Apache spark 通过分区将拼花地板数据附加到同一基本路径的多个spark作业

我有多个要并行执行的作业，它们使用分区将每日数据附加到同一路径中

e、 g

作业1-类别=“计费\u事件” 作业2-类别=“单击事件”

这两个作业都将在执行之前截断s3存储桶中存在的任何现有分区，然后将生成的拼花文件保存到各自的分区中

i、 e

作业1->s3://bucket/save/path/eventDate=20160101/channel=billing\u事件

作业2->s3://bucket/save/path/eventDate=20160101/channel=单击事件

我面临的问题是spark在作业执行期间创建的临时文件。它将计算文件保存到基本路径

s3://bucket/save/path/_temporary/

因此，两个作业最终共享同一个临时文件夹并导致冲突，我注意到这可能导致一个作业删除临时文件，而另一个作业失败，s3的404表示预期的临时文件不存在

有没有人遇到过这个问题，并提出了一种策略，使作业在相同的基本路径上并行执行

---

我现在正在使用spark 1.6.0

我怀疑这是因为spark 1.6中引入了对分区发现的更改。这些更改意味着，如果您指定了“basepath”选项（请参阅Spark发行说明），Spark将仅将类似于

../xxx=yyy/

的路径视为分区

因此，我认为如果您添加basepath选项，您的问题将得到解决，如下所示：

dataFrame
  .write()
  .partitionBy("eventDate", "category")
  .option("basepath", "s3://bucket/save/path")
  .mode(Append)
  .parquet("s3://bucket/save/path");

---

（我还没有机会验证它，但希望它能起到作用：）

所以在读了很多关于如何解决这个问题的书之后，我想我会在这里传授一些智慧来总结一下。多亏了好未来的评论

我还发现，直接写入s3://bucket/save/path似乎很危险，因为如果作业被终止，并且临时文件夹的清理不会在作业结束时进行，它似乎是留给下一个作业的，我注意到有时前一个被杀死的作业临时文件会放在s3://bucket/save/path中并导致重复。。。完全不可靠

此外，将临时文件夹文件重命名为其相应的s3文件需要大量时间（每个文件约1秒），因为s3仅支持复制/删除而不支持重命名。此外，只有驱动程序实例使用单个线程重命名这些文件，因此有多达1/5的具有大量文件/分区的作业仅用于等待重命名操作

出于一些原因，我排除了使用DirectOutputCommitter的可能性

当与推测模式结合使用时，会导致重复（）

任务失败会留下杂乱的东西，以后不可能找到并移除/清理

Spark 2.0已完全取消对此的支持，并且不存在升级路径。（）

执行这些作业的唯一安全、高效且一致的方法是首先将它们保存到hdfs中唯一的临时文件夹（通过applicationId或时间戳唯一）。并在作业完成时复制到S3

---

这允许并发作业在保存到唯一的临时文件夹时执行，无需使用DirectOutputCommitter，因为HDFS上的重命名操作比S3更快，并且保存的数据更一致。

而不是使用

分区方式

dataFrame.write().
         partitionBy("eventDate", "category")
            .mode(Append)
            .parquet("s3://bucket/save/path");

或者，您可以将文件编写为

在作业1中，将拼花文件路径指定为：

dataFrame.write().mode(Append)            
.parquet("s3://bucket/save/path/eventDate=20160101/channel=billing_events")

dataFrame.write().mode(Append)            
.parquet("s3://bucket/save/path/eventDate=20160101/channel=click_events")

&在作业2中，将拼花地板文件路径指定为：

dataFrame.write().mode(Append)            
.parquet("s3://bucket/save/path/eventDate=20160101/channel=billing_events")

dataFrame.write().mode(Append)            
.parquet("s3://bucket/save/path/eventDate=20160101/channel=click_events")

