Hadoop hsync()不适用于SequenceFile Writer
我有一个小程序,每秒将10条记录写入HDFS上的块压缩SequenceFile,然后每5分钟运行一次sync(),以确保超过5分钟的所有内容都可以处理 因为我的代码有很多行,所以我只提取了重要的部分:Hadoop hsync()不适用于SequenceFile Writer,hadoop,hdfs,sequencefile,Hadoop,Hdfs,Sequencefile,我有一个小程序,每秒将10条记录写入HDFS上的块压缩SequenceFile,然后每5分钟运行一次sync(),以确保超过5分钟的所有内容都可以处理 因为我的代码有很多行,所以我只提取了重要的部分: // initialize Configuration hdfsConfig = new Configuration(); CompressionCodecFactory codecFactory = new CompressionCodecFactory(hdfsConfig); Compr
// initialize
Configuration hdfsConfig = new Configuration();
CompressionCodecFactory codecFactory = new CompressionCodecFactory(hdfsConfig);
CompressionCodec compressionCodec = codecFactory.getCodecByName("default");
SequenceFile.Writer writer = SequenceFile.createWriter(
hdfsConfig,
SequenceFile.Writer.file(path),
SequenceFile.Writer.keyClass(LongWritable.class),
SequenceFile.Writer.valueClass(Text.class),
SequenceFile.Writer.compression(SequenceFile.CompressionType.BLOCK;, compressionCodec)
);
// ...
// append
LongWritable key = new LongWritable((new Date).getTime());
Text val = new Text("Some value");
writer.append(key, val);
// ...
// then every 5 minutes...
logger.info("about to sync...");
writer.hsync();
logger.info("synced!");
仅从日志来看,同步操作似乎与预期一样工作,但是HDFS上的文件仍然很小。一段时间后,可能会添加一些标题和事件,但频率甚至接近I hsync()。文件关闭后,所有内容都将立即刷新
在每次预期的同步之后,您也尝试手动检查文件内容以查看数据是否存在,但是,文件在此处也显示为空:
hdfs dfs-文本文件名
writer.hsync()不起作用有什么已知的原因吗?如果有,有什么解决办法吗
此问题的其他测试用例:
import java.util.HashMap;
import java.util.Map;
import java.util.Date;
import java.util.Calendar;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import java.io.IOException;
import java.text.SimpleDateFormat;
import java.text.DateFormat;
import java.text.ParseException;
import java.util.Calendar;
import java.util.Date;
import java.util.Locale;
public class WriteTest {
private static final Logger LOG = LoggerFactory.getLogger(WriteTest.class);
public static void main(String[] args) throws Exception {
SequenceFile.CompressionType compressionType = SequenceFile.CompressionType.RECORD;
CompressionCodec compressionCodec;
String compressionCodecStr = "default";
CompressionCodecFactory codecFactory;
Configuration hdfsConfig = new Configuration();
codecFactory = new CompressionCodecFactory(hdfsConfig);
compressionCodec = codecFactory.getCodecByName(compressionCodecStr);
String hdfsURL = "hdfs://10.0.0.1/writetest/";
Date date = new Date();
Path path = new Path(
hdfsURL,
"testfile" + date.getTime()
);
SequenceFile.Writer writer = SequenceFile.createWriter(
hdfsConfig,
SequenceFile.Writer.keyClass(LongWritable.class),
SequenceFile.Writer.valueClass(Text.class),
SequenceFile.Writer.compression(compressionType, compressionCodec),
SequenceFile.Writer.file(path)
);
for(int i=0;i<10000000;i++) {
Text value = new Text("New value!");
LongWritable key = new LongWritable(date.getTime());
writer.append(key, value);
writer.hsync();
Thread.sleep(1000);
}
writer.close();
}
}
import java.util.HashMap;
导入java.util.Map;
导入java.util.Date;
导入java.util.Calendar;
导入org.apache.hadoop.conf.Configuration;
导入org.apache.hadoop.fs.FileSystem;
导入org.apache.hadoop.fs.Path;
导入org.apache.hadoop.fs.FSDataOutputStream;
导入org.apache.hadoop.io.SequenceFile;
导入org.apache.hadoop.io.compress.CompressionCodecFactory;
导入org.apache.hadoop.io.compress.CompressionCodec;
导入org.apache.hadoop.io.LongWritable;
导入org.apache.hadoop.io.NullWritable;
导入org.apache.hadoop.io.Text;
导入org.apache.hadoop.io.writeable;
导入java.io.IOException;
导入java.text.simpleDataFormat;
导入java.text.DateFormat;
导入java.text.ParseException;
导入java.util.Calendar;
导入java.util.Date;
导入java.util.Locale;
公共类WriteTest{
私有静态最终记录器LOG=LoggerFactory.getLogger(WriteTest.class);
公共静态void main(字符串[]args)引发异常{
SequenceFile.CompressionType CompressionType=SequenceFile.CompressionType.RECORD;
压缩编解码器压缩编解码器;
字符串压缩codecstr=“默认”;
压缩工厂;
配置hdfsConfig=新配置();
codecFactory=新的压缩codecFactory(hdfsConfig);
compressionCodec=codecFactory.getCodecByName(compressionCodecStr);
字符串hdfsURL=”hdfs://10.0.0.1/writetest/";
日期=新日期();
路径=新路径(
hdfsURL,
“testfile”+date.getTime()
);
SequenceFile.Writer Writer=SequenceFile.createWriter(
hdfsConfig,
SequenceFile.Writer.keyClass(LongWritable.class),
SequenceFile.Writer.valueClass(Text.class),
SequenceFile.Writer.compression(压缩类型,压缩编解码器),
SequenceFile.Writer.file(路径)
);
对于(int i=0;i,这里有多个问题
块压缩
当您对序列文件使用块压缩时,这意味着当达到限制或手动调用sync
时,许多条目将在内存中缓冲,然后以块压缩形式写入
当您在writer上调用hsync
时,它会在其底层FSDataOutputStream
上调用hsync
。但是,这不会写入内存中压缩缓冲区中的数据。因此,要将数据可靠地发送到数据节点,您必须先调用sync
,然后调用hsync
请注意,这样做意味着发送到Datanode的块压缩部分包含的条目比通常更少。这对压缩质量有负面影响,可能会导致更多的光盘使用。(我想这就是hsync
不在内部调用sync
的原因。)
报告给Namenode的文件大小
调用fsync
会将数据发送到Datanodes,但不会向namenode报告新的文件大小。关于这一点的技术讨论可以找到,并且可以找到。显然,每次更新长度都会对性能造成不利影响。hsync
有一个特殊版本,允许更新namenode信息,但它不是exposed bySequenceFile.Writer
* @param syncFlags
* Indicate the semantic of the sync. Currently used to specify
* whether or not to update the block length in NameNode.
*/
public void hsync(EnumSet<SyncFlag> syncFlags) throws IOException {
flushOrSync(true, syncFlags);
}
*@param syncFlags
*指示同步的语义。当前用于指定
*是否更新NameNode中的块长度。
*/
public void hsync(EnumSet syncFlags)引发IOException{
flushOrSync(true,syncFlags);
}
一方面,大小问题意味着,即使某些工具报告的文件大小没有改变,数据仍然安全地到达了Datanodes,并且在其上打开InputStream时可以读取。另一方面,SequenceFile.Reader for compression typeRecord
和None
中存在缺陷。使用这些压缩类型读取器使用长度信息确定读取的距离。由于此长度信息未由hsync
更新,因此即使数据实际可用,它也会错误地停止读取。Block
压缩读取显然不使用长度信息,并且不会出现此错误