我有每日文件夹，包含大量文本文件的HDFS上有很多tar.gz文件。
发现其中一些tar.gz已损坏，导致hive / mapreduce作业在处理这些文件时因“意外的流结束”而崩溃。
我找到了一些并用tar -zxvf测试了它们。它们确实以错误退出，但在此之前仍然提取了相当数量的文件。
当tar / gz文件损坏时，有没有办法阻止hive / mapreduce作业崩溃？
我测试了一些错误跳过和容错参数，如
mapred.skip.attempts.to.start.skipping，
mapred.skip.map.max.skip.records，
mapred.skip.mode.enabled，
了mapred.map.max.attempts，
mapred.max.map.failures.percent，
mapreduce.map.failures.maxpercent。
在少数情况下，它帮助处理完整的文件夹而不会崩溃，但这主要是因为这导致作业挂起而根本没有完成。
解压缩hadoop之外的每个文件只是为了重新压缩它们（以获得干净的gzip文件）然后再次上传到hdfs将是一个非常痛苦的过程（因为额外的步骤和这将产生大量的数据）< / p>
有人找到了更干净/更优雅的解决方案吗？
感谢您的帮助。
答案 0 :(得分：1)
我来这里的派对已经很晚了，但我刚刚面对腐败的gzip文件这个问题。我最后通过编写自己的RecordReader来解决它，它会捕获IOExceptions，记录有问题的文件的名称，然后优雅地丢弃该文件并转到下一个文件。
我已在此处写了一些详细信息（包括自定义Record Reader的代码：http://daynebatten.com/2016/03/dealing-with-corrupt-or-blank-files-in-hadoop/
答案 1 :(得分：0)
我基本上看到了两种方法：