背景
在大数据应用场景下经常有数据文件的迁移工作，如果保障迁移之后数据的完整性是一个很常见的问题。对本地文件系统的数据而言，我们一般用md5工具（在Linux下可用md5sum命令）。
而对云存储上的文件来说，md5不一定满足需求。比如阿里云OSS文件并没有提供md5校验值，而是提供了CRC64校验值。本文就给大家介绍一下在大数据场景下，如何用工具快速对比文件。
OSSUtil
首先我们使用OSS官方提供ossutil工具，可以方便的得到云端OSS文件的CRC64：
[hadoop@emr-header-1 ~]$ ossutil stat oss://bucket/file.txt
ACL : default
Accept-Ranges : bytes
Content-Length : 500000000
Content-Type : application/octet-stream
Etag : 1C1CE59DC84E49EC89EE6570A3608597-96
Last-Modified : 2017-08-01 11:16:27 +0800 CST
Owner : onwerid
X-Oss-Hash-Crc64ecma : 5376366475988344152
X-Oss-Object-Type : Multipart
X-Oss-Storage-Class : Standard
0.097086(s) elapsed
其中的 X-Oss-Hash-Crc64ecma : 5376366475988344152 就是校验值。
ossutil hash命令还能得到本地文件的CRC64值：
[hadoop@emr-header-1 ~]$ ossutil hash file.txt
CRC64-ECMA : 5376366475988344152
将两个CRC值进行比较，就可以知道从本地上传到OSS上的文件是否成功。
但是，上面的方法只对单个文件有用，如果你的文件是放在分布式文件系统，比如E-MapReduce上的HDFS，有需要备份数据到OSS上，用OSSUtil工具可能就太慢了。下面将引入一个新的工具。
E-MapReduce Distcp和DistCheck
DistCp
首先用EMR distcp工具将数据从HDFS导入到OSS上：
hadoop distcp /user/hadoop/terasort-10g oss://emr-bucket/upload
这里的原始目录有10G，文件列表是：
/user/hadoop/terasort-10g/input/part-m-00000
/user/hadoop/terasort-10g/input/part-m-00001
...
/user/hadoop/terasort-10g/input/part-m-00020
将文件列表保持成一个文件 list.txt ，并上传到 HDFS 上 /user/hadoop/list.txt
hadoop fs -put list.txt /user/hadoop/list.txt
下载工具
然后，需要你下载本文附件中的压缩包，解压缩之后可以得到两个文件 streaming.jar 和 crctool。其中crctool是一个可以在本地运行的可执行文件（注意：只能在Linux 64位环境下执行），功能和ossutil的hash功能类似，但它只支持从标准输入中读取数据，比如：
cat file.txt | ./crctool
运行工具
接下去就可以运行DistCheck工具了，具体命令如下：
hadoop jar streaming.jar -Dmapred.reduce.tasks=1 -mapper crctool -file crctool -input /user/hadoop/list.txt -output /user/hadoop/distcheck-out
查看结果
查看工具输出的结果：
[hadoop@emr-header-1 ~]$ hadoop fs -cat /user/hadoop/distcheck-out/part-00000
hdfs://emr-header-1:9000/user/hadoop/terasort-10g/input/part-m-00000: 5376366475988344152
hdfs://emr-header-1:9000/user/hadoop/terasort-10g/input/part-m-00001: 11439160807767203705
hdfs://emr-header-1:9000/user/hadoop/terasort-10g/input/part-m-00002: 2122411653175000878
hdfs://emr-header-1:9000/user/hadoop/terasort-10g/input/part-m-00003: 7064261157479130820
...
这是HDFS上文件的CRC值，可以和OSS上的文件做比较：
[hadoop@emr-header-1 ~]$ hadoop fs -ls oss://emr-bucket/upload/terasort-10g/input |grep part | awk '{print $6}' | xargs -L1 ./ossutil stat | grep Crc64
X-Oss-Hash-Crc64ecma : 5376366475988344152
X-Oss-Hash-Crc64ecma : 11439160807767203705
X-Oss-Hash-Crc64ecma : 2122411653175000878
X-Oss-Hash-Crc64ecma : 7064261157479130820
...