0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Hadoop distcpでHDFSのrawログをAmazon S3へバックアップしてみる

0
Last updated at Posted at 2026-08-20

はじめに

Kafka から HDFS へ syslog / authlog の raw ログを保存しています。

普段の処理は HDFS 上の raw ログを起点にしていますが、raw データを別の場所にもコピーしておけると少し安心です。

今回は、HDFS 上の raw ログを Amazon S3 へコピーできるかを確認します。

大きな DR 設計や正本設計の話ではなく、次の流れを実際に試す記事です。

  • HDFS 上の raw ログを S3 へコピーする
  • S3 上でコピー結果を確認する
  • 必要に応じて S3 から HDFS へ戻す

今回の構成

前提は以下です。

項目 値
OS Ubuntu 24.04
Apache Hadoop 3.3.6
HDFS nameservice cluster1
バックアップ先 Amazon S3
HDFS から S3 への接続 Hadoop S3A Connector
転送コマンド hadoop distcp

HDFS 上には、Kafka から保存した syslog / authlog の raw データがある前提です。

/data/kafka/syslog/YYYY/MM/DD/HH
/data/kafka/authlog/YYYY/MM/DD/HH

構成は単純です。

HDFS rawログのAmazon S3バックアップ

AWS 側から HDFS へ取りに来るのではなく、自宅 Hadoop 側のクライアントから S3 へ push します。


HDFSからS3へどうコピーするか

S3 が HDFS の DataNode へ直接アクセスするわけではありません。

hadoop distcp を実行する Hadoop クライアントが HDFS からデータを読み込み、S3A Connector 経由で S3 へ書き込みます。

distcp では、source に HDFS のパス、destination に s3a:// のパスを指定できます。

hadoop distcp \
  -overwrite \
  hdfs://cluster1/path/to/source \
  s3a://<S3_BUCKET_NAME>/path/to/destination

S3A は Hadoop の FileSystem API から S3 を扱うためのコネクタです。
Hadoop 3.3.6 の公式ドキュメントでも、S3A を使った S3 連携や distcp によるコピー例が案内されています。


S3バケットを用意する

AWS 側にバックアップ先の S3 バケットを用意します。

この記事では AWS CLI で作成します。
AWS 管理コンソールで作成してもよいですが、コマンドにしておくと後から見直しやすいです。

IAMユーザーの考え方

自宅 Hadoop から AWS CLI / Hadoop S3A Connector で S3 にアクセスするため、この記事では IAM ユーザーを2つに分けます。

IAMユーザー profile 用途
home-rawlog-backup-admin home-rawlog-backup-admin S3 bucket、IAM user、IAM policy を作成する初期作業用
home-rawlog-backup home-rawlog-backup Hadoop から distcp で S3 へバックアップする実行用

home-rawlog-backup-admin は初期作業だけに使います。
日々のバックアップでは使わず、後続で作成する最小権限の home-rawlog-backup に切り替えます。

本番運用では IAM Identity Center や AssumeRole、EC2 / ECS / EKS の IAM Role を使う方が望ましいです。
この記事では自宅 Hadoop から試しやすいように、IAM User + Access Key の例にします。

Access Key / Secret Access Key は、記事、GitHub、共有メモには記載しません。

初期作業用IAMユーザーを作成する

まず、AWS 管理コンソールで初期作業用の IAM ユーザーを作成します。
この作業は、AWS アカウントのルートユーザー、または既に管理者権限を持つ IAM ユーザー / Role で実施します。

作成時のパラメータ例です。

画面 項目 値
ユーザーの詳細 ユーザー名 home-rawlog-backup-admin
ユーザーの詳細 AWS Management Console へのユーザーアクセスを提供する 任意
許可を設定 許可のオプション ポリシーを直接アタッチする
許可を設定 許可ポリシー AdministratorAccess
タグ Project home-rawlog-s3-backup
タグ Env lab

AdministratorAccess は強い権限です。
この記事では初期作業を単純にするために使いますが、常用しない前提にします。
S3 バケット、バックアップ用 IAM ユーザー、IAM Policy を作成したら、以降の distcp 実行では使いません。

作成後、home-rawlog-backup-admin の Access Key を作成します。

作成した Access Key ID / Secret Access Key は、後続の「AWS CLIのprofileを用意する」で home-rawlog-backup-admin profile に設定します。
Secret Access Key が表示されるのは作成時だけなので、安全な場所に保管します。

AWS CLIのprofileを用意する

AWS CLI が未導入の場合は導入します。

実行ユーザー: 通常ユーザー

sudo apt-get update
sudo apt-get install -y unzip curl

curl "https://awscli.amazonaws.com/awscli-exe-linux-x86_64.zip" \
  -o "awscliv2.zip"

unzip awscliv2.zip
sudo ./aws/install

rm -rf aws
rm -f awscliv2.zip

確認します。

aws --version

AWS CLI の profile は、用途ごとに2つ用意します。
ここでは、先ほど作成した初期作業用 IAM ユーザー home-rawlog-backup-admin の Access Key を home-rawlog-backup-admin profile に設定します。
バックアップ実行用の home-rawlog-backup profile は、後続で Access Key を作成してから設定します。
講習などで2つの IAM ユーザーと Access Key が事前に用意されている場合は、この時点で両方の profile を作成しておいて構いません。

実行ユーザー: 通常ユーザー

aws configure --profile home-rawlog-backup-admin

設定例です。

項目 値
AWS Access Key ID home-rawlog-backup-admin の Access Key ID
AWS Secret Access Key home-rawlog-backup-admin の Secret Access Key
Default region name ap-northeast-1
Default output format json

設定後、AWS アカウントへアクセスできることを確認します。

aws sts get-caller-identity \
  --profile home-rawlog-backup-admin

Account には実際の AWS Account ID が表示されますが、記事やメモに転記しないようにします。
Arn が以下のように home-rawlog-backup-admin になっていれば OK です。

arn:aws:iam::<YOUR_AWS_ACCOUNT_ID>:user/home-rawlog-backup-admin

変数を設定する

以降のコマンドで使う変数を設定します。
export した変数は、現在の shell でだけ有効です。
ログアウトしたり、別の terminal を開いたりすると引き継がれないため、講習では変数をファイルに保存し、作業のたびに source で読み込む形にします。
ここでは、ホームディレクトリではなく、恒久的な設定置き場として /etc/rawlog-s3-backup/ 配下に置きます。

実行ユーザー: 通常ユーザー

sudo install -d -m 0755 /etc/rawlog-s3-backup

sudo tee /etc/rawlog-s3-backup/common.env >/dev/null <<'EOF'
export AWS_REGION="ap-northeast-1"
export S3_BUCKET_NAME="<S3_BUCKET_NAME>"
export IAM_USER_NAME="home-rawlog-backup"
export IAM_POLICY_NAME="HomeRawLogS3BackupPolicy"
export AWS_ADMIN_PROFILE="home-rawlog-backup-admin"
export AWS_BACKUP_PROFILE="home-rawlog-backup"
export AWS_ADMIN_SHARED_CREDENTIALS_FILE="${HOME}/.aws/credentials"
export AWS_ADMIN_CONFIG_FILE="${HOME}/.aws/config"
export AWS_BACKUP_SHARED_CREDENTIALS_FILE="/home/hadoop/.aws/credentials"
export AWS_BACKUP_CONFIG_FILE="/home/hadoop/.aws/config"
export HADOOP_S3A_CLASSPATH="/usr/lib/hadoop/tools/lib/hadoop-aws-3.3.6.jar:/usr/lib/hadoop/tools/lib/aws-java-sdk-bundle-1.12.367.jar"
export HADOOP_S3A_LIBJARS="/usr/lib/hadoop/tools/lib/hadoop-aws-3.3.6.jar,/usr/lib/hadoop/tools/lib/aws-java-sdk-bundle-1.12.367.jar"
export DISTCP_QUEUE_NAME="default"
export DISTCP_AM_MEMORY_MB="384"
export DISTCP_AM_JAVA_OPTS="-Xmx256m"
export DISTCP_MAP_MEMORY_MB="384"
export DISTCP_MAP_JAVA_OPTS="-Xmx256m"
export DISTCP_MAP_CPU_VCORES="1"
export DISTCP_MAX_MAPS="2"
export S3_BACKUP_RETENTION_DAYS="7"
EOF

