2

我有一个小程序，每秒将 10 条记录写入 HDFS 上的块压缩序列文件，然后每 5 分钟运行一次 sync() 以确保所有超过 5 分钟的内容都可用于处理。

由于我的代码有很多行，我只提取了重要的部分：

// 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，同步操作似乎按预期工作，但是 HDFS 上的文件仍然很小。一段时间后，可能会添加一些标头和一些事件，但甚至接近我 hsync() 的频率。文件关闭后，所有内容都会立即刷新。

每次预期同步后，还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 -text filename

是否有任何已知原因导致 writer.hsync() 不起作用，如果是，是否有任何解决方法？

此问题的进一步测试用例：

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();
    }
}

结果是在开始写入序列文件头时有一个 fsync，然后没有更多 fsync。一旦文件关闭，内容就会写入光盘。

4

1 回答 1

0

这里有多个问题。

  1. 块压缩

当您对序列文件使用块压缩时，这意味着许多条目将缓冲在内存中，然后在达到限制或手动调用时以块压缩形式写入。sync

当您调用hsyncwriter 时，它会调用hsync其底层FSDataOutputStream. 但是，这不会将位于内存中的压缩缓冲区中的数据写入。因此，要将数据可靠地发送到 Datanode，您必须先调用sync，然后再调用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要少。这会对压缩质量产生负面影响，并且可能会导致更多的磁盘使用。（我想这就是为什么hsync不sync内部调用的原因。）

  1. 报告给 Namenode 的文件大小

调用fsync将数据发送到 Datanodes，但不会向 namenode 报告新的文件大小。可以在此处和此处找到有关此的技术讨论。显然，每次更新长度都会对性能不利。有一个特殊版本hsync允许更新 Namenode 信息，但它不会被SequenceFile.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);
    }

一方面，大小问题意味着即使某些工具报告文件大小不变，但数据仍然安全地到达 Datanodes，并且可以在打开 InputStream 时读取它们。另一方面，SequenceFile.Reader 中存在压缩类型Record和None. 使用这些压缩类型，Reader 使用长度信息来确定读取的距离。由于此长度信息未更新，hsync因此即使数据实际可用，它也会错误地停止读取。Block压缩阅读显然不使用长度信息并且不受此错误的影响。

于 2016-06-06T18:10:41.900 回答