本期导读 ：【数据迁移】第二讲
主题：数据无忧：利用 checksum 迁移 HDFS 数据到 OSS
讲师：焱冰，阿里巴巴计算平台事业部 EMR 技术专家
主要内容：
- Checksum 技术科普
- DistCp 技术解密
- Jindo DistCp 操作实战
直播回放链接：（1/2讲）
https://developer.aliyun.com/live/246728
概念简述
DistCp & Jindo DistCp
DistCp（分布式拷贝）是用于大规模集群内部和集群之间拷贝数据的工具。使用Map/Reduce实现文件分发，错误处理和恢复，以及报告生成。
Jindo DistCp，则是基于 JindoFS SDK 的阿里云数据迁移工具。Jindo DistCp 由阿里云 E-MapReduce 团队开发，目前支持 HDFS/OSS/S3 之间的数据拷贝场景，提供多种个性化拷贝参数和多种拷贝策略。重点优化 HDFS 到 OSS 的数据拷贝，通过定制化 CopyCommitter，实现 No-Rename 拷贝，并保证数据拷贝落地的完整性、一致性。
Jindo DistCp 具体文档，可参见github：
https://github.com/aliyun/alibabacloud-jindofs/tree/master/docs/jindo_distcp
数据迁移场景中的 Checksum
大数据迁移使用场景：迁移后完整性校验、差异比对/增量拷贝。
完整性校验的场景，特别是异构存储介质间的迁移场景。由于异构存储介质间，默认的数据校验方式往往无法通用。现有的方案往往只能跳过数据完整性校验，这使得在迁移出现问题时无法及时发现。
现有的增量拷贝方案中，开源的 Hadoop DistCp 和 S3 DistCp 也会做差异比较，在异构存储介质间只能对文件名，文件大小做比较，不能真实反应源文件和目标文件是否完全一致。哪怕在同构存储介质间，在做差异比较时，往往也需要将目标存储介质的数据重新读取，并计算一次校验和。
Checksum 技术科普
Checksum
数据校验和，可用于差错检测和完整性校验，常见的算法有：
- 奇偶校验
- MD5
- SHA-1
- SHA-256
- SHA-512
- CRC32
- CRC64
奇偶校验
奇偶校验是最简单的校验算法。
具体做法是，在原始数据外，新增一位奇偶校验位，奇偶校验位有两种类型：
- 以偶校验位来说，如果一组给定数据位中1的个数是奇数，补一个bit为1，使得总的1的个数是偶数。
例：0000001, 补一个bit为1, 00000011。
- 以奇校验位来说，如果给定一组数据位中1的个数是奇数，补一个bit为0，使得总的1的个数是奇数。
例：0000001, 补一个bit为0, 00000010。
数据摘要算法
MD5、SHA-1、SHA-256、SHA-512 都是数据摘要算法，均被广泛作为密码的散列函数。
但由于 MD5、SHA-1 已经被证明为不安全的算法，目前建议使用较新的 SHA-256 和 SHA-512。
所有算法的输入均可以是不定长的数据。MD5 输出是16字节（128位）， SHA-1 输出为20字节（160位），SHA-256 为32字节（256位），SHA-512 为64字节（512位）。
可以看到，SHA 算法的输出长度更长，因此更难发生碰撞，数据也更为安全。但运算速度与 MD5 相比，也更慢。
循环冗余校验
循环冗余校验又称 CRC（Cyclic redundancy check），将待发送的比特串看做是系数为 0 或者 1 的多项式。
- M = 1001010
- M(x) = 1x^6 + 0x^5 + 0x^4 + 1x^3 + 0x^2 + 1x^1 + 0*x^0
- M(x) = x^6 + x^3 + x
CRC 编码时，发送方和接收方必须预先商定一个生成多项式 G(x)。
发送方将比特串和生成多项式 G(x) 进行运算得到校验码，在比特串尾附加校验码，使得带校验码的比特串的多项式能被 G(x) 整除。接收方接收到后，除以 G(x)，若有余数，则传输有错。
CRC 常用的生成多项式（ ITU-IEEE 规范）
CRC的优缺点
CRC算法的优点是算法实现相对简单、运算速度较快。而且错误检错能力很强，因此被广泛应用于通信数据校验。
缺点是输出长度较短，容易被伪造，碰撞率高。