sudo tee /etc/rawlog-s3-backup/use-admin.env >/dev/null <<'EOF'
source /etc/rawlog-s3-backup/common.env
export AWS_PROFILE="${AWS_ADMIN_PROFILE}"
export AWS_SHARED_CREDENTIALS_FILE="${AWS_ADMIN_SHARED_CREDENTIALS_FILE}"
export AWS_CONFIG_FILE="${AWS_ADMIN_CONFIG_FILE}"
export DISTCP_YARN_ENV="AWS_PROFILE=${AWS_PROFILE},AWS_SHARED_CREDENTIALS_FILE=${AWS_SHARED_CREDENTIALS_FILE},AWS_CONFIG_FILE=${AWS_CONFIG_FILE}"
if [ -f /usr/lib/hadoop/tools/lib/hadoop-aws-3.3.6.jar ]; then
  case ":${HADOOP_CLASSPATH:-}:" in
    *":${HADOOP_S3A_CLASSPATH}:"*) ;;
    *) export HADOOP_CLASSPATH="${HADOOP_S3A_CLASSPATH}:${HADOOP_CLASSPATH:-}" ;;
  esac
fi
EOF

sudo tee /etc/rawlog-s3-backup/use-backup.env >/dev/null <<'EOF'
source /etc/rawlog-s3-backup/common.env
export AWS_PROFILE="${AWS_BACKUP_PROFILE}"
export AWS_SHARED_CREDENTIALS_FILE="${AWS_BACKUP_SHARED_CREDENTIALS_FILE}"
export AWS_CONFIG_FILE="${AWS_BACKUP_CONFIG_FILE}"
export DISTCP_YARN_ENV="AWS_PROFILE=${AWS_PROFILE},AWS_SHARED_CREDENTIALS_FILE=${AWS_SHARED_CREDENTIALS_FILE},AWS_CONFIG_FILE=${AWS_CONFIG_FILE}"
if [ -f /usr/lib/hadoop/tools/lib/hadoop-aws-3.3.6.jar ]; then
  case ":${HADOOP_CLASSPATH:-}:" in
    *":${HADOOP_S3A_CLASSPATH}:"*) ;;
    *) export HADOOP_CLASSPATH="${HADOOP_S3A_CLASSPATH}:${HADOOP_CLASSPATH:-}" ;;
  esac
fi
EOF

sudo chmod 0644 /etc/rawlog-s3-backup/*.env

sudo tee /etc/profile.d/rawlog-s3-backup.sh >/dev/null <<'EOF'
use_rawlog_s3_backup_admin() {
  source /etc/rawlog-s3-backup/use-admin.env
}

use_rawlog_s3_backup() {
  source /etc/rawlog-s3-backup/use-backup.env
}
EOF

sudo chmod 0644 /etc/profile.d/rawlog-s3-backup.sh

/etc/profile.d/rawlog-s3-backup.sh は、ログイン時に shell へ読み込まれる恒久設定です。

初期作業用 IAM ユーザーで作業する場合は、以下を実行します。

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup_admin

バックアップ実行用 IAM ユーザーで作業する場合は、以下を実行します。

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup

ログインし直した場合や、新しい terminal で作業する場合も、利用したい profile に合わせてどちらかの関数を実行します。
作業ごとに明示的に切り替えることで、初期作業用 profile を使いっぱなしにすることを避けます。

使い分けは以下です。

作業 実行する関数 参照する credential
S3 bucket / IAM policy / 後始末などの管理系操作 use_rawlog_s3_backup_admin 通常ユーザーの ~/.aws/credentials
S3A 疎通確認、hadoop fs、hadoop distcp の手動実行 use_rawlog_s3_backup /home/hadoop/.aws/credentials
backup_raw_to_s3.sh や一般ユーザー用 wrapper backup-raw-to-s3 の実行 事前初期化は不要 スクリプトまたは wrapper が /etc/rawlog-s3-backup/use-backup.env を読み込む

この記事で以降に出てくる hadoop fs や hadoop distcp の手動実行は、同じログインセッション内で use_rawlog_s3_backup を実行済みである前提です。

現在どちらの profile が有効になっているかは、以下で確認できます。

echo "AWS_PROFILE=${AWS_PROFILE}"
echo "AWS_SHARED_CREDENTIALS_FILE=${AWS_SHARED_CREDENTIALS_FILE}"
echo "AWS_CONFIG_FILE=${AWS_CONFIG_FILE}"
echo "S3_BUCKET_NAME=${S3_BUCKET_NAME}"
aws configure list
aws configure list-profiles

これらのファイルには Access Key ID / Secret Access Key は書きません。
認証情報は AWS CLI の profile に保存し、ここでは profile 名やバケット名など、手順内で使う値だけを管理します。
初期作業用 profile は通常ユーザーの ~/.aws/ を参照し、バックアップ実行用 profile は hadoop ユーザーの /home/hadoop/.aws/ を参照します。

<S3_BUCKET_NAME> は実際に作成するバケット名へ置き換えます。
S3 バケット名は AWS 全体で一意である必要があります。
作成後に修正する場合は、以下のように /etc/rawlog-s3-backup/common.env を編集します。

sudo vi /etc/rawlog-s3-backup/common.env

例です。

your-name-rawlog-backup-20260820

S3バケットを作成する

東京リージョン ap-northeast-1 では、create-bucket-configuration を指定します。

実行ユーザー: 通常ユーザー

aws s3api create-bucket \
  --bucket "${S3_BUCKET_NAME}" \
  --region "${AWS_REGION}" \
  --create-bucket-configuration LocationConstraint="${AWS_REGION}" \
  --profile "${AWS_PROFILE}"

作成できたか確認します。

aws s3api head-bucket \
  --bucket "${S3_BUCKET_NAME}" \
  --profile "${AWS_PROFILE}"

Block Public Accessを有効化する

ログの退避先なので、バケットは公開しません。
Block Public Access を有効化します。

実行ユーザー: 通常ユーザー

aws s3api put-public-access-block \
  --bucket "${S3_BUCKET_NAME}" \
  --public-access-block-configuration \
    BlockPublicAcls=true,IgnorePublicAcls=true,BlockPublicPolicy=true,RestrictPublicBuckets=true \
  --profile "${AWS_PROFILE}"

確認します。

aws s3api get-public-access-block \
  --bucket "${S3_BUCKET_NAME}" \
  --profile "${AWS_PROFILE}"

暗号化を有効化する

必要に応じて、Server-side encryption を有効化します。
ここでは SSE-S3 の例にします。

実行ユーザー: 通常ユーザー

aws s3api put-bucket-encryption \
  --bucket "${S3_BUCKET_NAME}" \
  --server-side-encryption-configuration '{
    "Rules": [
      {
        "ApplyServerSideEncryptionByDefault": {
          "SSEAlgorithm": "AES256"
        }
      }
    ]
  }' \
  --profile "${AWS_PROFILE}"

確認します。

aws s3api get-bucket-encryption \
  --bucket "${S3_BUCKET_NAME}" \
  --profile "${AWS_PROFILE}"

KMS キーを使う場合は、S3 だけでなく KMS 側の権限も確認します。

HTTPS以外のアクセスを拒否する

s3a:// や s3:// は S3 上の場所を表す URI であり、HTTP 通信を指定しているわけではありません。

ただし、誤設定や古いクライアントから平文 HTTP でアクセスされないように、S3 側でも aws:SecureTransport を使って拒否しておきます。

実行ユーザー: 通常ユーザー

cat > rawlog-backup-bucket-policy.json <<EOF
{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "DenyInsecureTransport",
      "Effect": "Deny",
      "Principal": "*",
      "Action": "s3:*",
      "Resource": [
        "arn:aws:s3:::${S3_BUCKET_NAME}",
        "arn:aws:s3:::${S3_BUCKET_NAME}/*"
      ],
      "Condition": {
        "Bool": {
          "aws:SecureTransport": "false"
        }
      }
    }
  ]
}
EOF

aws s3api put-bucket-policy \
  --bucket "${S3_BUCKET_NAME}" \
  --policy file://rawlog-backup-bucket-policy.json \
  --profile "${AWS_PROFILE}"

設定後、bucket policy を確認します。

aws s3api get-bucket-policy \
  --bucket "${S3_BUCKET_NAME}" \
  --query Policy \
  --output text \
  --profile "${AWS_PROFILE}"

ここまでで、S3 側は以下の状態にしました。

  • Block Public Access は有効にする
  • バケットを公開しない
  • 利用するリージョンを確認する
  • 必要に応じてバケットの暗号化を有効にする

