大家好，我是明哥!

最近有小伙伴问到 hadoop distcp 的使用，对其中的一些细节和容易踩的坑不是很清楚，所以今天我们来看下 hadoop distcp的原理，细节和容易踩的坑。

1.DistCp 概述

我们知道大数据集群内部都有节点级别和机架级别的容错机制(存储层对应的就是传统的三副本或纠删码机制)，但对于一些数据安全性要求更改的场景，比如在金融行业典型的两地三中心场景下，经常有跨区域跨集群灾备的需求，此时就会涉及到跨集群的数据同步。

DistCp (distributed copy) 就是一款跨集群的数据同步工具。

DistCp 可以用来做 hdfs 集群内部或集群之间的大规模的数据同步，由于在底层使用了 MapReduce 框架会通过多个 mapper来拷贝需要拷贝的文件列表，其性能相比 hdfs dfs -get/put 等通过本地文件系统中转的数据同步方案，要高效快速很多。

同时由于 DistCp 可以跨 hdfs 大版本进行数据同步，且新版本的 DistCp(distcp version 2)相比老版本的DistCp(legacy DistCp，version1.2.1)在很多方面都做了优化和改进，所以大规模的数据同步，不论是集群内部还是集群之间，首选的方案都是DistCp。

很多商业的hdfs数据同步方案，其底层都是原生的 DistCp，比如 cdh 的 bdr 工具，比如 tdh 的backup工具，其原理都是如此。

2.关于集群间数据同步

3.关于开启了 kerberos 安全认证后的数据同步

4.DistCp 的底层工作机制

新版 DistCp 底层有以下组件，其各自的职责如下：

5.DistCp 的重要参数讲解

DistCp 提供了多种参数，来控制拷贝任务的各种细节，经常使用到的关键参数有 -update, -delete, -overwrite, -m,-bandwidth，-diff，-p，-i 等：

6.易踩的坑 - skipcrccheck

skipcrccheck 的坑-hdfs

skipcrccheck 的坑-hive sql

7.关于 hive 的跨集群数据同步

8.常用命令总结