性能参考：CRC32 > CRC64 > MD5 > SHA-1 > SHA-512 > SHA-256
DistCp 技术解密
Hadoop DistCp
默认 Checksum 算法：CRC32
跳过 Checksum 校验的参数：-skipcrccheck
差异比较：直接调用参数 -diff
增量拷贝：直接调用参数 –update
Hadoop 3.1.1以上版本，支持了全新组合式 CRC 文件 Checksum 。让Hadoop 实现与外部存储系统一致的 CRC 算法，以满足 HDFS 和其他外部存储系统进行差异对比。但该方案有以下缺点：源存储介质和目标存储介质必须使用相同的 Checksum 算法，如果是往云上迁移，往往只能改变源端私有化存储介质的 Checksum 算法，去适配目标介质，有一定改造成本。
S3 DistCp
默认 Checksum 算法：MD5
不支持扩展 Checksum
不支持差异比较功能
不支持一键增量拷贝功能
- 拷贝结束时，在-outputManifest参数指定的路径下生成Manifest文件。
- 下次拷贝时，指定-previousManifest参数，获取Manifest中的差异文件列表来实现增量拷贝。
其他云厂商
- 同样不支持一键增量拷贝功能。
- 差异比较时，往往需要拉取源文件重复计算Checksum。
Jindo DistCp
Checksum 算法：默认CRC32，支持CRC64
Checksum 相关的参数：默认开启，禁用参数-disableChecksum
差异比对，增量拷贝方式与 Hadoop 社区对齐：
- --diff：指定为差异比较模式。
- --update：指定为增量Copy模式。
- 默认先比较是否存在，再比较文件大小，最后比较文件Checksum。
- 如果不希望比较文件Checksum，可以通过增加--disableChecksum参数来关闭，即只比较文件名和文件大小。
- 差异比较/增量比较时不重复计算。
横向比较
Jindo DistCp 操作实战
执行命令
•hadoop jar jindo-distcp-3.5.0.jar --src /user/root/random-data --dest oss://yanbin-hd2-test/distcp/ --parallelism 10
•-src：hdfs 的源路径
•--dest：oss 的目标路径
•--ossKey：oss 的 AccessKey
•--ossSecret：oss 的 AccessSecret
•--ossEndPoint：oss 的 endpoint 信息，可以公网或者内网的 endpoint
•--parallelism：任务并发大小，根据集群资源可调整
Jindo DistCp 高阶使用实战
禁用Checksum
•hadoop jar jindo-distcp-3.5.0.jar --src /user/root/random-data --dest oss://yanbin-hd2-test/distcp/ --parallelism 10 --disableChecksum
增量拷贝
•hadoop jar jindo-distcp-3.5.0.jar --src /user/root/random-data --dest oss://yanbin-hd2-test/distcp/ --parallelism 10 --update
差异比较时，启用CMS告警
•export cmsAccessKeyId=<your_key_id>
•export cmsAccessSecret=<your_key_secret>
•export cmsRegion=cn-shanghai
•export cmsToken=<your_cms_token>
•export cmsLevel=WARN
•hadoop jar jindo-distcp-3.5.0.jar --src /user/root/random-data --dest oss://yanbin-hd2-test/distcp/ --diff --enableCMS
直接观看视频回放，获取实例讲解~https://developer.aliyun.com/live/246728
不错过每次直播信息、探讨更多数据湖 JindoFS+OSS 相关技术问题，欢迎扫码加入钉钉交流群！
