从 Spark 将许多文件写入镶木地板 - 缺少一些镶木地板文件

Question

我们开发了一个作业，该作业使用 Spark 2.3 在 Amazon S3 (s3a) 中处理和写入大量 Parquet 文件。每个源文件都应该在 S3 中创建一个不同的分区。代码经过测试（使用较少的文件）并按预期工作。

然而，在使用真实数据执行后，我们注意到一些文件（总数的一小部分）没有写入 parquet。日志中没有错误或任何奇怪的东西。我们再次测试了丢失的文件的代码，它运行起来了 ¿?。我们想在生产环境中使用代码，但我们需要检测这里的问题。我们正在写这样的镶木地板：

dataframe_with_data_to_write.repartition($"field1", $"field2").write.option("compression", "snappy").option("basePath", path_out).partitionBy("field1", "field2", "year", "month", "day").mode(SaveMode.Append).parquet(path_out)

我们使用了推荐的参数：

spark.sparkContext.hadoopConfiguration.set("mapreduce.output.fileoutputformat.compress", "true")
spark.sparkContext.hadoopConfiguration.set("mapreduce.fileoutputcommitter.algorithm.version", "2")  
spark.sparkContext.hadoopConfiguration.set("mapreduce.fileoutputcommitter.cleanup-failures.ignored", "true")
spark.conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

使用此参数是否存在任何已知的错误问题？也许与 S3 最终一致性有关？有什么建议？

任何帮助将不胜感激。

Answer 1

是的，这是一个已知问题。通过在尝试工作目录中列出输出并重命名到目标目录中来提交工作。如果该列表少报文件：缺少输出。如果该列表列出了不存在的文件，则提交失败。

修复了 ASF Hadoop 版本。

1. hadoop-2.7-2.8 连接器。写入HDFS，复制文件
2. Hadoop 2.9-3.0 打开 S3Guard 以获得一致的 S3 列表（为此使用 DynamoDB）
3. Hadoop 3.1，切换到S3A 提交者，其设计考虑了一致性和性能问题。来自 netflix 的“登台”是这里最简单的使用。

进一步阅读：零重命名提交者。

2019 年 1 月 1 日更新，亚马逊拥有自己的 ASF零重命名提交者的闭源实现。向 EMR 团队询问他们自己的正确性证明，因为我们其他人无法验证这一点。

2020 年 12 月 11 日更新：Amazon S3 现在完全一致，因此列表将是最新且正确的；更新不一致和 404 缓存不再。

• v1 提交算法仍然不安全，因为目录重命名是非原子的
• v2 提交算法总是被破坏，因为它会一一重命名文件
• 重命名是 S3 上缓慢的 O(data) 复制操作，因此任务提交期间的失败窗口更大。

您不再有数据丢失的风险，但是除了性能很差之外，任务提交期间的失败也没有得到正确处理