hsync()不适用于SequenceFile编写器

Question

我有一个小程序，它每秒向HDFS上的块压缩同步写入10条记录，然后每5分钟运行一次SequenceFile ()，以确保超过5分钟的所有内容都可用于处理。

因为我的代码只有几行，所以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，同步操作似乎就像预期的那样工作，但是，HDFS上的文件仍然很小。一段时间后，可能会添加一些头部和一些事件，但频率甚至接近我的hsync()。一旦文件关闭，所有内容都会立即刷新。

在每次预期的同步之后，还会尝试手动检查文件的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

是否有任何已知的原因导致writer.hsync()无法工作，如果是这样，是否有解决方法？

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sequencefile时有一个fsync，然后没有更多的fsync。文件关闭后，内容将写入光盘。

Answer 1

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在内存中缓冲，然后在达到限制或手动调用sync时以块压缩的形式写入。

当您在编写器上调用hsync时，它会在其底层FSDataOutputStream上调用hsync。但是，这不会写入位于内存压缩缓冲区中的数据。因此，要将数据可靠地发送到Datanode，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，并可能导致更多的光盘使用。(我猜这就是hsync不在内部调用sync的原因。)

报告给Namenode的

1. 文件大小

调用fsync会将数据发送到数据节点，但不会向名称节点报告新的文件大小。有关这方面的技术讨论可以在here和here上找到。显然，每次更新长度都不利于性能。有一个特殊版本的hsync，它允许更新名称节点信息，但它不会被SequenceFile.Writer公开。

    * @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);
    }

另一方面，对于压缩类型Record和None，SequenceFile.Reader中存在一个错误。对于这些压缩类型，阅读器使用长度信息来确定要读取的距离。由于此长度信息不会由hsync更新，因此即使数据实际上可用，它也会错误地停止读取。Block压缩阅读显然不使用长度信息，也不会受到此错误的影响。