CentOS环境下HDFS数据迁移步骤是什么

CentOS环境下HDFS数据迁移通用步骤

1. 迁移前准备

• 评估数据现状：使用hdfs dfs -du -h /命令查看各目录数据量，按业务划分统计各目录总数据量，明确需迁移的数据范围。
• 制定迁移计划：根据数据量和集群带宽，选择低负载时段（如夜间）执行迁移；对于大规模数据，建议分批次迁移（如按目录或时间分块），减少对线上业务的影响。
• 备份关键数据：迁移前通过hdfs dfs -cp命令备份源数据到本地或其他存储系统（如对象存储），防止迁移过程中数据丢失。
• 检查集群状态：确保源集群和目标集群的NameNode、DataNode服务正常运行（hdfs dfsadmin -report），网络互通（源集群与目标集群节点间可互相访问）。

2. 选择迁移工具

• DistCp（推荐）：Hadoop自带的分布式并行复制工具，适用于大规模HDFS数据迁移（跨集群或同集群），支持断点续传、并行处理（默认线程数由mapreduce.job.maps参数控制），效率高。
• 基础命令工具：对于小规模数据迁移，可使用hdfs dfs -put（本地→HDFS）、hdfs dfs -get（HDFS→本地）、hdfs dfs -mv（HDFS内移动）等命令，但无法实现并行复制。
• 外部工具：若需迁移至非HDFS存储（如对象存储MinIO），可使用hadoop distcp结合其HDFS兼容接口，或使用Apache NiFi、DataX等可视化工具（需额外配置）。

3. 执行数据迁移（以DistCp为例）

• 同集群内迁移：将数据从源目录复制到目标目录，命令格式：
  hadoop distcp [options] hdfs://source-namenode:port/source_path hdfs://destination-namenode:port/target_path
  示例：hadoop distcp hdfs://namenode1:8020/data hdfs://namenode1:8020/destination。
• 跨集群迁移：需确保两个集群网络互通，命令格式类似（替换为目标集群的NameNode地址）：
  示例：hadoop distcp hdfs://nn1:9820/foo/bar hdfs://nn2:9820/bar/foo。
• 常用参数说明：
  • -p：保留文件属性（权限、时间戳、所有者等）；
  • -update：仅复制源文件中修改过的部分（增量迁移）；
  • -overwrite：覆盖目标集群中已存在的同名文件；
  • -m <num>：设置并行复制线程数（如-m 50表示使用50个线程）。

4. 监控迁移过程

• 实时监控进度：通过DistCp命令的-progress参数显示实时复制进度（如hadoop distcp -progress ...），或查看目标集群的NameNode Web界面（默认端口50070）中的“Utilities”→“Browse the file system”查看目标路径数据量增长情况。
• 系统资源监控：使用top（查看CPU/内存使用率）、jstat（查看JVM状态）、iostat（查看磁盘IO）等命令行工具，监控集群节点资源占用情况，避免因资源耗尽导致迁移失败。

5. 验证迁移结果

• 数据完整性校验：使用hdfs fsck命令检查目标集群中数据的校验和，确保与源数据一致：
  hdfs fsck -files -blocks -locations /hdfs/target/path | grep -i checksum
  该命令会列出目标路径下所有文件的校验和，可与源数据的校验和（通过相同命令获取）进行比对。
• 文件数量核对：使用hdfs dfs -ls -R命令递归统计源目录和目标目录的文件数量，确保无遗漏：
  hdfs dfs -ls -R hdfs://source-namenode:port/source_path | wc -l
hdfs dfs -ls -R hdfs://destination-namenode:port/target_path | wc -l。
• 业务功能测试：选取部分关键数据，在目标集群上进行读取、写入等操作，验证数据可用性（如通过Hive查询目标表数据是否正常）。

6. 迁移后清理

• 释放资源：若使用了临时存储路径（如本地备份目录），可删除临时文件以释放磁盘空间（rm -rf /local/backup/path）。
• 更新业务配置：若业务应用指向源集群，需修改其HDFS地址配置（如core-site.xml中的fs.defaultFS参数），指向目标集群的NameNode地址。
• 归档迁移日志：保存DistCp命令的执行日志（可通过-log参数指定日志路径，如hadoop distcp -log /path/to/logfile ...），便于后续排查问题。

注：迁移过程中若遇到Kerberos认证问题（跨集群需认证），需在DistCp命令中添加-D ipc.client.fallback-to-simple-auth-allowed=true参数，或在目标集群的core-site.xml中配置该参数。