копирование в и из hdfs в Hadoop Streaming - PullRequest
Новая
       9

копирование в и из hdfs в Hadoop Streaming

1 голос
/ 07 октября 2011

Я задавал подобный вопрос к этому ранее, но после некоторого изучения у меня есть лучшее понимание того, что происходит, но я хотел бы видеть, есть ли у других людей альтернативные решения для моего подхода.

Проблема

Предположим, вы пытаетесь написать потоковое задание Hadoop, которое собирает файлы очень больших файлов в формате hdf. Руководство по потоковой передаче Hadoop предлагает вам написать картограф для копирования файла из hdf на локальный узел, выполнить свою работу, а затем скопировать файл обратно в hdfs.Вот небольшой скрипт с некоторым дополнительным кодом, который объясняется встроенным, для выполнения чуть более простой задачи: просто переименуйте некоторый файл

Сценарий 

#!/bin/bash

# Remove "s from the environment variable to work around a stupid bug in hadoop.
export HADOOP_CLIENT_OPTS=`echo $HADOOP_CLIENT_OPTS | tr -d '"'`

# Get just the size of the file on the local disk.
function localSize() {
 ls -l $1 | awk '{ print $5 }'
}

# Get just the size of the file on HDFS.  Oddly, the first command includes a 
# new line at the start of the size, so we remove it by using a substring.
function hdfsSize() {
 s=`hadoop dfs -ls /some/other/path/$1 | awk '{ print $5 }'`
 echo ${s:1}
}

while read line
do
 ds=ourFile.dat
 # Copy the file from HDFS to local disk.
 hadoop dfs -copyToLocal /path/to/some/large/file/$ds $ds
 # Spin until the file is fully copied.
 while [ ! -f $ds ]
 do 
  echo "spin"
  sleep 1 
 done

 # Delete the renamed version of the file and copy it.
 hadoop dfs -rm /some/other/path/blah
 hadoop dfs -copyFromLocal $ds /some/other/path/blah
 # Print out the sizes of the file on local disk and hdfs, they *should* be equal
 localSize $ds
 hdfsSize blah
 # If they aren't equal, spin until they are.
 while [ "`localSize $ds`" != "`hdfsSize blah`" ]
 do
  echo "copy spin"
  sleep 1
 done
 # Print out the file size at the end, just for fun.
 hadoop dfs -ls /some/other/path/blah
done

Вывод

После запускасценарий, мы получаем этот вывод 

spin
spin
spin
Deleted hdfs://kracken:54310/some/other/path/blah
200890778
67108864
copy spin
Found 1 items   
-rw-r--r--   3 hadoop supergroup  200890778 2011-10-06 16:00 /home/stevens35/blah

Проблема

Кажется очевидным, что hadoop dfs -copyToLocal и hadoop dfs -copyFromLocal, кажется, возвращаются до того, как соответствующие файлы закончили передачу, как видно извыходы spin и copy spin.Я предполагаю, что потоковый jvm Hadoop принимает поток, созданный командой hadoop dfs, и поэтому потоки передачи файлов продолжают работать даже после выхода hadoop dfs, но это всего лишь предположение.Это становится особенно раздражающим, когда файл большой, и потоковая передача Hadoop завершается до того, как последний файл завершит копирование;кажется, что передача файлов заканчивается на полпути, и у вас остаётся файл paritial в HDFS.Похоже, этот мой хак, по крайней мере, гарантирует, что файлы заканчивают копировать.

Должен заметить, что я использую версию 0.20.2 + 737 Cloudera.

Кто-нибудь сталкивался с этой проблемой?Какую альтернативную работу вы нашли?И была ли эта проблема исправлена ​​в новых выпусках Hadoop?

...