S3 の Block Public Access は、バケットやオブジェクトが意図せず公開されることを防ぐための設定です。
ログの退避先なので、公開バケットにはしません。


IAM権限を用意する

Hadoop から S3 へ書き込むための IAM ユーザーと IAM Policy を用意します。

本番運用では IAM Identity Center や AssumeRole、EC2 / ECS / EKS の IAM Role を使う方が望ましいです。
この記事では自宅 Hadoop から試しやすいように、IAM User + Access Key の例にします。

Access Key / Secret Access Key は、記事、GitHub、共有メモには記載しません。

バックアップ用IAMユーザーを作成する

AWS 管理コンソールで作成する場合は、以下の流れです。

作成時のパラメータ例です。

画面 項目 値
ユーザーの詳細 ユーザー名 home-rawlog-backup
ユーザーの詳細 AWS Management Console へのユーザーアクセスを提供する 無効
許可を設定 許可のオプション 後でポリシーをアタッチする
タグ Project home-rawlog-s3-backup
タグ Env lab

AWS CLI で作成する場合です。

実行ユーザー: 通常ユーザー

aws iam create-user \
  --user-name "${IAM_USER_NAME}" \
  --tags Key=Project,Value=home-rawlog-s3-backup Key=Env,Value=lab \
  --profile "${AWS_PROFILE}"

IAM Policyを作成する

今回は、S3 へのコピーと、S3 から HDFS への戻しを試すため、最低限の例として以下を含めます。

  • s3:ListBucket
  • s3:GetBucketLocation
  • s3:GetObject
  • s3:PutObject
  • s3:DeleteObject

distcp は S3A 側に .distcp.tmp... のような一時オブジェクトを作ってからコピーを進めることがあります。
そのため、書き込みだけでなく一時オブジェクトの削除に使う s3:DeleteObject も必要です。
また、distcp の途中で multipart upload が使われる可能性もあるため、AbortMultipartUpload と ListMultipartUploadParts も含めます。

IAM Policy の JSON を作成します。

実行ユーザー: 通常ユーザー

cat > rawlog-s3-backup-policy.json <<EOF
{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "AllowCallerIdentity",
      "Effect": "Allow",
      "Action": [
        "sts:GetCallerIdentity"
      ],
      "Resource": "*"
    },
    {
      "Sid": "AllowRawLogBucketList",
      "Effect": "Allow",
      "Action": [
        "s3:ListBucket",
        "s3:GetBucketLocation"
      ],
      "Resource": [
        "arn:aws:s3:::${S3_BUCKET_NAME}"
      ]
    },
    {
      "Sid": "AllowRawLogObjects",
      "Effect": "Allow",
      "Action": [
        "s3:GetObject",
        "s3:PutObject",
        "s3:DeleteObject",
        "s3:AbortMultipartUpload",
        "s3:ListMultipartUploadParts"
      ],
      "Resource": [
        "arn:aws:s3:::${S3_BUCKET_NAME}/raw/*"
      ]
    }
  ]
}
EOF

生成された policy を確認します。

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "AllowCallerIdentity",
      "Effect": "Allow",
      "Action": [
        "sts:GetCallerIdentity"
      ],
      "Resource": "*"
    },
    {
      "Sid": "AllowRawLogBucketList",
      "Effect": "Allow",
      "Action": [
        "s3:ListBucket",
        "s3:GetBucketLocation"
      ],
      "Resource": [
        "arn:aws:s3:::<S3_BUCKET_NAME>"
      ]
    },
    {
      "Sid": "AllowRawLogObjects",
      "Effect": "Allow",
      "Action": [
        "s3:GetObject",
        "s3:PutObject",
        "s3:DeleteObject",
        "s3:AbortMultipartUpload",
        "s3:ListMultipartUploadParts"
      ],
      "Resource": [
        "arn:aws:s3:::<S3_BUCKET_NAME>/raw/*"
      ]
    }
  ]
}

policy を作成します。

実行ユーザー: 通常ユーザー

export IAM_POLICY_ARN="$(aws iam create-policy \
  --policy-name "${IAM_POLICY_NAME}" \
  --policy-document file://rawlog-s3-backup-policy.json \
  --query Policy.Arn \
  --output text \
  --profile "${AWS_PROFILE}")"

作成した IAM Policy ARN を確認します。

echo "IAM_POLICY_ARN=${IAM_POLICY_ARN}"

作成した policy を IAM ユーザーへアタッチします。

aws iam attach-user-policy \
  --user-name "${IAM_USER_NAME}" \
  --policy-arn "${IAM_POLICY_ARN}" \
  --profile "${AWS_PROFILE}"

確認します。

aws iam list-attached-user-policies \
  --user-name "${IAM_USER_NAME}" \
  --profile "${AWS_PROFILE}"

Access Keyを作成する

Hadoop 実行ホストから使う Access Key を作成します。

実行ユーザー: 通常ユーザー

aws iam create-access-key \
  --user-name "${IAM_USER_NAME}" \
  --profile "${AWS_PROFILE}"

このコマンドでは Access Key ID と Secret Access Key が表示されます。
Secret Access Key が表示されるのは作成時だけなので、安全な場所に保管します。
記事やリポジトリには貼り付けません。

バックアップ実行用の AWS CLI profile を設定します。

hadoopユーザーに home-rawlog-backup profile を設定します。

実行ユーザー: hadoop

aws configure --profile home-rawlog-backup

設定例です。

項目 値
AWS Access Key ID home-rawlog-backup の Access Key ID
AWS Secret Access Key home-rawlog-backup の Secret Access Key
Default region name ap-northeast-1
Default output format json

確認します。

aws sts get-caller-identity \
  --profile home-rawlog-backup

Arn が以下のような IAM ユーザーになっていれば OK です。

arn:aws:iam::<YOUR_AWS_ACCOUNT_ID>:user/home-rawlog-backup

Access Key や Secret Key は記事や設定ファイルに直接書かず、環境変数や credential provider などを使います。

バックアップ実行用profileへ切り替える

ここまでの S3 バケット作成、IAM ユーザー作成、IAM Policy 作成では、初期作業用の home-rawlog-backup-admin profile を使いました。

以降の S3A 接続確認、distcp によるバックアップ、S3 から HDFS への restore 確認では、専用 IAM ユーザー home-rawlog-backup の profile を使います。

hadoop ユーザーの shell で作業する場合は、バックアップ実行用 profile を有効化します。

実行ユーザー: hadoop

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup

この関数により、現在の shell では AWS_PROFILE=home-rawlog-backup が有効になります。
ログインし直した場合は、利用する profile に応じて use_rawlog_s3_backup_admin または use_rawlog_s3_backup を再度実行します。

切り替え後、参照している IAM ユーザーを確認します。

echo "AWS_PROFILE=${AWS_PROFILE}"
aws configure list

aws sts get-caller-identity \
  --profile "${AWS_PROFILE}"

Arn が以下のような IAM ユーザーになっていれば OK です。

arn:aws:iam::<YOUR_AWS_ACCOUNT_ID>:user/home-rawlog-backup

後始末で S3 bucket や IAM Policy、IAM ユーザーを削除する場合は、管理権限が必要になるため、通常ユーザーで初期作業用 profile に戻します。
後始末時に実行する切り替えコマンドは以下です。

実行ユーザー: 通常ユーザー

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup_admin

Hadoop S3A Connectorを導入する

Hadoop から s3a:// を扱うには、S3A Connector が必要です。
Apache Hadoop では hadoop-aws モジュールとして提供されています。

注意点は、Hadoop 本体と hadoop-aws、AWS SDK などの依存ライブラリの組み合わせです。
Hadoop 3.3.6 を使っている場合は、Hadoop 3.3.6 と整合する hadoop-aws を使う必要があります。

適当な最新版 JAR を混在させると、クラスが見つからない、メソッドが見つからない、といった依存関係エラーになりやすいです。

Hadoop 3.3.6 では、少なくとも以下の JAR を Hadoop の classpath に入れます。

JAR 用途
hadoop-aws-3.3.6.jar S3A Connector 本体
aws-java-sdk-bundle-1.12.367.jar Hadoop 3.3.6 の hadoop-aws が使う AWS SDK bundle

Hadoopのバージョンを確認する

まず、実際に使っている Hadoop のバージョンを確認します。

実施ユーザー: 通常ユーザー

hadoop version

この記事では Hadoop 3.3.6 を前提にします。
表示された Hadoop のバージョンが 3.3.6 以外の場合は、hadoop-aws も同じ Hadoop バージョンに合わせます。

