Question

唯一触及主题的帖子是here，但它无法解决我的问题。

以下是我们通过以下方式收集镶木地板到本地备份的问题：

$ hadoop fs -getmerge /dir/on/hdfs /local/dir

错误是我们认为镶木地板多文件组织是由于HDFS写作，但我们不明白它实际上是镶木地板文件＆＃34;正常＆＃34;组织。所以（不是很聪明）我们使用HDFS的getmerge做备份。问题是我们的数据已被删除，我们现在正在努力恢复它。

在分析（并阅读doc）镶木地板时，我们发现所有文件最初都是由块组成的，其中包含魔术数字＆＃39; PAR1＆＃39;之间的数据+元数据。并添加到2 - _metadata和_common_metadata - 元数据文件。

通过按顺序观察getmerge进程文件（hdfs上的原始镶木地板目录），我想出了一个脚本，该数据采用2＆＃39; PAR1＆＃39;之间的数据。并使它成为一个块文件。构建的前2个文件是（_common_metadata，_metadata）。

filePrefix='part-'
finalFilePrefix='part-r-'

awk 'NR%2==0{ print $0 > "part-"i++ }' RS='PAR1' $1

nbFiles=$(ls -lah | grep 'part-' | wc -l)

for num in $(seq 0 $nbFiles)
        do 
        fileName="$filePrefix$num"
        lastName=""
        if [ "$num" -eq "0" ]; then
                lastName="_common_metadata"
                awk '{print "PAR1" $0 "PAR1"}' $fileName > $lastName
        else    

                if [ "$num" -eq "1" ]; then
                        lastName="_metadata"
                        awk '{print "PAR1" $0 "PAR1"}' $fileName > $lastName
                else    
                        if [ -e $fileName ]; then
                                count=$( printf "%05d" $(($num-2)) )
                                lastName="$finalFilePrefix$count.gz.parquet"
                                awk '{print "PAR1" $0 "PAR1"}' $fileName > $lastName
                        fi      
                fi              
        fi
        echo $lastName
        truncate --size=-1 $lastName
        rm -f "$fileName"
done

mv $1 $1.backup
mkdir $1
mv _* $1
mv part* $1

关于剧本的一些观察：

需要一个＆＃34; getmerge＆＃34;参数
创建的所有部件都移动到以原始文件命名的目录（后者重命名为filename.backup）
必须在每个文件的末尾加一个字节 - 截断 - 这是凭经验制作的，因为spark sc.load.parquet（）无法读取元数据文件，否则这样做了。
最终我们使用hadoop fs -put将其上传到hdfs。
尝试将其作为Dataframe加载正如我所说_metadata（和_common_metadate文件显然）读取正常，但加载块时我们仍然有错误：

代码：

val newDataDF = sqlContext.read.parquet("/tmp/userActionLog2-leclerc-culturel-2016.09.04.parquet")
newDataDF.take(1)

错误：

newDataDF: org.apache.spark.sql.DataFrame = [bson: binary]
org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 1.0 failed 4 times, most recent failure: Lost task 0.3 in stage 1.0  (TID 5, hdp-node4.affinytix.com): java.io.IOException: can not read class    org.apache.parquet.format.PageHeader: don't know what type: 13
at org.apache.parquet.format.Util.read(Util.java:216)
at org.apache.parquet.format.Util.readPageHeader(Util.java:65)
at  org.apache.parquet.hadoop.ParquetFileReader$WorkaroundChunk.readPageHeader(ParquetFileReader.java:668)
at org.apache.parquet.hadoop.ParquetFileReader$Chunk.readAllPages(ParquetFileReader.java:546)
at org.apache.parquet.hadoop.ParquetFileReader.readNextRowGroup(ParquetFileReader.java:496)
at org.apache.spark.sql.execution.datasources.parquet.UnsafeRowParquetRecordReader.checkEndOfRowGroup(UnsafeRowParquetRecordReader.java:604)
at org.apache.spark.sql.execution.datasources.parquet.UnsafeRowParquetRecordReader.loadBatch(UnsafeRowParquetRecordReader.java:218)
at org.apache.spark.sql.execution.datasources.parquet.UnsafeRowParquetRecordReader.nextKeyValue(UnsafeRowParquetRecordReader.java:196)
at org.apache.spark.rdd.SqlNewHadoopRDD$$anon$1.hasNext(SqlNewHadoopRDD.scala:194)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
at scala.collection.Iterator$$anon$10.hasNext(Iterator.scala:308)
at scala.collection.Iterator$class.foreach(Iterator.scala:727)
at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:48)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:103)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:47)
at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:273)
at scala.collection.AbstractIterator.to(Iterator.scala:1157)
at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:265)
at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1157)
at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:252)
at scala.collection.AbstractIterator.toArray(Iterator.scala:1157)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$5.apply(SparkPlan.scala:212)
at org.apache.spark.sql.execution.SparkPlan$$anonfun$5.apply(SparkPlan.scala:212)
at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1881)
at org.apache.spark.SparkContext$$anonfun$runJob$5.apply(SparkContext.scala:1881)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
at org.apache.spark.scheduler.Task.run(Task.scala:89)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
Caused by: parquet.org.apache.thrift.protocol.TProtocolException: don't know what type: 13
at parquet.org.apache.thrift.protocol.TCompactProtocol.getTType(TCompactProtocol.java:806)
at parquet.org.apache.thrift.protocol.TCompactProtocol.readFieldBegin(TCompactProtocol.java:500)
at org.apache.parquet.format.InterningProtocol.readFieldBegin(InterningProtocol.java:158)
at org.apache.parquet.format.PageHeader.read(PageHeader.java:828)
at org.apache.parquet.format.Util.read(Util.java:213)
... 32 more

鉴于我们的数据在这里受到威胁，如果有人有任何想法可以提供帮助，我会提前热烈地感谢他（呃）。

再见

Answer 1

我已回答了这个问题。

我在开始时的基本想法是可以的。问题只是awk（在解决方案脚本中）添加了许多字符。因此，镶木地板块之后是不可读的。

解决方案是通过编程（python，perl ...）来操作合并文件。这是我提出的python解决方案。它等同于前一个，但它不会添加无用的字符。

代码：

print "create parquet script."
import sys 
filename = sys.argv[1]
import locale
currencode=locale.getpreferredencoding()

import io
print "====================================================================="
print "Create parquet from: ", filename
print "defautl buffer size: ", io.DEFAULT_BUFFER_SIZE
print "default encoding of the system: ", currencode
print "====================================================================="

import re
magicnum = "PAR1"
with io.open(filename, mode='rb') as f:
        content = f.read()
res = [ magicnum + chunk + magicnum for chunk in filter(lambda s: s!="", re.split(magicnum, content)) ]

szcontent = len(res[2:])
for i in range(0,szcontent) :
        si = str(i)
        write_to_binfile("part-r-{}.gz.parquet".format(si.zfill(5)), res[i+2])

write_to_binfile("_common_metadata", res[0])
write_to_binfile("_metadata", res[1])

import os
os.system("mv {} {}.backup".format(filename, filename))
os.system("mkdir {}".format(filename))
os.system("mv _* {}".format(filename))
os.system("mv part* {}".format(filename))

观察：镶木地板文件不能太大，因为python函数将整个内存作为字符串加载（几十兆字节是可以的）！必须在linux / unix上执行，因为最后的系统调用是基于unix的。

再见

使用HDFS getmerge恢复的镶木地板构建

1 个答案: