Hadoop,distcp你真的会用吗？附避坑指南

distcp作用是从hdfs复制一个或多个数据文件或数据目录到一个指定目录下。会启动Map任务去复制，不会启动Reduce任务。

语法：

$ hadoop distcp  配置参数(-pt -overwrite等) hdfs:......源表1/dt=xxxx/  *hdfs:......源表2/dt=xxxx/* hdfs:......目的表/dt=xxxx $ hive -e "select * from 目的表 where dt = 'xxxx'"

1. 以上命令是把源表1和源表2的dt=xxxx下的所有数据文件和子目录复制到目的表的dt=xxxx路径下。

2. 即使目的分区路径不存在也不会报错，distcp会自动创建目的分区路径和添加分区信息（目的表需要先存在）。

3. distcp有很多配置，比如复制时的最大网络带宽、最大map任务个数、是覆盖还是追加、是否保留源文件时间等等。

4. '-pt'的作用是保留源文件的修改时间（不然复制到目的路径下的文件的修时间就是复制完成时的时间）

5. '-overwrite'的作用是覆盖同名文件（不是覆盖路径），如果目的路径下不存在该源文件则是复制过来！（目的路径下的其他文件依然存在且无变化！）

6. '-update'的作用是修改，如果目的路径已存在与源路径下的某个文件名和大小均相同的文件，则不再复制该文件（不管文件内容和文件修改时间是否变化）。只会复制目的路径下不存在文件、同名且文件大小不一致的文件。目的路径下的其他文件依然存在且无变化！