既に導入されているか確認する

配布パッケージや Bigtop などで Hadoop を導入している場合、すでに hadoop-aws が含まれていることがあります。

まずは配置されている JAR を確認します。

実施ユーザー: 通常ユーザー

find /usr/lib /opt -name 'hadoop-aws*.jar' 2>/dev/null

AWS SDK bundle も確認します。

find /usr/lib /opt -name 'aws-java-sdk-bundle*.jar' 2>/dev/null

Hadoop の classpath に含まれているか確認します。

hadoop classpath | tr ':' '\n' | grep hadoop-aws

AWS SDK bundle も classpath に含まれているか確認します。

hadoop classpath | tr ':' '\n' | grep aws-java-sdk-bundle

S3Aの設定

S3A の代表的な設定は /etc/hadoop/conf/core-site.xml に記載します。

以下を<configutration>内に追記します。

  <property>
    <name>fs.s3a.impl</name>
    <value>org.apache.hadoop.fs.s3a.S3AFileSystem</value>
  </property>

  <property>
    <name>fs.s3a.endpoint.region</name>
    <value>ap-northeast-1</value>
  </property>

  <property>
    <name>fs.s3a.connection.ssl.enabled</name>
    <value>true</value>
  </property>

  <property>
    <name>fs.s3a.aws.credentials.provider</name>
    <value>com.amazonaws.auth.profile.ProfileCredentialsProvider</value>
  </property>

S3を参照できるか確認します。

実施ユーザー:hadoop

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup

hadoop fs -ls "s3a://${S3_BUCKET_NAME}/"

空のバケットであれば、何も表示されずに終了する場合があります。
エラーにならなければ、少なくとも S3A 経由でバケットへアクセスできています。

失敗した場合は、以下を確認します。

  • hadoop-aws が classpath に含まれているか
  • AWS 認証情報が hadoop ユーザーから見えているか
  • core-site.xml の fs.s3a.aws.credentials.provider が認証方式と合っているか
  • IAM Policy で ListBucket が許可されているか
  • バケット名、リージョン、endpoint の指定が正しいか

HDFS上のrawログを確認する

HDFS 上に raw ログが存在することを確認します。

まず日付ディレクトリを確認し、時間単位のディレクトリがある場合はさらに下の階層も確認します。
時間単位フォルダがないとバックアップされません。

実施ユーザー: 通常ユーザー

sudo -u hadoop hdfs dfs -ls /data/kafka/syslog
sudo -u hadoop hdfs dfs -ls /data/kafka/authlog

特定日を確認する例です。
以下の日付はサンプルです。

sudo -u hadoop hdfs dfs -ls /data/kafka/syslog/2026/08/19
sudo -u hadoop hdfs dfs -ls /data/kafka/authlog/2026/08/19

時間単位のディレクトリがある場合は、さらに下の階層も確認します。

sudo -u hadoop hdfs dfs -ls /data/kafka/syslog/2026/08/19/00
sudo -u hadoop hdfs dfs -ls /data/kafka/authlog/2026/08/19/00

コピー対象にファイルがあるかも確認します。
distcp のログで Paths (files+dirs) cnt = 0 になる場合は、対象日付の配下にコピー対象がありません。

sudo -u hadoop hdfs dfs -count /data/kafka/syslog/2026/08/19
sudo -u hadoop hdfs dfs -count /data/kafka/authlog/2026/08/19

distcpでsyslogをS3へコピーする

まずは syslog の 1 日分を S3 へコピーします。
S3A を使う Hadoop コマンドを実行する前に、バックアップ実行用 profile と S3A classpath を有効化しておきます。

実施ユーザー: 通常ユーザー

sudo mkdir -p /var/lib/hadoop/tmp/mapred/staging
sudo mkdir -p /var/lib/hadoop/tmp/mapred/local

sudo chown -R hadoop:hadoop /var/lib/hadoop/tmp
sudo chmod 1777 /var/lib/hadoop/tmp
sudo chmod 1777 /var/lib/hadoop/tmp/mapred/staging
sudo chmod 1777 /var/lib/hadoop/tmp/mapred/local
source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup
sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop distcp \
  -libjars "${HADOOP_S3A_LIBJARS}" \
  -Dmapreduce.job.queuename="${DISTCP_QUEUE_NAME}" \
  -Dyarn.app.mapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dyarn.app.mapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dmapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.map.memory.mb="${DISTCP_MAP_MEMORY_MB}" \
  -Dmapreduce.map.java.opts="${DISTCP_MAP_JAVA_OPTS}" \
  -Dmapreduce.map.cpu.vcores="${DISTCP_MAP_CPU_VCORES}" \
  -Dyarn.app.mapreduce.am.env="${DISTCP_YARN_ENV}" \
  -Dmapreduce.map.env="${DISTCP_YARN_ENV}" \
  -m "${DISTCP_MAX_MAPS}" \
  -overwrite \
  hdfs://cluster1/data/kafka/syslog/2026/08/19 \
  "s3a://${S3_BUCKET_NAME}/raw/syslog/2026/08/19"

指定している内容は以下です。

引数 内容
hdfs://cluster1/data/kafka/syslog/2026/08/19 コピー元の HDFS パス
s3a://<S3_BUCKET_NAME>/raw/syslog/2026/08/19 コピー先の S3 パス

cluster1 は HDFS の nameservice です。
HA 構成の HDFS を使っている場合、実行ホストの Hadoop 設定に cluster1 の nameservice 定義が入っている必要があります。


authlogもS3へコピーする

authlog も同じようにコピーします。

実施ユーザー: 通常ユーザー

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup
sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop distcp \
  -libjars "${HADOOP_S3A_LIBJARS}" \
  -Dmapreduce.job.queuename="${DISTCP_QUEUE_NAME}" \
  -Dyarn.app.mapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dyarn.app.mapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dmapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.map.memory.mb="${DISTCP_MAP_MEMORY_MB}" \
  -Dmapreduce.map.java.opts="${DISTCP_MAP_JAVA_OPTS}" \
  -Dmapreduce.map.cpu.vcores="${DISTCP_MAP_CPU_VCORES}" \
  -Dyarn.app.mapreduce.am.env="${DISTCP_YARN_ENV}" \
  -Dmapreduce.map.env="${DISTCP_YARN_ENV}" \
  -m "${DISTCP_MAX_MAPS}" \
  -overwrite \
  hdfs://cluster1/data/kafka/authlog/2026/08/19 \
  "s3a://${S3_BUCKET_NAME}/raw/authlog/2026/08/19"

syslog と authlog で S3 側の prefix を分けておくと、後から確認しやすくなります。

s3a://<S3_BUCKET_NAME>/raw/syslog/YYYY/MM/DD
s3a://<S3_BUCKET_NAME>/raw/authlog/YYYY/MM/DD

S3側を確認する

Hadoop コマンドで S3 側を確認します。

実施ユーザー: 通常ユーザー

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup
sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop fs -ls -R \
  "s3a://${S3_BUCKET_NAME}/raw/"

syslog のみ確認する場合です。

sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop fs -ls -R \
  "s3a://${S3_BUCKET_NAME}/raw/syslog/2026/08/19"

authlog のみ確認する場合です。

sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop fs -ls -R \
  "s3a://${S3_BUCKET_NAME}/raw/authlog/2026/08/19"

AWS CLI が使える環境であれば、以下でも確認できます。

実施ユーザー: hadoop

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup
aws s3 ls "s3://${S3_BUCKET_NAME}/raw/" \
  --recursive \
  --profile "${AWS_PROFILE}"

Hadoop 側から見えることと、AWS CLI から見えることの両方を確認しておくと安心です。


前日分をコピーする簡単なスクリプト

毎回日付を手で書くのは少し面倒なので、前日分をコピーする簡単なスクリプトを作ります。

/opt/log-backup/bin/backup_raw_to_s3.sh

実施ユーザー: 通常ユーザー

sudo mkdir -p /opt/log-backup/bin

sudo tee /opt/log-backup/bin/backup_raw_to_s3.sh >/dev/null <<'EOF'
#!/usr/bin/env bash
set -euo pipefail

if [ -r /etc/profile.d/rawlog-s3-backup.sh ]; then
  source /etc/profile.d/rawlog-s3-backup.sh
fi

if [ -z "${AWS_PROFILE:-}" ] && declare -F use_rawlog_s3_backup >/dev/null; then
  use_rawlog_s3_backup
fi