这两个作业将在各自的文件夹下创建单独的临时目录，从而解决并发问题

对于通道列，当eventDate=20160101时也会发生分区发现

缺点-即使数据中不存在channel=click\u事件，也会创建channel=click\u事件的拼花文件

---

当在

FileOutputCommitter

的

cleanupJob

中删除

\u-temporary

时，具有“partitionBy”的同一路径的多个写入任务将失败，例如

没有这样的文件或目录

测试代码：

def batchTask[A](TASK_tag: String, taskData: TraversableOnce[A], batchSize: Int, fTask: A => Unit, fTaskId: A => String): Unit = {
  var list = new scala.collection.mutable.ArrayBuffer[(String, java.util.concurrent.Future[Int])]()
  val executors = java.util.concurrent.Executors.newFixedThreadPool(batchSize)
  try {
    taskData.foreach(d => {
      val task = executors.submit(new java.util.concurrent.Callable[Int] {
        override def call(): Int = {
          fTask(d)
          1
        }
      })
      list += ((fTaskId(d), task))
    })
    var count = 0
    list.foreach(r => if (!r._2.isCancelled) count += r._2.get())
  } finally {
    executors.shutdown()
  }
}
def testWriteFail(outPath: String)(implicit spark: SparkSession, sc: SparkContext): Unit = {
  println(s"try save: ${outPath}")
  import org.apache.spark.sql.functions._
  import spark.sqlContext.implicits._
  batchTask[Int]("test", 1 to 20, 6, t => {
    val df1 =
      Seq((1, "First Value", java.sql.Date.valueOf("2010-01-01")), (2, "Second Value", java.sql.Date.valueOf("2010-02-01")))
        .toDF("int_column", "string_column", "date_column")
        .withColumn("t0", lit(t))
    df1.repartition(1).write
      .mode("overwrite")
      .option("mapreduce.fileoutputcommitter.marksuccessfuljobs", false)
      .partitionBy("t0").csv(outPath)
  }, t => f"task.${t}%4d") // some Exception
  println(s"fail: count=${spark.read.csv(outPath).count()}")
}
try {
  testWriteFail(outPath + "/fail")
} catch {
  case e: Throwable =>
}

失败

使用输出提交程序：

package org.jar.spark.util
import java.io.IOException
/*
  * 用于 DataFrame 多任务写入同一个目录。
  * <pre>
  * 1. 基于临时目录写入
  * 2. 如果【任务的输出】可能会有重叠，不要使用 overwrite 方式，以免误删除
  * </pre>
  * <p/>
  * Created by liao on 2018-12-02.
  */
object JMultiWrite {
  val JAR_Write_Cache_Flag = "jar.write.cache.flag"
  val JAR_Write_Cache_TaskId = "jar.write.cache.taskId"
  /** 自动删除目标目录下同名子目录 */
  val JAR_Write_Cache_Overwrite = "jar.write.cache.overwrite"
  implicit class ImplicitWrite[T](dw: org.apache.spark.sql.DataFrameWriter[T]) {
    /**
      * 输出到文件，需要在外面配置 option format mode 等
      *
      * @param outDir    输出目标目录
      * @param taskId    此次任务ID，用于隔离各任务的输出，必须具有唯一性
      * @param cacheDir  缓存目录，最好是 '_' 开头的目录，如 "_jarTaskCache"
      * @param overwrite 是否删除已经存在的目录，默认 false 表示 Append模式
      *                  <font color=red>（如果 并行任务可能有相同 子目录输出时，会冲掉，此时不要使用 overwrite）</font>
      */
    def multiWrite(outDir: String, taskId: String, cacheDir: String = "_jarTaskCache", overwrite: Boolean = false): Boolean = {
      val p = path(outDir, cacheDir, taskId)
      dw.options(options(cacheDir, taskId))
        .option(JAR_Write_Cache_Overwrite, overwrite)
        .mode(org.apache.spark.sql.SaveMode.Overwrite)
        .save(p)
      true
    }
  }
  def options(cacheDir: String, taskId: String): Map[String, String] = {
    Map(JAR_Write_Cache_Flag -> cacheDir,
      JAR_Write_Cache_TaskId -> taskId,
      "mapreduce.fileoutputcommitter.marksuccessfuljobs" -> "false",
      "mapreduce.job.outputformat.class" -> classOf[JarOutputFormat].getName
    )
  }
  def path(outDir: String, cacheDir: String, taskId: String): String = {
    assert(outDir != "", "need OutDir")
    assert(cacheDir != "", "need CacheDir")
    assert(taskId != "", "needTaskId")
    outDir + "/" + cacheDir + "/" + taskId
  }
  /*-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-o-*/
  class JarOutputFormat extends org.apache.hadoop.mapreduce.lib.output.TextOutputFormat {
    var committer: org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter = _

    override def getOutputCommitter(context: org.apache.hadoop.mapreduce.TaskAttemptContext): org.apache.hadoop.mapreduce.OutputCommitter = {
      if (this.committer == null) {
        val output = org.apache.hadoop.mapreduce.lib.output.FileOutputFormat.getOutputPath(context)
        this.committer = new JarOutputCommitter(output, context)
      }
      this.committer
    }
  }
  class JarOutputCommitter(output: org.apache.hadoop.fs.Path, context: org.apache.hadoop.mapreduce.TaskAttemptContext)
    extends org.apache.hadoop.mapreduce.lib.output.FileOutputCommitter(output, context) {
    override def commitJob(context: org.apache.hadoop.mapreduce.JobContext): Unit = {
      val finalOutput = this.output
      val cacheFlag = context.getConfiguration.get(JAR_Write_Cache_Flag, "")
      val myTaskId = context.getConfiguration.get(JAR_Write_Cache_TaskId, "")
      val overwrite = context.getConfiguration.getBoolean(JAR_Write_Cache_Overwrite, false)
      val hasCacheFlag = finalOutput.getName == myTaskId && finalOutput.getParent.getName == cacheFlag
      val finalReal = if (hasCacheFlag) finalOutput.getParent.getParent else finalOutput // 确定最终目录
      // 遍历输出目录
      val fs = finalOutput.getFileSystem(context.getConfiguration)
      val jobAttemptPath = getJobAttemptPath(context)
      val arr$ = fs.listStatus(jobAttemptPath, new org.apache.hadoop.fs.PathFilter {
        override def accept(path: org.apache.hadoop.fs.Path): Boolean = !"_temporary".equals(path.getName())
      })
      if (hasCacheFlag && overwrite) // 移除同名子目录
      {
        if (fs.isDirectory(finalReal)) arr$.foreach(stat =>
          if (fs.isDirectory(stat.getPath)) fs.listStatus(stat.getPath).foreach(stat2 => {
            val p1 = stat2.getPath
            val p2 = new org.apache.hadoop.fs.Path(finalReal, p1.getName)
            if (fs.isDirectory(p1) && fs.isDirectory(p2) && !fs.delete(p2, true)) throw new IOException("Failed to delete " + p2)
          })
        )
      }
      arr$.foreach(stat => {
        mergePaths(fs, stat, finalReal)
      })
      cleanupJob(context)
      if (hasCacheFlag) { // 移除缓存目录
        try {
          fs.delete(finalOutput, false)
          val pp = finalOutput.getParent
          if (fs.listStatus(pp).isEmpty)
            fs.delete(pp, false)
        } catch {
          case e: Exception =>
        }
      }
      // 不用输出 _SUCCESS 了
      //if (context.getConfiguration.getBoolean("mapreduce.fileoutputcommitter.marksuccessfuljobs", true)) {
      //  val markerPath = new org.apache.hadoop.fs.Path(this.outputPath, "_SUCCESS")
      //  fs.create(markerPath).close()
      //}
    }
  }
  @throws[IOException]
  def mergePaths(fs: org.apache.hadoop.fs.FileSystem, from: org.apache.hadoop.fs.FileStatus, to: org.apache.hadoop.fs.Path): Unit = {
    if (from.isFile) {
      if (fs.exists(to) && !fs.delete(to, true)) throw new IOException("Failed to delete " + to)
      if (!fs.rename(from.getPath, to)) throw new IOException("Failed to rename " + from + " to " + to)
    }
    else if (from.isDirectory) if (fs.exists(to)) {
      val toStat = fs.getFileStatus(to)
      if (!toStat.isDirectory) {
        if (!fs.delete(to, true)) throw new IOException("Failed to delete " + to)
        if (!fs.rename(from.getPath, to)) throw new IOException("Failed to rename " + from + " to " + to)
      }
      else {
        val arr$ = fs.listStatus(from.getPath)
        for (subFrom <- arr$) {
          mergePaths(fs, subFrom, new org.apache.hadoop.fs.Path(to, subFrom.getPath.getName))
        }
      }
    }
    else if (!fs.rename(from.getPath, to)) throw new IOException("Failed to rename " + from + " to " + to)
  }
}

成功：

这同样适用于其他输出格式，请注意使用

覆盖

火花试验2.11.8

---

感谢@Tal Joffe

在分区本身没有任何问题，这更像是并发性问题。当作业执行时，一些内部机制会在基本路径s3://bucket/save/path/\u temporary处创建临时文件，这意味着两个作业不能有效地在同一基本路径上运行。另外，我不确定设置基本路径对于分区发现是强制性的，只有在创建分区时指向子路径而不是基本路径的情况下dataframe@vcetinick似乎我们在使用HDFS时遇到了类似的问题，我将进行更多的调查，并可能在Spark问题跟踪程序中提交一个bug。您可以使用direct output committer，因为它不使用临时文件夹，因此不会发生冲突。direct output committer将数据写入存储桶，然后作业失败，并将部分数据留在s3中，而这些数据永远不会被清除。是否存在任何风险？是的肯定由于对文件系统的提交是在任务级别上完成的（即对于每个输出文件），因此可以对部分数据进行修改。我们解决这个问题的方法是（直接）写入临时文件夹，并在Spark作业完成后将其复制到最终目标（使用S3DistCp步骤）。我寻找了一个更好的方法来解决这个问题，但我发现这是一个很好的问题-我正要着手做类似的事情，但没有考虑共享的

\u临时
文件夹（顺便说一句，这是个多么糟糕的主意…）这个问题有没有干净的解决方案？我检查了vcetinick解决方案，它肯定会起作用，但我们有洛杉矶spark的解决方案吗
$  ls ok/
t0=1  t0=10 t0=11 t0=12 t0=13 t0=14 t0=15 t0=16 t0=17 t0=18 t0=19 t0=2  t0=20 t0=3  t0=4  t0=5  t0=6  t0=7  t0=8  t0=9