将数据从一个集群复制到另一个集群时，Hadoop Distcp 中止

Question

我正在尝试将分区 Hive 表的数据从一个集群复制到另一个集群。 我正在使用 distcp 复制数据，但底层数据的数据是分区的配置单元表。 我使用了以下命令。

hadoop distcp -i {src} {tgt}

但是当表被分区时，目录结构是根据分区表创建的。 所以它显示创建重复项和中止作业的错误。

org.apache.hadoop.toolsCopyListing$DulicateFileException：文件会导致重复。 中止

我还使用了-skipcrccheck -update -overwrite但没有奏效。

如何将表的数据从分区文件路径复制到目标？

Answer 1

尝试使用此选项-strategy dynamic默认情况下，distcp 使用uniformsize。

Answer 2

检查以下设置以查看它们是否为 false。将它们设置为 true。

hive> set hive.mapred.supports.subdirectories;
hive.mapred.supports.subdirectories=false
hive> set mapreduce.input.fileinputformat.input.dir.recursive;
mapreduce.input.fileinputformat.input.dir.recursive=false

Answer 3

hadoop distcp -Dmapreduce.map.memory.mb=20480 -Dmapreduce.map.java.opts=-Xmx15360m -Dipc.client.fallback-to-simple-auth-allowed=true -Ddfs.checksum.type=CRC32C -m 500 \\ -pb -update -delete {src} {target}

Answer 4

理想情况下不能有相同的文件名。 因此，在您的情况下发生的情况是您试图将分区表从一个集群复制到另一个集群。 并且，2 个不同的命名分区具有相同的文件名。

您的解决方案是在您的命令中更正源路径{src} ，以便您提供路径 uptil 分区子目录而不是文件。

例如 - 请参阅以下内容：

/a/partcol=1/file1.txt
/a/partcol=2/file1.txt

如果您将{src}用作"/a/*/*"那么您将收到错误"File would cause duplicates."

但是，如果您将{src}用作"/a"则复制时不会出错。