HDFS_NAMESERVICE="${HDFS_NAMESERVICE:-cluster1}"
S3_BUCKET="${S3_BUCKET:-${S3_BUCKET_NAME:-}}"
S3_BUCKET="${S3_BUCKET:?S3_BUCKET or S3_BUCKET_NAME is required}"
AWS_PROFILE="${AWS_PROFILE:-home-rawlog-backup}"
AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE:-/home/hadoop/.aws/credentials}"
AWS_CONFIG_FILE="${AWS_CONFIG_FILE:-/home/hadoop/.aws/config}"
HADOOP_CLASSPATH="${HADOOP_CLASSPATH:?HADOOP_CLASSPATH is required for S3A}"
HADOOP_S3A_LIBJARS="${HADOOP_S3A_LIBJARS:?HADOOP_S3A_LIBJARS is required for distcp on YARN}"
DISTCP_YARN_ENV="${DISTCP_YARN_ENV:-AWS_PROFILE=${AWS_PROFILE},AWS_SHARED_CREDENTIALS_FILE=${AWS_SHARED_CREDENTIALS_FILE},AWS_CONFIG_FILE=${AWS_CONFIG_FILE}}"
DISTCP_QUEUE_NAME="${DISTCP_QUEUE_NAME:-default}"
DISTCP_AM_MEMORY_MB="${DISTCP_AM_MEMORY_MB:-384}"
DISTCP_AM_JAVA_OPTS="${DISTCP_AM_JAVA_OPTS:--Xmx256m}"
DISTCP_MAP_MEMORY_MB="${DISTCP_MAP_MEMORY_MB:-384}"
DISTCP_MAP_JAVA_OPTS="${DISTCP_MAP_JAVA_OPTS:--Xmx256m}"
DISTCP_MAP_CPU_VCORES="${DISTCP_MAP_CPU_VCORES:-1}"
DISTCP_MAX_MAPS="${DISTCP_MAX_MAPS:-2}"
S3_BACKUP_RETENTION_DAYS="${S3_BACKUP_RETENTION_DAYS:-7}"

DT="${DT:-$(date -d yesterday +%Y/%m/%d)}"

HADOOP_USER="${HADOOP_USER:-hadoop}"

copy_raw_log() {
  local log_name="$1"
  local src="hdfs://${HDFS_NAMESERVICE}/data/kafka/${log_name}/${DT}"
  local dst="s3a://${S3_BUCKET}/raw/${log_name}/${DT}"

  echo "[$(date '+%Y-%m-%d %H:%M:%S')] start ${log_name}: ${src} -> ${dst}"

  AWS_PROFILE="${AWS_PROFILE}" \
    AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
    AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
    HADOOP_CLASSPATH="${HADOOP_CLASSPATH:-}" \
    hadoop distcp \
    -libjars "${HADOOP_S3A_LIBJARS}" \
    -Dmapreduce.job.queuename="${DISTCP_QUEUE_NAME}" \
    -Dyarn.app.mapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
    -Dyarn.app.mapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
    -Dmapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
    -Dmapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
    -Dmapreduce.map.memory.mb="${DISTCP_MAP_MEMORY_MB}" \
    -Dmapreduce.map.java.opts="${DISTCP_MAP_JAVA_OPTS}" \
    -Dmapreduce.map.cpu.vcores="${DISTCP_MAP_CPU_VCORES}" \
    -Dyarn.app.mapreduce.am.env="${DISTCP_YARN_ENV}" \
    -Dmapreduce.map.env="${DISTCP_YARN_ENV}" \
    -m "${DISTCP_MAX_MAPS}" \
    -overwrite \
    "${src}" "${dst}"

  echo "[$(date '+%Y-%m-%d %H:%M:%S')] done ${log_name}: ${dst}"
}

rotate_raw_log() {
  local log_name="$1"

  if ! [[ "${S3_BACKUP_RETENTION_DAYS}" =~ ^[0-9]+$ ]]; then
    echo "S3_BACKUP_RETENTION_DAYS must be a number: ${S3_BACKUP_RETENTION_DAYS}" >&2
    exit 1
  fi

  if [ "${S3_BACKUP_RETENTION_DAYS}" -le 0 ]; then
    echo "[$(date '+%Y-%m-%d %H:%M:%S')] skip rotation ${log_name}: S3_BACKUP_RETENTION_DAYS=${S3_BACKUP_RETENTION_DAYS}"
    return
  fi

  local dt_iso="${DT//\//-}"
  local dt_epoch
  local cutoff_epoch
  dt_epoch="$(date -d "${dt_iso} 00:00:00" +%s)"
  cutoff_epoch="$((dt_epoch - S3_BACKUP_RETENTION_DAYS * 86400))"

  local prefix="raw/${log_name}/"
  local backup_dt
  local backup_epoch
  local target

  AWS_PROFILE="${AWS_PROFILE}" \
    AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
    AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
    aws s3api list-objects-v2 \
    --bucket "${S3_BUCKET}" \
    --prefix "${prefix}" \
    --query 'Contents[].Key' \
    --output text \
    --profile "${AWS_PROFILE}" |
  tr '\t' '\n' |
  awk -F/ 'NF >= 6 && $3 ~ /^[0-9]{4}$/ && $4 ~ /^[0-9]{2}$/ && $5 ~ /^[0-9]{2}$/ {print $3"/"$4"/"$5}' |
  sort -u |
  while read -r backup_dt; do
    [ -n "${backup_dt}" ] || continue
    backup_epoch="$(date -d "${backup_dt//\//-} 00:00:00" +%s)"

    if [ "${backup_epoch}" -ge "${cutoff_epoch}" ]; then
      continue
    fi

    target="s3://${S3_BUCKET}/raw/${log_name}/${backup_dt}"

    echo "[$(date '+%Y-%m-%d %H:%M:%S')] rotate ${log_name}: delete ${target}"

    AWS_PROFILE="${AWS_PROFILE}" \
      AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
      AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
      aws s3 rm "${target}" \
      --recursive \
      --only-show-errors \
      --profile "${AWS_PROFILE}"
  done
}

echo "[$(date '+%Y-%m-%d %H:%M:%S')] backup date: ${DT}"
copy_raw_log "syslog"
copy_raw_log "authlog"
rotate_raw_log "syslog"
rotate_raw_log "authlog"
echo "[$(date '+%Y-%m-%d %H:%M:%S')] backup finished"
EOF

sudo chmod +x /opt/log-backup/bin/backup_raw_to_s3.sh

実行例です。

実施ユーザー: hadoop

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup
HDFS_NAMESERVICE='cluster1' \
  /opt/log-backup/bin/backup_raw_to_s3.sh

このスクリプトは /etc/profile.d/rawlog-s3-backup.sh を読み込み、AWS_PROFILE が未設定であれば use_rawlog_s3_backup でバックアップ実行用 profile を有効化します。
S3_BUCKET が未設定の場合は、/etc/rawlog-s3-backup/common.env の S3_BUCKET_NAME を使います。
また、バックアップ完了後に S3_BACKUP_RETENTION_DAYS より古い S3 側の日付 prefix を削除します。
初期値は 7 日です。
たとえば DT=2026/08/30 で実行した場合、raw/syslog/2026/08/23 と raw/authlog/2026/08/23 以前の日付 prefix を削除し、2026/08/24 から 2026/08/30 の 7 日分を残します。
削除対象は S3 上に存在する raw/<log_name>/YYYY/MM/DD/ 形式の日付 prefix から判定します。
そのため、数日分だけでなく、長期間前の古いバックアップが残っている場合もまとめて削除できます。
ローテーションを止めたい場合は、S3_BACKUP_RETENTION_DAYS=0 を指定します。

今回は手動実行までにしています。
必要になれば、cron や systemd timer で日次実行してもよさそうです。

ログイン直後の一般ユーザーから、環境変数を毎回読み込まずに単発実行したい場合は、一般ユーザー用の wrapper を作ります。
実際の distcp は hadoop ユーザーで実行し、AWS credential file も /home/hadoop/.aws/ を使います。

ファイル:

/usr/local/bin/backup-raw-to-s3

実行ユーザー: 通常ユーザー

sudo tee /usr/local/bin/backup-raw-to-s3 >/dev/null <<'EOF'
#!/usr/bin/env bash
set -euo pipefail

source /etc/rawlog-s3-backup/use-backup.env

sudo -u hadoop \
  AWS_REGION="${AWS_REGION}" \
  AWS_PROFILE="${AWS_BACKUP_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_BACKUP_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_BACKUP_CONFIG_FILE}" \
  S3_BUCKET_NAME="${S3_BUCKET_NAME}" \
  HDFS_NAMESERVICE="${HDFS_NAMESERVICE:-cluster1}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  HADOOP_S3A_LIBJARS="${HADOOP_S3A_LIBJARS}" \
  DISTCP_YARN_ENV="${DISTCP_YARN_ENV}" \
  DISTCP_QUEUE_NAME="${DISTCP_QUEUE_NAME}" \
  DISTCP_AM_MEMORY_MB="${DISTCP_AM_MEMORY_MB}" \
  DISTCP_AM_JAVA_OPTS="${DISTCP_AM_JAVA_OPTS}" \
  DISTCP_MAP_MEMORY_MB="${DISTCP_MAP_MEMORY_MB}" \
  DISTCP_MAP_JAVA_OPTS="${DISTCP_MAP_JAVA_OPTS}" \
  DISTCP_MAP_CPU_VCORES="${DISTCP_MAP_CPU_VCORES}" \
  DISTCP_MAX_MAPS="${DISTCP_MAX_MAPS}" \
  S3_BACKUP_RETENTION_DAYS="${S3_BACKUP_RETENTION_DAYS}" \
  DT="${DT:-$(date -d yesterday +%Y/%m/%d)}" \
  /opt/log-backup/bin/backup_raw_to_s3.sh
EOF

sudo chmod 755 /usr/local/bin/backup-raw-to-s3

これでログイン直後の一般ユーザーから次のように実行できます。

HDFS_NAMESERVICE='cluster1' \
backup-raw-to-s3

対象日を明示したい場合です。
backup_raw_to_s3.sh は HDFS の日付 directory に合わせて YYYY/MM/DD 形式を使います。

DT=2026/08/18 HDFS_NAMESERVICE='cluster1' backup-raw-to-s3

sudo -u hadoop を使うため、実行ユーザーには sudo 権限が必要です。
パスワード入力なしで実行したい場合は、対象ユーザーを絞って sudoers に許可を追加します。

例です。

sudo visudo -f /etc/sudoers.d/rawlog-backup
your-user ALL=(hadoop) NOPASSWD: SETENV: /opt/log-backup/bin/backup_raw_to_s3.sh

your-user は実際に手動実行する OS ユーザー名に置き換えます。
SETENV は wrapper から AWS_PROFILE、HADOOP_CLASSPATH、DT などを hadoop ユーザー側へ渡すために必要です。
/etc/sudoers.d/rawlog-backup は visudo で編集し、構文エラーを避けます。

ログオフ後も継続させたい場合は、systemd service から起動します。

sudo tee /etc/systemd/system/backup-raw-to-s3.service >/dev/null <<'EOF'
[Unit]
Description=Backup raw logs from HDFS to S3

[Service]
Type=oneshot
User=hadoop
Group=hadoop
Environment=HDFS_NAMESERVICE=cluster1
Environment=S3_BACKUP_RETENTION_DAYS=7
ExecStart=/opt/log-backup/bin/backup_raw_to_s3.sh
EOF

sudo systemctl daemon-reload

手動で systemd service を起動する場合です。

sudo systemctl start backup-raw-to-s3.service
journalctl -u backup-raw-to-s3.service -n 100 --no-pager

systemd から起動した job はログインセッションに紐づかないため、SSH をログオフしても継続します。
一方で、/opt/log-backup/bin/backup_raw_to_s3.sh や backup-raw-to-s3 を SSH 上で直接実行した場合は、その SSH セッションに紐づく foreground process になるため、ログオフで停止する可能性があります。


S3からHDFSへ戻してみる

コピーするだけでなく、S3 から HDFS へ戻せることも確認します。

いきなり元の本番パスへ戻すのではなく、検証用の restore パスへ戻します。
S3A を使うため、バックアップ実行用 profile と S3A classpath を有効化しておきます。

実行ユーザー: 通常ユーザー

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup

syslog の例です。

sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop distcp \
  -libjars "${HADOOP_S3A_LIBJARS}" \
  -Dmapreduce.job.queuename="${DISTCP_QUEUE_NAME}" \
  -Dyarn.app.mapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dyarn.app.mapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dmapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.map.memory.mb="${DISTCP_MAP_MEMORY_MB}" \
  -Dmapreduce.map.java.opts="${DISTCP_MAP_JAVA_OPTS}" \
  -Dmapreduce.map.cpu.vcores="${DISTCP_MAP_CPU_VCORES}" \
  -Dyarn.app.mapreduce.am.env="${DISTCP_YARN_ENV}" \
  -Dmapreduce.map.env="${DISTCP_YARN_ENV}" \
  -m "${DISTCP_MAX_MAPS}" \
  -overwrite \
  "s3a://${S3_BUCKET_NAME}/raw/syslog/2026/08/19" \
  hdfs://cluster1/data/kafka/syslog_restore/2026/08/19

authlog の例です。

sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop distcp \
  -libjars "${HADOOP_S3A_LIBJARS}" \
  -Dmapreduce.job.queuename="${DISTCP_QUEUE_NAME}" \
  -Dyarn.app.mapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dyarn.app.mapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dmapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.map.memory.mb="${DISTCP_MAP_MEMORY_MB}" \
  -Dmapreduce.map.java.opts="${DISTCP_MAP_JAVA_OPTS}" \
  -Dmapreduce.map.cpu.vcores="${DISTCP_MAP_CPU_VCORES}" \
  -Dyarn.app.mapreduce.am.env="${DISTCP_YARN_ENV}" \
  -Dmapreduce.map.env="${DISTCP_YARN_ENV}" \
  -m "${DISTCP_MAX_MAPS}" \
  -overwrite \
  "s3a://${S3_BUCKET_NAME}/raw/authlog/2026/08/19" \
  hdfs://cluster1/data/kafka/authlog_restore/2026/08/19

restore 先を分けておくことで、既存の /data/kafka/syslog/ や /data/kafka/authlog/ を誤って上書きするリスクを避けられます。


リストア結果を確認する

HDFS 側に戻したファイルを確認します。

実行ユーザー: 通常ユーザー

sudo -u hadoop hdfs dfs -ls -R \
  /data/kafka/syslog_restore/2026/08/19
sudo -u hadoop hdfs dfs -ls -R \
  /data/kafka/authlog_restore/2026/08/19

容量を確認する場合です。

sudo -u hadoop hdfs dfs -du -h \
  /data/kafka/syslog_restore/2026/08/19

ファイル数やディレクトリ数を確認する場合です。

sudo -u hadoop hdfs dfs -count \
  /data/kafka/syslog_restore/2026/08/19

必要に応じて、コピー元の HDFS、S3、restore 先 HDFS の件数や容量を見比べます。


Icebergについて

今回バックアップしたのは Iceberg テーブルではなく、HDFS 上の raw ログです。

raw ログを HDFS へ戻せれば、既存の処理を再実行して Hive curated や Iceberg を再生成する用途にも使えます。

もちろん Iceberg 自体を直接バックアップする方法もありますが、今回はそこまでは扱いません。
この記事では、まず raw ログを S3 へ退避できるかに絞ります。


トラブルシューティング

S3AFileSystemが見つからない

以下のようなエラーが出る場合です。

ClassNotFoundException:
org.apache.hadoop.fs.s3a.S3AFileSystem

hadoop-aws が classpath に入っているか確認します。

find /usr/lib /opt -name 'hadoop-aws*.jar' 2>/dev/null
find /usr/lib /opt -name 'aws-java-sdk-bundle*.jar' 2>/dev/null

hadoop classpath | tr ':' '\n' | grep hadoop-aws
hadoop classpath | tr ':' '\n' | grep aws-java-sdk-bundle

sudo -u hadoop -H env AWS_PROFILE=... hadoop ... のように実行している場合は、通常ユーザー側の HADOOP_CLASSPATH が hadoop ユーザーへ渡っていない可能性があります。
まず、現在の shell でこの記事用の設定を読み込み、HADOOP_CLASSPATH に S3A Connector が含まれているか確認します。

