读取 HDFS 文件的正确方式

jopen 9年前

 

缘由

最近在写一个MapReduce程序的时候,出现了读取HDFS文件截断的情况,代码如下:

//fs : FileSystem  InputStream in = null;  byte[] b = new byte[1024 * 1024 * 64];  int len = 0;  try {    in = fs.open(new Path(fileName));    len = in.read(b);      } catch (Exception e) {       e.printStackTrace();      } finally {       try {        in.close();       } catch (IOException e) {        e.printStackTrace();       }      }  return new String(b, 0, len);

理论上,bytes数组大小已经设置为了64MB, 远远大于要读取的文件,那为什么会出现这种情况呢?

一开始怀疑InputStream.read()方法导致截断,果然,改成用BufferedReader读取的方式就好用了。

BufferedReader reader = null;  StringBuilder sb = new StringBuilder();  try {      reader = new BufferedReader(new InputStreamReader(fs.open(new Path(fileName))));      String line = null;        while((line = reader.readLine()) != null) {          sb.append(line);      }      } catch (Exception ioe) {          System.out.println(fileName + " does't exist!");      } finally {          try {              reader.close();          } catch (IOException e) {              System.out.println("Reader close failed");          }      }      return sb.toString();  }

但真实的原因真的是这样么?

分析

由上段代码可知,InputStream.read()读取的byte长度和期望值不同,我在 API Docs 中发现了这么一个定义

An attempt is made to read as many as len bytes, but a smaller number may be read.

也就是说,read()方法只是尽量的去读stream,不保证读取stream中全部的字节。类似的还有availabe()方法,这个方法 并不一定返回stream的大小,导致这些状况的原因可能有以下几点:

  1. 硬件上的buffersize比较小
  2. 网络的IO比较慢
  3. 文件是分布式的,组合在一起时需要花费一些时间

最后关于解决方法,除了使用Reader一行一行读以外,DataInputStream.readFully()方法也能避免这种问题。