本文档介绍文件存储HDFS和对象存储OSS之间的数据迁移过程。您可以将文件存储HDFS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上。

背景信息

阿里云文件存储HDFS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允许您就像在Hadoop分布式文件系统中管理和访问数据，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，并提供标准型、归档型等多种存储类型供选择。客户可以在文件存储HDFS和对象存储OSS之间实现数据迁移，从而实现热、温、冷数据的合理分层，在实现对热数据的高性能访问的同时，有效控制存储成本。

准备工作

  1. 挂载文件系统，详情请参见挂载文件系统。
  2. 验证文件系统和计算节点之间的连通性。
    1. 执行以下命令，在文件存储HDFS上创建目录（如：/dfs_links）。 
      hadoop fs -mkdir /dfs_links
    2. 执行以下命令，验证连通性。 
      hadoop fs -ls dfs://f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com:10290/dfs_links

      其中f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com为文件存储HDFS挂载点域名，请根据实际情况进行修改。

      如果命令正常执行无输出结果，则表示连通成功。如果连通失败，请参见创建文件系统实例后，为什么无法访问文件存储HDFS？进行排查。

  3. 准备迁移工具。
    1. 单击emr-tools下载迁移工具安装包。
    2. 将迁移工具安装包上传计算节点的本地目录。
      说明 该计算节点必须运行着Hadoop的YARN服务，或者是YARN集群中可以提交作业的计算节点。因为emr-tools迁移工具需要借助Hadoop数据迁移工具DistCp实现数据的迁移。
    3. 执行以下命令，解压安装包。 
      tar jxf emr-tools.tar.bz2

将文件存储HDFS数据迁移到对象存储OSS

  1. 进入emr-tools工具安装包解压后所在的目录，使用hdfs2oss4emr.sh脚本将文件存储HDFS上的数据迁移到对象存储OSS上，具体命令如下所示。 
    cd emr-tools
./hdfs2oss4emr.sh \
dfs://f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com:10290/HDFS2OSS/data/data_1000g \
oss://accessKeyId:[email protected]/HDFS2OSS/data/data_1000g

    参数说明如下表所示。

    参数 说明
    accessKeyId 访问对象存储OSS API的密钥。获取方式请参见如何获取AccessKeyId和AccessKeySecret。
    accessKeySecret
    bucket-name.oss-cn-hangzhou.aliyuncs.com 对象存储OSS的访问域名，包括bucket名称和endpoint地址。

    执行以上命令后，系统将启动一个Hadoop MapReduce任务（DistCp）。

  2. 任务执行完成后，查看迁移结果。

    如果回显包含如下类似信息，说明迁移成功。

    19/03/27 08:48:58 INFO mapreduce.Job: Job job_1553599949635_0014 completed successfully
19/03/27 08:48:59 INFO mapreduce.Job: Counters: 38
        File System Counters
                FILE: Number of bytes read=0
                FILE: Number of bytes written=2462230
                FILE: Number of read operations=0
                FILE: Number of large read operations=0
                FILE: Number of write operations=0
                HDFS: Number of bytes read=1000001748624
                HDFS: Number of bytes written=0
                HDFS: Number of read operations=40124
                HDFS: Number of large read operations=0
                HDFS: Number of write operations=40
                OSS: Number of bytes read=0
                OSS: Number of bytes written=1000000000000
                OSS: Number of read operations=0
                OSS: Number of large read operations=0
                OSS: Number of write operations=0
        Job Counters
                Launched map tasks=20
                Other local map tasks=20
                Total time spent by all maps in occupied slots (ms)=65207738
                Total time spent by all reduces in occupied slots (ms)=0
                Total time spent by all map tasks (ms)=65207738
                Total vcore-milliseconds taken by all map tasks=65207738
                Total megabyte-milliseconds taken by all map tasks=66772723712
        Map-Reduce Framework
                Map input records=10002
                Map output records=0
                Input split bytes=2740
                Spilled Records=0
                Failed Shuffles=0
                Merged Map outputs=0
                GC time elapsed (ms)=58169
                CPU time spent (ms)=5960400
                Physical memory (bytes) snapshot=4420333568
                Virtual memory (bytes) snapshot=42971959296
                Total committed heap usage (bytes)=2411724800
        File Input Format Counters
                Bytes Read=1745884
        File Output Format Counters
                Bytes Written=0
        org.apache.hadoop.tools.mapred.CopyMapper$Counter
                BYTESCOPIED=1000000000000
                BYTESEXPECTED=1000000000000
                COPY=10002

copy from dfs://f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com:10290/path/on/dfs to oss://accessKeyId:[email protected]/path/on/oss does succeed !!!
    迁移完成后，您可以通过osscmd工具，执行以下命令查看对象存储OSS上的数据情况。 
    osscmd ls oss://bucket-name/HDFS2OSS/data/data_1000g