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup

echo "HADOOP_CLASSPATH=${HADOOP_CLASSPATH}"
ls -l /usr/lib/hadoop/tools/lib/hadoop-aws-3.3.6.jar
ls -l /usr/lib/hadoop/tools/lib/aws-java-sdk-bundle-1.12.367.jar

hadoop fs -ls s3a://... は成功するのに、distcp の job commit で同じ ClassNotFoundException が出る場合は、YARN 上の ApplicationMaster / task 側に S3A JAR が渡っていません。
distcp では -libjars で S3A の JAR を配布します。

echo "HADOOP_S3A_LIBJARS=${HADOOP_S3A_LIBJARS}"

distcp 実行時は以下のように指定します。

hadoop distcp \
  -libjars "${HADOOP_S3A_LIBJARS}" \
  -overwrite \
  <SOURCE> \
  <DESTINATION>

手動配置した JAR を使う場合は、以下のように HADOOP_CLASSPATH も明示して実行します。

sudo -u hadoop -H env \
  AWS_PROFILE="${AWS_PROFILE}" \
  AWS_SHARED_CREDENTIALS_FILE="${AWS_SHARED_CREDENTIALS_FILE}" \
  AWS_CONFIG_FILE="${AWS_CONFIG_FILE}" \
  HADOOP_CLASSPATH="${HADOOP_CLASSPATH}" \
  hadoop fs -D fs.s3a.impl=org.apache.hadoop.fs.s3a.S3AFileSystem \
  -ls "s3a://${S3_BUCKET_NAME}/"

bucket is null/empty

以下のようなエラーが出る場合は、S3_BUCKET_NAME が未設定、または <S3_BUCKET_NAME> のまま残っている可能性があります。

bucket is null/empty

設定値を確認します。

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup

echo "S3_BUCKET_NAME=${S3_BUCKET_NAME}"

<S3_BUCKET_NAME> のままであれば、実際のバケット名に修正します。

sudo vi /etc/rawlog-s3-backup/common.env

The config profile could not be found

以下のようなエラーが出る場合は、現在参照している AWS CLI の config / credentials に、指定した profile が存在しません。

The config profile (home-rawlog-backup-admin) could not be found

まず、どの profile 名で、どのファイルを参照しているか確認します。

echo "AWS_PROFILE=${AWS_PROFILE}"
echo "AWS_SHARED_CREDENTIALS_FILE=${AWS_SHARED_CREDENTIALS_FILE}"
echo "AWS_CONFIG_FILE=${AWS_CONFIG_FILE}"
aws configure list-profiles

初期作業用 profile を使う場合は、通常ユーザーで以下を設定します。

aws configure --profile home-rawlog-backup-admin

バックアップ実行用 profile を hadoop ユーザーで使う場合は、以下を設定します。

sudo -u hadoop -H aws configure --profile home-rawlog-backup

use_rawlog_s3_backup_admin は通常ユーザーの ~/.aws/ を参照し、use_rawlog_s3_backup は hadoop ユーザーの /home/hadoop/.aws/ を参照します。
そのため、admin profile を通常ユーザーで作ったのに /home/hadoop/.aws/config を見ている場合は、/etc/rawlog-s3-backup/common.env と use-admin.env を作り直します。

No AWS profile named default

distcp の job commit で以下のようなエラーが出る場合です。

No AWS profile named 'default'

クライアント側では AWS_PROFILE=home-rawlog-backup が有効でも、YARN 上の ApplicationMaster や Map task に AWS_PROFILE が渡っていない可能性があります。
この記事の distcp 例では、以下の値を DISTCP_YARN_ENV として渡します。

echo "DISTCP_YARN_ENV=${DISTCP_YARN_ENV}"

DISTCP_YARN_ENV には以下が含まれている必要があります。

AWS_PROFILE=home-rawlog-backup
AWS_SHARED_CREDENTIALS_FILE=/home/hadoop/.aws/credentials
AWS_CONFIG_FILE=/home/hadoop/.aws/config

hadoop ユーザーに対象 profile があることも確認します。

sudo -u hadoop -H aws sts get-caller-identity \
  --profile home-rawlog-backup

targetPathが存在しない

distcp に -update -delete を付けた状態で、コピー先 prefix がまだ存在しない場合、job commit で以下のようなエラーになることがあります。

CopyListing$InvalidInputException:
s3a://<S3_BUCKET_NAME>/raw/syslog/YYYY/MM/DD doesn't exist

初回コピーや検証では、-update -delete を付けずに実行します。
特に -delete はコピー元に無いものをコピー先から削除するため、バックアップ先では慎重に使います。

また、以下のようにコピー対象数が 0 の場合は、コピー元の日付配下にファイルが無い可能性があります。

Paths (files+dirs) cnt = 0
Number of paths in the copy list: 0

コピー元を確認します。

sudo -u hadoop hdfs dfs -ls -R /data/kafka/syslog/YYYY/MM/DD
sudo -u hadoop hdfs dfs -count /data/kafka/syslog/YYYY/MM/DD

AWS SDK依存関係エラー

AWS SDK 関連のクラスやメソッドでエラーになる場合は、Hadoop 本体、hadoop-aws、AWS SDK のバージョン整合性を確認します。

Hadoop 3.3.6 を使っている場合は、Hadoop 3.3.6 と組み合わせる前提の依存関係に揃えるのが基本です。
未確認の最新版 JAR を個別に追加するのは避けます。

YARNのメモリ上限を超える

distcp 実行時に以下のようなエラーが出る場合は、MapReduce ApplicationMaster または Map task が YARN の最大割当より大きいメモリを要求しています。

Invalid resource request
Requested resource=<memory:1536, vCores:1>
maximum allowed allocation=<memory:1024, vCores:4>

この記事の手順では、検証用の設定で distcp の要求メモリを 384MB に抑えています。

echo "DISTCP_AM_MEMORY_MB=${DISTCP_AM_MEMORY_MB}"
echo "DISTCP_AM_JAVA_OPTS=${DISTCP_AM_JAVA_OPTS}"
echo "DISTCP_MAP_MEMORY_MB=${DISTCP_MAP_MEMORY_MB}"
echo "DISTCP_MAP_JAVA_OPTS=${DISTCP_MAP_JAVA_OPTS}"
echo "DISTCP_MAX_MAPS=${DISTCP_MAX_MAPS}"

上限が 1024MB の環境では、hadoop distcp の直後に -Dkey=value 形式で指定します。
-D key=value のように空白を入れると、-D がコピー元パスとして解釈されるため注意します。

hadoop distcp \
  -libjars "${HADOOP_S3A_LIBJARS}" \
  -Dmapreduce.job.queuename="${DISTCP_QUEUE_NAME}" \
  -Dyarn.app.mapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dyarn.app.mapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.am.resource.mb="${DISTCP_AM_MEMORY_MB}" \
  -Dmapreduce.am.command-opts="${DISTCP_AM_JAVA_OPTS}" \
  -Dmapreduce.map.memory.mb="${DISTCP_MAP_MEMORY_MB}" \
  -Dmapreduce.map.java.opts="${DISTCP_MAP_JAVA_OPTS}" \
  -Dmapreduce.map.cpu.vcores="${DISTCP_MAP_CPU_VCORES}" \
  -Dyarn.app.mapreduce.am.env="${DISTCP_YARN_ENV}" \
  -Dmapreduce.map.env="${DISTCP_YARN_ENV}" \
  -m "${DISTCP_MAX_MAPS}" \
  -overwrite \
  <SOURCE> \
  <DESTINATION>

.distcp.tmpのdeleteでAccessDeniedになる

distcp 実行中に以下のようなエラーが出る場合です。

AccessDeniedException:
delete on s3a://<S3_BUCKET_NAME>/raw/syslog/YYYY/MM/DD/.distcp.tmp...

