为什么 SequenceFile 被截断了？

Question

我正在学习Hadoop，这个问题困扰了我一段时间。基本上我是将 SequenceFile 写入磁盘然后读回。但是，每次阅读时我都会得到一个EOFException。仔细一看，写序列文件的时候，过早截断了，而且总是在写索引962之后发生，而且文件总是固定大小45056字节。

我在 MacBook Pro 上使用 Java 8 和 Hadoop 2.5.1。事实上，我在 Java 7 下的另一台 Linux 机器上尝试了相同的代码，但同样的事情发生了。

我可以排除writer/reader没有正确关闭。如代码所示，我尝试使用带有显式 writer.close() 的旧样式 try/catch，并且还使用较新的 try-with-resource 方法。两者都不起作用。

任何帮助将不胜感激。

以下是我使用的代码：

public class SequenceFileDemo {

private static final String[] DATA = { "One, two, buckle my shoe",
    "Three, four, shut the door",
    "Five, six, pick up sticks",
    "Seven, eight, lay them straight",
    "Nine, ten, a big fat hen" };

public static void main(String[] args) throws Exception {
    String uri = "file:///Users/andy/Downloads/puzzling.seq";
    Configuration conf = new Configuration();
    FileSystem fs = FileSystem.get(URI.create(uri), conf);

    Path path = new Path(uri);      
    IntWritable key = new IntWritable();
    Text value = new Text();

    //API change
    try {
        SequenceFile.Writer writer = SequenceFile.createWriter(conf, 
            stream(fs.create(path)),
            keyClass(IntWritable.class),
            valueClass(Text.class));

        for ( int i = 0; i < 1024; i++ ) {
            key.set( i);
            value.clear();
            value.set(DATA[i % DATA.length]);

            writer.append(key, value);
            if ( (i-1) %100 == 0 ) writer.hflush();
            System.out.printf("[%s]\t%s\t%s\n", writer.getLength(), key, value);
        }

        writer.close();

    } catch (Exception e ) {
        e.printStackTrace();
    }


    try {
        SequenceFile.Reader reader = new SequenceFile.Reader(conf, 
                SequenceFile.Reader.file(path));
        Class<?> keyClass = reader.getKeyClass();
        Class<?> valueClass = reader.getValueClass();

        boolean isWritableSerilization = false;
        try {
            keyClass.asSubclass(WritableComparable.class);
            isWritableSerilization = true;
        } catch (ClassCastException e) {

        }

        if ( isWritableSerilization ) {
            WritableComparable<?> rKey = (WritableComparable<?>) ReflectionUtils.newInstance(keyClass, conf);
            Writable rValue = (Writable) ReflectionUtils.newInstance(valueClass, conf);
            while(reader.next(rKey, rValue)) {
                System.out.printf("[%s] %d %s=%s\n",reader.syncSeen(), reader.getPosition(), rKey, rValue);
            }
        } else {
            //make sure io.seraizliatons has the serialization in use when write the sequence file
        }

        reader.close();
    } catch(IOException e) {
        e.printStackTrace();
    }
}

}

Answer 1

我认为您在写入循环后缺少 writer.close()。这应该保证在你开始阅读之前最后冲洗一下。

Answer 2

我确实发现了错误，那是因为你从来没有关闭在 Writer.stream(fs.create(path)) 中创建的流。

出于某种原因，关闭不会向下传播到您刚刚在那里创建的流。我想这是一个错误，但我暂时懒得在 Jira 中查找它。

解决问题的一种方法是简单地使用 Writer.file(path)。

显然，您也可以直接关闭创建流。在下面找到我更正的示例：

    Path path = new Path("file:///tmp/puzzling.seq");

    try (FSDataOutputStream stream = fs.create(path)) {
        try (SequenceFile.Writer writer = SequenceFile.createWriter(conf, Writer.stream(stream),
                Writer.keyClass(IntWritable.class), Writer.valueClass(NullWritable.class))) {

            for (int i = 0; i < 1024; i++) {
                writer.append(new IntWritable(i), NullWritable.get());
            }
        }
    }

    try (SequenceFile.Reader reader = new SequenceFile.Reader(conf, Reader.file(path))) {
        Class<?> keyClass = reader.getKeyClass();
        Class<?> valueClass = reader.getValueClass();

        WritableComparable<?> rKey = (WritableComparable<?>) ReflectionUtils.newInstance(keyClass, conf);
        Writable rValue = (Writable) ReflectionUtils.newInstance(valueClass, conf);
        while (reader.next(rKey, rValue)) {
            System.out.printf("%s = %s\n", rKey, rValue);
        }

    }

Answer 3

感谢托马斯。

归根结底是作者是否创建了"owns"不是的流。创建writer时，如果传入选项Writer.file(path)，writer "owns"内部创建的底层流，close( ）叫做。然而，如果我们传入 Writer.stream(aStream)，作者会假设其他人是该流的响应，并且不会在调用 close() 时关闭它。简而言之，这不是错误，只是我对它的了解不够深入。 .

为什么 SequenceFile 被截断了？

Why the SequenceFile is truncated?

java

hadoop

sequencefile