将对象存储OSS数据迁移到文件存储HDFS

  1. 进入emr-tools工具安装包解压后所在的目录，使用hdfs2oss4emr.sh脚本将对象存储OSS上的数据迁移到文件存储HDFS上，具体命令如下所示。 
    cd emr-tools
./hdfs2oss4emr.sh  \
oss://accessKeyId:[email protected]/OSS2HDFS/oss/1000g  \
dfs://f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com:10290/OSS2HDFS/data/data_1000g

    参数说明如下表所示。

    参数 说明
    accessKeyId 访问对象存储OSS API的密钥。获取方式请参见如何获取AccessKeyId和AccessKeySecret。
    accessKeySecret
    bucket-name.oss-cn-hangzhou.aliyuncs.com 对象存储OSS的访问域名，包括bucket名称和endpoint地址。

    执行以上命令后，系统将启动一个Hadoop MapReduce任务（DistCp）。

  2. 任务执行完成后，查看迁移结果。

    如果回显包含如下类似信息，说明迁移成功。

    19/03/23 21:59:23 INFO mapreduce.Job: Counters: 38
        File System Counters
                DFS: Number of bytes read=2335687
                DFS: Number of bytes written=999700000000
                DFS: Number of read operations=60218
                DFS: Number of large read operations=0
                DFS: Number of write operations=20076
                FILE: Number of bytes read=0
                FILE: Number of bytes written=2575367
                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=21
                Other local map tasks=21
                Total time spent by all maps in occupied slots (ms)=36490484
                Total time spent by all reduces in occupied slots (ms)=0
                Total time spent by all map tasks (ms)=36490484
                Total vcore-milliseconds taken by all map tasks=36490484
                Total megabyte-milliseconds taken by all map tasks=37366255616
        Map-Reduce Framework
                Map input records=10018
                Map output records=0
                Input split bytes=2856
                Spilled Records=0
                Failed Shuffles=0
                Merged Map outputs=0
                GC time elapsed (ms)=1064802
                CPU time spent (ms)=10370840
                Physical memory (bytes) snapshot=6452363264
                Virtual memory (bytes) snapshot=45328142336
                Total committed heap usage (bytes)=4169138176
        File Input Format Counters
                Bytes Read=2332831
        File Output Format Counters
               Bytes Written=0
        org.apache.hadoop.tools.mapred.CopyMapper$Counter
                BYTESCOPIED=999700000000
                BYTESEXPECTED=999700000000
                COPY=10018
copy from oss://accessKeyId:[email protected]/path/on/oss to dfs://f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com:10290/path/on/dfs does succeed !!!
    迁移完成后，您可以执行以下命令查看文件存储HDFS上的数据情况。 
    hadoop fs -ls   dfs://f-xxxxxxxxxxxxxxx.cn-xxxxxxx.dfs.aliyuncs.com:10290/OSS2HDFS/data/data_1000g

常见问题

  • 迁移过程出现异常提示：Cannot obtain block length for LocatedBlock。

    从原生HDFS往对象存储OSS/文件存储HDFS迁移数据时，可能会遇到这个问题。遇到该问题时，请执行hdfs fsck / –openforwrite命令，检查当前是否有文件处于写入状态尚未关闭。

    如果有处于写入状态的文件时，需判断文件是否有效。
    • 如果文件无效，则直接删除文件。 
      hdfs rm <path-of-the-file>
    • 如果文件有效，则不能直接删除，请考虑恢复问题文件租约。 
      hdfs debug recoverLease -path <path-of-the-file> -retries <retry times>
  • 对于正在写入的文件，进行迁移时会遗漏掉最新写入的数据吗？

    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，建议您在做数据迁移时，避免往迁移的文件中写入数据。