Question

首先，考虑一下这个CustomWriter类：

public final class CustomWriter {

  private final SequenceFile.Writer writer;

  CustomWriter(Configuration configuration, Path outputPath) throws IOException {
    FileSystem fileSystem = FileSystem.get(configuration);
    if (fileSystem.exists(outputPath)) {
      fileSystem.delete(outputPath, true);
    }

    writer = SequenceFile.createWriter(configuration,
        SequenceFile.Writer.file(outputPath),
        SequenceFile.Writer.keyClass(LongWritable.class),
        SequenceFile.Writer.valueClass(ItemWritable.class),
        SequenceFile.Writer.compression(SequenceFile.CompressionType.BLOCK, new DefaultCodec()),
        SequenceFile.Writer.blockSize(1024 * 1024),
        SequenceFile.Writer.bufferSize(fileSystem.getConf().getInt("io.file.buffer.size", 4 * 1024)),
        SequenceFile.Writer.replication(fileSystem.getDefaultReplication(outputPath)),
        SequenceFile.Writer.metadata(new SequenceFile.Metadata()));
  }

  public void close() throws IOException {
    writer.close();
  }

  public void write(Item item) throws IOException {
    writer.append(new LongWritable(item.getId()), new ItemWritable(item));
  }
}

我要做的是使用Item类型对象的异步流。使用者可以引用CustomWriter实例。然后，它会为其收到的每个项调用CustomWriter#write方法。当流结束时，调用CustomWriter#close方法关闭编写器。

正如您所看到的，我只创建了一个编写器，它开始追加到一个全新的文件中。因此，毫无疑问this不是原因。

我还应该注意，我目前正在使用MiniDFSCluster按照说明here在单元测试环境中运行此功能。如果我在非单元测试环境中运行它（即没有MiniDFSCluster），它似乎工作正常。

当我尝试回读文件时，我看到的是最后写入的Item个对象N次（其中N是流中接收的项目总数）。这是一个例子：

sparkContext.hadoopFile(path, SequenceFileInputFormat.class, LongWritable.class, ItemWritable.class)
    .collect()
    .forEach(new BiConsumer<>() {
      @Override
      public void accept(Tuple2<LongWritable, ItemWritable> tuple) {
        LongWritable id = tuple._1();
        ItemWritable item = tuple._2();
        System.out.print(id.get() + " -> " + item.get());
      }
    });

这将打印出类似这样的内容：

...
1234 -> Item[...]
1234 -> Item[...]
1234 -> Item[...]
...

我做错了什么，或者这是使用MiniDFSCluster的副作用吗？

Answer 1

在处理数据期间会重复使用

Writable（例如LongWritable, ItemWritable）。收到记录时，Writable通常只会替换其内容，您只会收到相同的Writable对象。如果要将它们收集到数组中，则应将它们复制到新对象。

为什么SequenceFile writer的追加操作会用最后一个值覆盖所有值？

1 个答案: