使用hdfs getmerge recovery构建Parquet地板

唯一有点触及主题的帖子在这里，但它不能解决我的问题。
以下是我们收集Parquet地板到本地备份的问题：

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

所犯的错误是，我们认为parquet多个文件组织是由于hdfs编写的，但我们不明白它实际上是parquet文件“正常”组织。所以（不是很聪明）我们使用了hdfs的getmerge来做备份。问题是，我们的数据已经被删除，我们现在正在努力恢复它。
在分析（并阅读文档）Parquet时，我们发现所有文件最初都是由块组成的，块中包含数据+元数据，位于幻数“par1”之间，并将其添加到2-\u metadata和\u common\u metadata-元数据文件中。
通过观察getmerge按顺序处理文件（hdfs上的原始parquet目录），我想出了一个脚本，它将2'par1'之间的数据转换为块文件。前两个生成的文件是（\u common\u metadata，\u 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

对剧本的一些观察：
它在参数中接受一个“getmerge”parquet文件
创建的所有零件都被移动到以原始文件命名的目录中（后者被重命名为filename.backup）
必须在每个文件的末尾取一个字节-truncate-根据经验，这是因为spark sc.load.parquet（）无法读取元数据文件）
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，元数据（和公共元数据文件）读取正常，但在加载块时仍然存在错误：
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岌岌可危，如果有人有任何想法，可以帮助，我热烈感谢他（er）提前。
再见

我已经回答了这个问题。
我一开始的基本想法还可以。问题是awk（在解决方案脚本中）正在添加大量字符。所以在那之后Parquet地板块就不可读了。
解决方案是通过编程（python、perl…）来操作合并的文件。下面是我提出的python解决方案。除了不添加无用字符外，它与前一个相同。
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：parquet文件不能太大，因为python函数将整个内容作为字符串加载到内存中（几十兆字节就可以了）！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 recovery构建Parquet地板

1条答案

相关问题

热门标签

最新问答