为什么我们需要 distcp 命令将数据从 hdfs 复制到 s3，而我们可以直接将数据写入 s3 位置？答案

【问题标题】：Why we need distcp command to copy data from hdfs to s3, when we can directly write the data to s3 location?为什么我们需要 distcp 命令将数据从 hdfs 复制到 s3，而我们可以直接将数据写入 s3 位置？
【发布时间】：2019-10-11 08:44:00
【问题描述】：

请帮助我理解 distcp 的使用，我们使用的是 s3，在一些脚本中我可以看到他们直接将数据写入 s3，并且很多情况下将数据写入 hdfs，然后使用 distcp 将数据复制到 s3。

那么什么时候使用distcp，什么时候可以直接写入云端呢？

【问题讨论】：

你的问题没有太大意义。您可以使用 HDFS 或 S3 来存储数据。两者都有合法的用例和不同的权衡。数据操作可以使用 Hadoop 中的完全限定路径直接寻址 S3 或 HDFS。您甚至可以将 Hadoop 配置为使用 S3 作为默认 FS。

标签： amazon-web-services apache-spark hadoop amazon-s3 pyspark-dataframes

【解决方案1】：

首先你需要很清楚为什么要使用distcp。

Distcp主要用于跨hadoop集群传输。假设您在加利福尼亚有两个远程 hadoop 集群 1，其他 1 在亚利桑那州，cluster1 是您的主要集群，cluster2 是您的次要集群，这意味着您正在 cluster1 上进行所有处理，并在处理完成后将新数据转储到 cluster2集群2。

在此场景中，您将 distcp（复制）您的数据从 cluster1 到 cluster2，因为两个集群不同，您可以非常快速地复制数据，因为它使用映射器并行复制数据。因此，您可以将 distcp 视为类似于 ftp，用于跨不同服务器进行本地数据复制。

在您的情况下，我认为您提到的 hdfs 是您将数据复制到 aws s3 的其他 hadoop cluser，反之亦然。

希望能解开你的疑惑

【讨论】：