统与 COS 之间的数据迁移