文档

文件存储 HDFS 版和对象存储OSS双向数据迁移

更新时间:

本文档介绍文件存储 HDFS 版和对象存储OSS之间的数据迁移操作过程。您可以将文件存储 HDFS 版数据迁移到对象存储OSS,也可以将对象存储OSS的数据迁移到文件存储 HDFS 版

前提条件

  • 已开通文件存储 HDFS 版服务并创建文件系统实例和挂载点。具体操作,请参见文件存储HDFS版快速入门

  • 已搭建Hadoop集群并且所有集群节点已安装JDK,JDK版本不低于1.8。建议您使用的Hadoop版本不低于2.7.2,本文档中使用的Hadoop版本为Apache Hadoop 2.8.5。

  • 已开通对象存储OSS服务并创建存储空间(Bucket)。具体操作,请参见对象存储OSS快速入门

背景信息

阿里云文件存储 HDFS 版是面向阿里云ECS实例及容器服务等计算资源的文件存储服务。文件存储 HDFS 版允许您就像在Hadoop的分布式文件系统中一样管理和访问数据,并对热数据提供高性能的数据访问能力。对象存储OSS是海量、安全、低成本、高可靠的云存储服务,提供标准型、归档型等多种存储类型。您可以在文件存储 HDFS 版和对象存储OSS之间双向数据迁移,从而实现热、温、冷数据合理分层,在实现对热数据的高性能访问的同时,有效控制存储成本。

步骤一:Hadoop集群挂载文件存储 HDFS 版实例

在Hadoop集群中配置文件存储 HDFS 版实例。具体操作,请参见挂载文件存储 HDFS 版文件系统

步骤二:Hadoop集群部署JindoSDK

  1. 下载最新的JindoSDK安装包

    本文以jindosdk-4.5.0为例。

  2. 执行以下命令,解压安装包。

    tar -zxvf ./jindosdk-4.5.0.tar.gz
  3. 执行以下命令,将安装包内的jindo-core-4.5.0.jar和jindo-sdk-4.5.0.jar文件复制到Hadoop的CLASSPATH路径下。

    cp -v ./jindosdk-4.5.0/lib/jindo-*-4.5.0.jar ${HADOOP_HOME}/share/hadoop/hdfs/lib/
  4. 配置JindoSDK OSS实现类及Access Key。

    1. 执行以下命令,打开core-site.xml配置文件。

      vim ${HADOOP_HOME}/etc/hadoop/core-site.xml
    2. 将JindoSDK OSS实现类配置到core-site.xml文件中。

      <configuration>
          <property>
              <name>fs.AbstractFileSystem.oss.impl</name>
              <value>com.aliyun.jindodata.oss.OSS</value>
          </property>
          <property>
              <name>fs.oss.impl</name>
              <value>com.aliyun.jindodata.oss.JindoOssFileSystem</value>
          </property>
      </configuration>
    3. 将OSS Bucket对应的Access Key ID、Access Key Secret、Endpoint配置到core-site.xml文件中。

      <configuration>
          <property>
              <name>fs.oss.accessKeyId</name>
              <!-- 请填写您用于访问OSS Bucket的Access Key ID -->
              <value>xxx</value>
          </property>
          <property>
              <name>fs.oss.accessKeySecret</name>
              <!-- 请填写Access Key ID对应的Access Key Secret -->
              <value>xxx</value>
          </property>
          <property>
              <name>fs.oss.endpoint</name>
                <!-- ECS环境推荐使用内网OSS Endpoint,格式为oss-cn-xxxx-internal.aliyuncs.com -->
              <value>oss-cn-xxxx.aliyuncs.com</value>
          </property>
      </configuration>
  5. 步骤3步骤4同步到Hadoop集群所有节点。

  6. 使用Hadoop Shell访问OSS。

    ${HADOOP_HOME}/bin/hadoop fs -ls oss://<bucket>/<path>

    其中,<bucket>为OSS的存储空间名称,<path>为该存储空间下的文件路径。请根据实际情况进行替换。

步骤三:数据迁移

为Hadoop集群挂载好文件存储 HDFS 版实例和安装OSS客户端Jindo SDK后,使用Hadoop MapReduce任务(DistCp)即可实现数据迁移。迁移数据的操作如下所示。

实践一:将文件存储 HDFS 版上的数据迁移至对象存储OSS

  1. 执行以下命令,在文件存储 HDFS 版实例上生成100 GB测试数据。

    ${HADOOP_HOME}/bin/hadoop jar \
    ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.5.jar \
    randomtextwriter \
    -D mapreduce.randomtextwriter.totalbytes=107374182400 \
    -D mapreduce.randomtextwriter.bytespermap=10737418240 \
    dfs://f-xxxxxxx.cn-beijing.dfs.aliyuncs.com:10290/dfs2oss/data/data_100g/

    其中,f-xxxxxxx.cn-beijing.dfs.aliyuncs.com文件存储 HDFS 版挂载点域名;/dfs2oss/data/data_100g为本文保存测试数据的目录。请根据实际情况进行替换。

  2. 查看生成的测试数据。

    • 执行命令

      ${HADOOP_HOME}/bin/hadoop fs -du -s dfs://f-xxxxxxx.cn-beijing.dfs.aliyuncs.com:10290/dfs2oss/data/data_100g
    • 返回示例

      110223430221  dfs://f-xxxxxxx.cn-beijing.dfs.aliyuncs.com:10290/dfs2oss/data/data_100g
  3. 启动Hadoop MapReduce任务(DistCp)将测试数据迁移至对象存储OSS。关于DistCp工具的使用说明,请参见Hadoop Distcp工具官方说明

    ${HADOOP_HOME}/bin/hadoop distcp \
    dfs://f-xxxxxxx.cn-beijing.dfs.aliyuncs.com:10290/dfs2oss oss://<bucket>/<path>
  4. 任务执行完成后,如果回显包含如下类似信息,说明迁移成功。

    22/08/10 16:20:54 INFO mapreduce.Job: Job job_1660115355800_0003 completed successfully
    22/08/10 16:20:54 INFO mapreduce.Job: Counters: 38
            File System Counters
                    DFS: Number of bytes read=110223438504
                    DFS: Number of bytes written=0
                    DFS: Number of read operations=114
                    DFS: Number of large read operations=0
                    DFS: Number of write operations=26
                    FILE: Number of bytes read=0
                    FILE: Number of bytes written=2119991
                    FILE: Number of read operations=0
                    FILE: Number of large read operations=0
                    FILE: Number of write operations=0
                    OSS: Number of bytes read=0
                    OSS: Number of bytes written=0
                    OSS: Number of read operations=0
                    OSS: Number of large read operations=0
                    OSS: Number of write operations=0
            Job Counters
                    Launched map tasks=13
                    Other local map tasks=13
                    Total time spent by all maps in occupied slots (ms)=10264552
                    Total time spent by all reduces in occupied slots (ms)=0
                    Total time spent by all map tasks (ms)=10264552
                    Total vcore-milliseconds taken by all map tasks=10264552
                    Total megabyte-milliseconds taken by all map tasks=10510901248
            Map-Reduce Framework
                    Map input records=14
                    Map output records=0
                    Input split bytes=1755
                    Spilled Records=0
                    Failed Shuffles=0
                    Merged Map outputs=0
                    GC time elapsed (ms)=18918
                    CPU time spent (ms)=798190
                    Physical memory (bytes) snapshot=4427018240
                    Virtual memory (bytes) snapshot=50057256960
                    Total committed heap usage (bytes)=2214068224
            File Input Format Counters
                    Bytes Read=6528
            File Output Format Counters
                    Bytes Written=0
            DistCp Counters
                    Bytes Copied=110223430221
                    Bytes Expected=110223430221
                    Files Copied=14
  5. 查看迁移到对象存储OSS上的数据大小是否与原文件一致。

