将FTP服务器上的历史数据迁移到HDFS，是许多企业构建大数据平台的第一步，最可靠的方式是根据数据量级选择Apache NiFi或定制Python脚本，并采用增量同步策略确保零丢失。
为什么需要把FTP数据搬到HDFS
传统FTP服务器存储分散、检索慢，无法支撑实时分析与机器学习，HDFS凭借高吞吐和横向扩展能力，成为企业数据湖的底层首选，行业共识认为，超过六成的互联网公司在数据中台建设中会优先将FTP存量数据迁移至Hadoop生态，当你的业务面临以下场景时,迁移就变得迫切：
- 业务部门需要跨部门调取历史订单文件,FTP目录结构混乱且权限难控。
- 离线分析任务频繁读取FTP，网络带宽成为瓶颈,计算任务一再超时。
- 需要将文件与Hive/Spark表关联，数据在FTP和HDFS之间来回拷贝,效率低下。
ftp服务器数据迁移到hdfs 方案对比
选择哪种方案，取决于数据量、时效要求和运维能力，下面列出三种主流方式,各自适用场景差异明显。
| 方案 | 成本 | 复杂度 | 同步性能 | 适合场景 |
|---|---|---|---|---|
| Apache NiFi 可视化流 | 免费开源，需部署NiFi集群 | 中等，学习曲线平缓 | 高，支持并行与背压 | 10TB以上，需实时增量，团队有运维能力 |
| Python脚本 + Hadoop CLI | 免费，仅需开发成本 | 较低，适合有Python基础 | 取决于并行度，易出现瓶颈 | 单次迁移，数据量<1TB，无复杂调度需求 |
| 商业工具（如Attunity） | 高，按数据量授权 | 低，提供图形界面 | 极高，自动调优 | 企业级场景，要求一致性保障，预算充足 |
Apache NiFi 是多数情况下的首选，它原生支持FTP、SFTP和HDFS处理器，通过拖拽配置即可完成迁移，内置队列、重试和校验机制,故障后能自动恢复。
Python脚本 适合小规模或一次性迁移，核心逻辑是下载后上传，但需要自己处理断点续传、并发控制和异常捕捉,稍有不慎容易丢数据。
商业工具 在数据一致性方面有严格保证，但价格不菲，大多只在金融、医疗等监管严格的行业使用。
ftp服务器数据迁移到hdfs 步骤详解
以下以Apache NiFi为例，覆盖从准备到验证的全流程，如果你选择脚本方式,亦可参考其中的逻辑。
第一步：环境准备与依赖安装
- 部署Hadoop客户端，并确保HDFS可写入，设置好Kerberos认证（如果启用）。
- 下载并安装Apache NiFi（版本不低于1.15）,注意JDK版本兼容。
- 确认FTP服务器可达，记录地址、端口、用户名、密码以及目录路径。
第二步：数据评估与迁移策略制定
进入FTP服务器，统计文件数量和总大小，使用du -sh估算，针对历史数据，建议先做全量迁移，之后定期增量拉取，增量识别依赖文件修改时间（mtime）或文件名模式。
如果文件数量超过10万，需要分批执行,避免一次性加载过多Listing。
第三步：使用Apache NiFi实施迁移
- 拖入 ListFTP 处理器，配置连接参数，设置“Select Directory”为FTP根目录。
- 连接 FetchFTP 处理器,负责下载文件内容。
- 将FetchFTP的Success关系连接到 PutHDFS 处理器，配置HDFS路径（如
/user/hive/warehouse/raw_ftp/）。 - 设置 PutHDFS 的冲突解决策略为“replace”或“ignore”,视业务需求而定。
- 启动处理器，观察队列，NiFi会自动跟踪已迁移的文件状态,避免重复拉取。
第四步：使用Python脚本迁移（备选方案）
如果不想引入NiFi，一份简洁的脚本也能完成任务,核心逻辑如下：
- 连接FTP：
ftplib.FTP(host, user, passwd) - 遍历目录,获取文件列表。
- 使用
rest命令实现断点续传,下载至本地临时目录。 - 调用
hdfs dfs -put上传，或使用hdfs库（如pyarrow或hdfs）直接写入。 - 记录已迁移文件，下次运行跳过。关键点是记录文件的修改时间戳,以此判断是否增量。
# 示例伪代码，实际生产需完善异常处理
from ftplib import FTP
import subprocess
ftp = FTP('ftp.example.com')
ftp.login('user', 'pass')
files = ftp.nlst('/data/')
for f in files:
local_path = '/tmp/' + f
with open(local_path, 'wb') as fp:
ftp.retrbinary('RETR ' + f, fp.write)
subprocess.run(['hdfs', 'dfs', '-put', local_path, '/user/hdfs/raw/'])
ftp.delete(f) # 可选：迁移后删除源文件
第五步：验证与清理
- 使用
hdfs dfs -ls -R /user/hdfs/raw/检查文件数量和大小。 - 随机抽取文件，对比FTP与HDFS的MD5值，可用
md5sum计算后比对。 - 确认无误后，在FTP服务器上清理已迁移的旧数据,释放空间。
迁移过程中的常见问题
连接超时与重试机制
FTP传输容易因网络波动中断，NiFi自带重试策略，可在FetchFTP的“Retry Count”中设置3-5次，脚本方式则需要捕获socket.timeout异常,实现指数退避重试。
数据一致性校验
文件在传输中可能被截断或损坏，行业共识认为，至少对超过100MB的文件进行CRC校验，NiFi的PutHDFS支持计算校验和；脚本中可以用hashlib对比文件块的MD5。
大文件传输优化
单个文件超过2GB时，建议开启FTP的被动模式（PASV），并调整TCP缓冲区大小，NiFi中可以在FetchFTP设置“Data Transfer Buffer Size”为1MB，脚本中可通过setsockopt调整。
性能优化与监控
- 并行度：NiFi的并发任务数建议设为CPU核心数的2倍，脚本则使用多线程（
concurrent.futures）,但注意FTP服务器可能限制连接数。 - 带宽限制：如果FTP出口带宽有限，可在NiFi的PutHDFS中设置“Batch Size”控制流量,避免影响线上业务。
- 日志监控：NiFi提供Bulletin通知，当处理器报错时自动告警，脚本需记录详尽日志，并使用
logging模块输出到文件。
无论选哪种方式，增量策略和校验机制是迁移成败的关键，优先使用Apache NiFi这类成熟工具，能大幅降低出错的概率，一次性迁移量不大时，Python脚本也足够可靠，核心是保证数据完整、可追溯,为后续的大数据分析打好基础。
Q&A：ftp服务器数据迁移到hdfs 常见问题
数据迁移过程中如何保证数据不丢失？
采用两阶段验证：迁移后立即比对文件数量和大小，再抽样做MD5校验，全量完成前保留FTP源文件，确认无误后再删除，NiFi的“ListFTP”会记录已拉取的文件，避免重复或遗漏。
增量迁移如何实现？
利用FTP的`MLSD`命令或`mtime`属性，识别出修改时间大于上次迁移时间点的文件，NiFi的“ListFTP”处理器本身支持按“Last Modified Time”过滤，脚本则需维护一个时间戳文件，每次运行后更新。
迁移后如何验证数据完整性？
在HDFS上对每个文件计算checksum，与FTP侧独立计算的校验值对比，对于文本文件，还可检查行数是否一致，如果文件数量较多，建议使用Hadoop的`distcp`中的`-update`和`-diff`参数做自动比对，避免全量扫描。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/509791.html
