我使用flink消耗kafka并将其以拼花格式保存到hdfs中。现在,我发现目标目录中有太多正在进行的文件,当我重新启动flink程序时,这些文件不会作为目标目录中的文件关闭。
我的环境:
val env = StreamExecutionEnvironment.getExecutionEnvironment
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)
env.enableCheckpointing(60000)
env.getCheckpointConfig.setCheckpointingMode(CheckpointingMode.EXACTLY_ONCE)
env.getConfig.registerTypeWithKryoSerializer(classOf[MyMessage],classOf[ProtobufSerializer])
//sinks
val bucketAssigner = new DateTimeBucketAssigner[myCounter]("yyyy-MM-dd", ZoneId.of("Asia/Shanghai"))
val streamingFileSink = StreamingFileSink.
forBulkFormat(path, ParquetAvroWriters.forSpecificRecord(classOf[myCounter]))
.withBucketCheckInterval(60000)
.withBucketAssigner(bucketAssigner).build
-rw-r--r-- 3 Administrator hdfs 1629 2019-08-05 17:06 /user/data/2019-08-05/.part-2-0.inprogress.722265d7-1082-4c84-b70d-da2a08092f5d
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 17:07 /user/data/2019-08-05/.part-2-1.inprogress.ac0d8b56-b8f0-4893-9e55-5374b69f16cc
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 17:08 /user/data/2019-08-05/.part-2-2.inprogress.a427c2e2-d689-42b8-aa3d-77873c5654f2
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 17:09 /user/data/2019-08-05/.part-2-3.inprogress.b5c746e3-354d-4ab3-b1a4-8c6bd88ae430
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 16:59 /user/data/2019-08-05/.part-2-3.inprogress.e286d995-3fa7-4696-b51a-27378412a35c
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 17:00 /user/data/2019-08-05/.part-2-4.inprogress.bcde4f30-2f78-4f54-92ad-9bc54ac57c5c
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 17:10 /user/data/2019-08-05/.part-2-4.inprogress.dbce8a00-6514-43dc-8b31-36c5a8665d37
-rw-r--r-- 3 Administrator hdfs 0 2019-08-05 17:10 /user/data/2019-08-05/.part-2-5.inprogress.34e53418-f5af-4279-87ef-6a27549d90fe
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 17:01 /user/data/2019-08-05/.part-2-5.inprogress.936cdb63-4fe2-41bf-b839-2861030c5516
-rw-r--r-- 3 Administrator hdfs 0 2019-08-05 16:55 /user/data/2019-08-05/.part-2-6.inprogress.7a7099a6-9dcd-450b-af2c-8a676276ef0a
-rw-r--r-- 3 Administrator hdfs 0 2019-08-05 17:01 /user/data/2019-08-05/.part-2-6.inprogress.b57f548f-45fc-497c-9807-ef18dba3d11d
-rw-r--r-- 3 Administrator hdfs 1574 2019-08-05 16:56 /user/data/2019-08-05/part-2-0
-rw-r--r-- 3 Administrator hdfs 1868 2019-08-05 16:57 /user/data/2019-08-05/part-2-1
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 16:58 /user/data/2019-08-05/part-2-2
-rw-r--r-- 3 Administrator hdfs 1661 2019-08-05 16:53 /user/data/2019-08-05/part-2-3
-rw-r--r-- 3 Administrator hdfs 1891 2019-08-05 16:54 /user/data/2019-08-05/part-2-4
我认为原因是重新启动程序时未关闭正在进行的文件,我感到困惑的是为什么重新启动后文件仍无法关闭,即使新文件也仍在进行中。有人可以解释吗?
答案 0 :(得分:0)
简而言之,是一次精确的语义。
请先从Flink官方博客中阅读this post。
然后让我尝试一些清楚的解释。
BucketingSink将所有记录写入临时文件,默认情况下带有后缀。
当在该接收器上进行检查点的时间到来时,Flink会将正在进行的文件的名称保存到检查点;
在提交时,Flink会将正在进行的文件重命名为最终名称,在您的示例中,它们是x-x部分文件。
并且当您重新启动Flink应用程序时,Flink作业将从上一个保存点重新启动(如果您设置了参数),并且许多尚未提交的准备进行中的文件将被丢弃,并且永远不会被读取(以点开头)不会由用户列出)。
当然,我忽略了许多细节,例如,当文件的容量超过配置时,该文件将重命名为.pending文件。
答案 1 :(得分:0)
您需要使用flink shell提交应用程序,以使应用程序从保存点还原,如下所示:
./bin/flink run -s <savepointPath> ...
,请检查this了解更多详细信息。
StreamingFileSink
将处理进行中的文件。