AI 助理
备案控制台
文档
输入文档关键字查找
首页 文件存储HDFS版 最佳实践 文件存储 HDFS 版和对象存储OSS双向数据迁移

文件存储 HDFS 版和对象存储OSS双向数据迁移

更新时间：
产品详情
我的收藏

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OSS服务并创建OSS Bucket。

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。

      说明

      以下配置添加至<configuration>标签内。

      <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>

    3. 将OSS Bucket对应的Access Key ID、Access Key Secret、Endpoint配置到core-site.xml文件中。

      说明

      以下配置添加至<configuration>标签内。

      <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>

  5. 将步骤3和步骤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/

    重要参数说明如下所示，请根据实际情况进行替换。

    • f-xxxxxxx.cn-beijing.dfs.aliyuncs.com：文件存储 HDFS 版挂载点域名。

    • /dfs2oss/data/data_100g：本文保存测试数据的目录。

    • hadoop-mapreduce-examples-2.8.5.jar：hadoop版本。

  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>

    重要参数说明如下所示，请根据实际情况进行替换。

    • <bucket>/<path>：测试数据OSS Bucket目录。

    • hadoop-mapreduce-examples-2.8.5.jar：hadoop版本。

  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。

上一篇：最佳实践下一篇：文件存储 HDFS 版和数据库MySQL双向数据迁移
文档推荐