查询包含水槽流的外部表时出现的单元错误

Question

在CDH 5.4上，我试图在Twitter分析上创建一个演示，使用：

1. 将tweet捕获到HDFS文件夹的水槽
2. 使用Hive-Serde查询tweet的蜂巢

步骤1是成功的。我可以看到，这些tweet正在被捕获并正确地定向到所需的HDFS文件夹。我注意到，首先创建一个临时文件，然后将其转换为永久文件：

-rw-r--r--   3 root hadoop       7548 2015-10-06 06:39 /user/flume/tweets/FlumeData.1444127932782
-rw-r--r--   3 root hadoop      10034 2015-10-06 06:39 /user/flume/tweets/FlumeData.1444127932783.tmp

我使用的是下表声明：

CREATE EXTERNAL TABLE tweets(
    id bigint, 
    created_at string, 
    lang string, 
    source string, 
    favorited boolean, 
    retweet_count int, 
    retweeted_status 
    struct<text:string,user:struct<screen_name:string,name:string>>,
    entities struct<urls:array<struct<expanded_url:string>>,
    user_mentions:array<struct<screen_name:string,name:string>>,
    hashtags:array<struct<text:string>>>,
    text string,
    user struct<location:string,geo_enabled:string,screen_name:string,name:string,friends_count:int,followers_count:int,statuses_count:int,verified:boolean,utc_offset:int,time_zone:string>,
    in_reply_to_screen_name string)
ROW FORMAT SERDE 'com.cloudera.hive.serde.JSONSerDe'
STORED AS INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION 'hdfs://master.ds.com:8020/user/flume/tweets';

但是，当我查询这个表时，我会得到以下错误：

hive> select count(*) from tweets;

Ended Job = job_1443526273848_0140 with errors
...
Diagnostic Messages for this Task:
Error: java.io.IOException: java.lang.reflect.InvocationTargetException
        at org.apache.hadoop.hive.io.HiveIOExceptionHandlerChain.handleRecordReaderCreation
        ... 11 more

Caused by: java.io.FileNotFoundException: File does not exist: /user/flume/tweets/FlumeData.1444128601078.tmp
        at org.apache.hadoop.hdfs.server.namenode.INodeFile.valueOf(INodeFile.java:66)
        ...

FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask
MapReduce Jobs Launched:

Stage-Stage-1: Map: 2  Reduce: 1   Cumulative CPU: 1.19 sec   HDFS Read: 10492 HDFS Write: 0 FAIL

我认为这个问题与临时文件有关，该文件是由Hive查询生成的映射减少作业，而不是正在读取的。是否可以进行一些工作或配置更改来成功地处理这一问题？

Answer 1

我也有过同样的经历，我通过将some_agent.hdfssink.hdfs.inUsePrefix = . hdfs.inUseSuffix = .temp下面的hdfs接收器配置添加到我的flume配置文件来解决这个问题。

希望它能帮到你。