    • 执行命令

      ${HADOOP_HOME}/bin/hadoop fs -du -s oss://<bucket>/<path>
    • 返回示例

      HDFS-OSS

实践二:将对象存储OSS上的数据迁移至文件存储 HDFS 版

  1. 在对象存储OSS上生成100 GB测试数据。

    ${HADOOP_HOME}/bin/hadoop jar \
    ${HADOOP_HOME}/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.5.jar \
    randomtextwriter \
    -D mapreduce.randomtextwriter.totalbytes=107374182400 \
    -D mapreduce.randomtextwriter.bytespermap=10737418240 \
    oss://<bucket>/<path>

    其中,<bucket>/<path>为测试数据OSS Bucket目录。请根据实际情况进行替换。

  2. 查看生成的测试数据。

    • 执行命令

      ${HADOOP_HOME}/bin/hadoop fs -du -s oss://<bucket>/<path>
    • 返回示例

      1
  3. 启动Hadoop MapReduce任务(DistCp)将测试数据迁移至文件存储 HDFS 版

    ${HADOOP_HOME}/bin/hadoop distcp \
    oss://<bucket>/<path> \
    dfs://f-xxxxxxx.cn-beijing.dfs.aliyuncs.com:10290/oss2dfs
  4. 任务执行完成后,如果回显包含如下类似信息,说明迁移成功。

    22/08/10 17:08:17 INFO mapreduce.Job: Job job_1660115355800_0005 completed successfully
    22/08/10 17:08:17 INFO mapreduce.Job: Counters: 38
            File System Counters
                    DFS: Number of bytes read=6495
                    DFS: Number of bytes written=110223424482
                    DFS: Number of read operations=139
                    DFS: Number of large read operations=0
                    DFS: Number of write operations=47
                    FILE: Number of bytes read=0
                    FILE: Number of bytes written=1957682
                    FILE: Number of read operations=0
                    FILE: Number of large read operations=0
                    FILE: Number of write operations=0
                    OSS: Number of bytes read=0
                    OSS: Number of bytes written=0
                    OSS: Number of read operations=0
                    OSS: Number of large read operations=0
                    OSS: Number of write operations=0
            Job Counters
                    Launched map tasks=12
                    Other local map tasks=12
                    Total time spent by all maps in occupied slots (ms)=10088860
                    Total time spent by all reduces in occupied slots (ms)=0
                    Total time spent by all map tasks (ms)=10088860
                    Total vcore-milliseconds taken by all map tasks=10088860
                    Total megabyte-milliseconds taken by all map tasks=10330992640
            Map-Reduce Framework
                    Map input records=12
                    Map output records=0
                    Input split bytes=1620
                    Spilled Records=0
                    Failed Shuffles=0
                    Merged Map outputs=0
                    GC time elapsed (ms)=21141
                    CPU time spent (ms)=780270
                    Physical memory (bytes) snapshot=4037222400
                    Virtual memory (bytes) snapshot=45695025152
                    Total committed heap usage (bytes)=2259156992
            File Input Format Counters
                    Bytes Read=4875
            File Output Format Counters
                    Bytes Written=0
            DistCp Counters
                    Bytes Copied=110223424482
                    Bytes Expected=110223424482
                    Files Copied=12
  5. 检查迁移到文件存储 HDFS 版的测试数据是否与原OSS待迁移数据一致。

    • 执行命令

      ${HADOOP_HOME}/bin/hadoop fs -du -s dfs://f-xxxxx.cn-zhangjiakou.dfs.aliyuncs.com:10290/oss2dfs
    • 返回示例

      110223424482 dfs://f-xxxxx.cn-beijing.dfs.aliyuncs.com:10290/oss2dfs

常见问题

对于正在写入的文件,进行迁移时会遗漏最新写入的数据吗?

Hadoop兼容文件系统提供单写者多读者并发语义,针对同一个文件,同一时刻可以有一个写者写入和多个读者读出。以文件存储 HDFS 版到对象存储OSS的数据迁移为例,数据迁移任务打开文件存储 HDFS 版的文件F,根据当前系统状态决定文件F的长度L,将L字节迁移到对象存储OSS。如果在数据迁移过程中,有并发的写者写入,文件F的长度将超过L,但是数据迁移任务无法感知到最新写入的数据。因此,建议当您在做数据迁移时,请避免往迁移的文件中写入数据。

  • 本页导读 (1)
文档反馈