User: arn:aws:iam::<YOUR_AWS_ACCOUNT_ID>:user/home-rawlog-backup
is not authorized to perform: s3:DeleteObject

この場合、コピー先へ PutObject はできていても、S3A / DistCp が作成した一時オブジェクトを削除する権限が足りません。
この記事の IAM Policy に s3:DeleteObject を含めているのはこのためです。

すでに IAM Policy を作成済みの場合は、初期作業用 profile に切り替え、s3:DeleteObject を含めた policy document を作り直して新しい policy version を作成します。
以下はそのまま貼り付けて実行できます。

実行ユーザー: 通常ユーザー

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup_admin

echo "AWS_PROFILE=${AWS_PROFILE}"
echo "S3_BUCKET_NAME=${S3_BUCKET_NAME}"
echo "IAM_POLICY_NAME=${IAM_POLICY_NAME}"

export IAM_POLICY_ARN="$(aws iam list-policies \
  --scope Local \
  --query "Policies[?PolicyName=='${IAM_POLICY_NAME}'].Arn | [0]" \
  --output text \
  --profile "${AWS_PROFILE}")"

echo "IAM_POLICY_ARN=${IAM_POLICY_ARN}"

if [ -z "${IAM_POLICY_ARN}" ] || [ "${IAM_POLICY_ARN}" = "None" ]; then
  echo "IAM policy not found: ${IAM_POLICY_NAME}" >&2
  exit 1
fi

cat > rawlog-s3-backup-policy.json <<EOF
{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "AllowCallerIdentity",
      "Effect": "Allow",
      "Action": [
        "sts:GetCallerIdentity"
      ],
      "Resource": "*"
    },
    {
      "Sid": "AllowRawLogBucketList",
      "Effect": "Allow",
      "Action": [
        "s3:ListBucket",
        "s3:GetBucketLocation"
      ],
      "Resource": [
        "arn:aws:s3:::${S3_BUCKET_NAME}"
      ]
    },
    {
      "Sid": "AllowRawLogObjects",
      "Effect": "Allow",
      "Action": [
        "s3:GetObject",
        "s3:PutObject",
        "s3:DeleteObject",
        "s3:AbortMultipartUpload",
        "s3:ListMultipartUploadParts"
      ],
      "Resource": [
        "arn:aws:s3:::${S3_BUCKET_NAME}/raw/*"
      ]
    }
  ]
}
EOF

aws iam create-policy-version \
  --policy-arn "${IAM_POLICY_ARN}" \
  --policy-document file://rawlog-s3-backup-policy.json \
  --set-as-default \
  --profile "${AWS_PROFILE}"

S3A の一時オブジェクトは raw/ 配下に作られるため、この例では arn:aws:s3:::<S3_BUCKET_NAME>/raw/* に対して s3:DeleteObject を許可しています。
検証用のバックアップバケット全体へ広げるのではなく、実際に distcp で使う prefix に絞って許可します。

403 AccessDenied

S3 へのアクセス権限が不足している可能性があります。

以下を確認します。

  • IAM Policy
  • Bucket Policy
  • 認証情報
  • 対象 prefix
  • KMS 暗号化を使っている場合の KMS 権限

HDFS Permission denied

HDFS 側で権限が不足している可能性があります。

以下を確認します。

  • distcp の実行ユーザー
  • HDFS の owner / group / permission
  • HDFS ACL
  • restore 先ディレクトリの作成権限

S3へ接続できない

S3 へ接続できない場合は、以下を確認します。

  • バケットのリージョン
  • S3A の endpoint / region 設定
  • proxy や firewall
  • AWS 認証情報
  • hadoop ユーザーの環境変数

後始末

検証が終わり、S3 側の raw ログバックアップを残さない場合は削除します。

誤削除防止のため、対象のバケット名、prefix、IAM ユーザー名を必ず確認してから実行します。

変数を確認する

実行ユーザー: 通常ユーザー

source /etc/profile.d/rawlog-s3-backup.sh
use_rawlog_s3_backup_admin

export IAM_POLICY_ARN="$(aws iam list-policies \
  --scope Local \
  --query "Policies[?PolicyName=='${IAM_POLICY_NAME}'].Arn | [0]" \
  --output text \
  --profile "${AWS_PROFILE}")"

IAM_POLICY_ARN が None になる場合は、対象の IAM Policy が存在するか確認します。

aws iam list-policies \
  --scope Local \
  --query "Policies[?PolicyName=='${IAM_POLICY_NAME}']" \
  --output table \
  --profile "${AWS_PROFILE}"

削除対象を確認します。

echo "AWS_PROFILE=${AWS_PROFILE}"
echo "S3_BUCKET_NAME=${S3_BUCKET_NAME}"
echo "IAM_USER_NAME=${IAM_USER_NAME}"
echo "IAM_POLICY_NAME=${IAM_POLICY_NAME}"
echo "IAM_POLICY_ARN=${IAM_POLICY_ARN}"

HDFSのrestore検証パスを削除する

S3 から HDFS へ戻した検証用パスが不要であれば削除します。

実行ユーザー: 通常ユーザー

sudo -u hadoop hdfs dfs -rm -r \
  /data/kafka/syslog_restore/2026/08/19

sudo -u hadoop hdfs dfs -rm -r \
  /data/kafka/authlog_restore/2026/08/19

日付ディレクトリだけでなく restore 全体が不要な場合は、対象を確認してから削除します。

sudo -u hadoop hdfs dfs -ls /data/kafka/

S3上のrawログを削除する

検証でコピーした S3 上の raw ログを削除します。

実行ユーザー: 通常ユーザー

aws s3 rm \
  s3://${S3_BUCKET_NAME}/raw/syslog/2026/08/19 \
  --recursive \
  --profile "${AWS_PROFILE}"

aws s3 rm \
  s3://${S3_BUCKET_NAME}/raw/authlog/2026/08/19 \
  --recursive \
  --profile "${AWS_PROFILE}"

バケット内の raw/ 全体を削除する場合です。

aws s3 rm \
  s3://${S3_BUCKET_NAME}/raw/ \
  --recursive \
  --profile "${AWS_PROFILE}"

S3バケットを削除する

バケット自体が不要であれば、空にしてから削除します。

実行ユーザー: 通常ユーザー

aws s3 rb s3://${S3_BUCKET_NAME} \
  --force \
  --profile "${AWS_PROFILE}"

S3 Versioning を有効にしているバケットでは、--force だけでは過去バージョンや delete marker が残る場合があります。
その場合は、バージョニング対象の削除手順を別途確認します。

IAM Access Keyを削除する

不要になった Access Key を削除します。
まず対象 IAM ユーザーの Access Key を確認します。

実行ユーザー: 通常ユーザー

aws iam list-access-keys \
  --user-name "${IAM_USER_NAME}" \
  --profile "${AWS_PROFILE}"

削除対象の Access Key ID を指定して削除します。

aws iam delete-access-key \
  --user-name "${IAM_USER_NAME}" \
  --access-key-id "<ACCESS_KEY_ID>" \
  --profile "${AWS_PROFILE}"

<ACCESS_KEY_ID> は実際の値に置き換えます。
Secret Access Key は表示されないため、Access Key ID で確認します。

IAM PolicyとIAMユーザーを削除する

作成した IAM Policy をユーザーからデタッチします。

実行ユーザー: 通常ユーザー

aws iam detach-user-policy \
  --user-name "${IAM_USER_NAME}" \
  --policy-arn "${IAM_POLICY_ARN}" \
  --profile "${AWS_PROFILE}"

IAM Policy を削除します。

aws iam delete-policy \
  --policy-arn "${IAM_POLICY_ARN}" \
  --profile "${AWS_PROFILE}"

IAM ユーザーが不要であれば削除します。

aws iam delete-user \
  --user-name "${IAM_USER_NAME}" \
  --profile "${AWS_PROFILE}"

ローカルファイルを削除する

作業端末に作成した一時ファイルが不要であれば削除します。

実行ユーザー: 通常ユーザー

rm -f rawlog-backup-bucket-policy.json
rm -f rawlog-s3-backup-policy.json

検証用に作成した env ファイルと切り替え用の恒久設定が不要であれば削除します。

sudo rm -f /etc/profile.d/rawlog-s3-backup.sh
sudo rm -f /etc/rawlog-s3-backup/common.env
sudo rm -f /etc/rawlog-s3-backup/use-admin.env
sudo rm -f /etc/rawlog-s3-backup/use-backup.env
sudo rmdir /etc/rawlog-s3-backup

まとめ

hadoop distcp を使って、HDFS 上の raw ログを Amazon S3 へコピーしてみました。

S3A Connector を使うことで、HDFS と S3 を Hadoop FileSystem API 経由で扱えます。
そのため、コピー元を HDFS、コピー先を s3a:// にするだけで、HDFS から S3 への退避を試せました。

逆方向に distcp すれば、S3 から HDFS の検証用パスへ戻すこともできます。

raw ログを S3 に保管しておけば、必要に応じて HDFS へ戻し、既存処理から Hive curated や Iceberg を再生成する用途にも使えそうです。

今後必要になれば、日次実行の自動化や S3 側の保持期間管理も考えていきます。


参考

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?