如何使用Hadoop作业检查大gzip文件（.gz）的完整性？

Question

我每天都会收到很多来自他人的gzip文件（* .gz），在将它们放入HDFS并进行分析之前，如果我使用gzip -t file_name进行检查，则需要检查所有文件的完整性（损坏的文件将被删除）。在本地计算机上，它可以工作，但是整个过程太慢，因为文件数量非常大，并且大多数文件都足够大，以致于本地验证是一项耗时的工作。

因此，我转而使用Hadoop作业进行并行验证，每个文件都将在映射器中进行验证，并且损坏的文件路径将输出到文件，这是我的代码：

在Hadoop作业设置中：

Job job = new Job(getConf());
job.setJarByClass(HdfsFileValidateJob.class);
job.setMapperClass(HdfsFileValidateMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
job.setNumReduceTasks(0);
job.setInputFormatClass(JustBytesInputFormat.class);

在映射器中：

public class HdfsFileValidateMapper extends Mapper<JustBytesWritable, NullWritable, Text, NullWritable> {
  private static final Logger LOG = LoggerFactory.getLogger(HdfsFileValidateJob.class);

  private ByteArrayOutputStream bos;

  @Override
  protected void setup(Context context) throws IOException, InterruptedException {
    /* specify a split size(=HDFS block size here) for the ByteArrayOutputStream, which prevents frequently allocating
     * memory for it when writing data in [map] method */
    InputSplit inputSplit = context.getInputSplit();
    bos = new ByteArrayOutputStream((int) ((FileSplit) inputSplit).getLength());
  }

  @Override
  protected void cleanup(Context context) throws IOException, InterruptedException {
    InputSplit inputSplit = context.getInputSplit();
    String filePath = ((FileSplit) inputSplit).getPath().toUri().getPath();   // e.g. "/user/hadoop/abc.txt"

    bos.flush();
    byte[] mergedArray = bos.toByteArray();   // the byte array which stores the data of the whole file
    if (!testUnGZip(mergedArray)) {   // broken file
      context.write(new Text(filePath), NullWritable.get());
    }
    bos.close();
  }

  @Override
  public void map(JustBytesWritable key, NullWritable value, Context context) throws IOException, InterruptedException {
    bos.write(key.getBytes());
  }

  /**
   * Test whether we can un-gzip a piece of data.
   *
   * @param data The data to be un-gzipped.
   * @return true for successfully un-gzipped the data, false otherwise.
   */
  private static boolean testUnGZip(byte[] data) {
    int numBytes2Read = 0;
    ByteArrayInputStream bis = null;
    GZIPInputStream gzip = null;
    try {
      bis = new ByteArrayInputStream(data);
      gzip = new GZIPInputStream(bis);
      byte[] buf = new byte[1024];
      int num;
      while ((num = gzip.read(buf, 0, buf.length)) != -1) {
        numBytes2Read += num;
        if (numBytes2Read % (1024 * 1024) == 0) {
          LOG.info(String.format("Number of bytes read: %d", numBytes2Read));
        }
      }
    } catch (Exception e) {
      return false;
    } finally {
      if (gzip != null) {
        try {
          gzip.close();
        } catch (IOException e) {
          LOG.error("Error while closing GZIPInputStream");
        }
      }
      if (bis != null) {
        try {
          bis.close();
        } catch (IOException e) {
          LOG.error("Error while closing ByteArrayInputStream");
        }
      }
    }
    return true;
  }
}

我在其中使用两个名为JustBytesInputFormat和JustBytesWritable的类，可以在这里找到： https ://issues.apache.org/jira/secure/attachment/12570327/justbytes.jar

通常，此解决方案可以正常工作，但是当单个gzip文件足够大（例如1.5G）时，由于Java堆空间问题，Hadoop作业将失败，原因很明显：对于每个文件，我首先收集所有数据放入内存缓冲区，最后进行一次验证，因此文件大小不能太大。

因此，我将部分代码修改为：

  private boolean testUnGzipFail = false;

  @Override
  protected void cleanup(Context context) throws IOException, InterruptedException {
    InputSplit inputSplit = context.getInputSplit();
    String filePath = ((FileSplit) inputSplit).getPath().toUri().getPath();   // e.g. "/user/hadoop/abc.txt"

    if (testUnGzipFail) {   // broken file
      context.write(new Text(filePath), NullWritable.get());
    }
  }

  @Override
  public void map(JustBytesWritable key, NullWritable value, Context context) throws IOException, InterruptedException {
    if (!testUnGZip(key.getBytes())) {
      testUnGzipFail = true;
    }
  }

这个版本解决了Hadoop作业失败的问题，但是根本无法正常工作 ！ 在我的E2E测试中，一个完全正确的gzip文件（大小：1.5G）将被视为损坏的文件！

所以这是我的问题：如何正确进行验证，避免将单个文件的所有内容读入内存的问题？

任何想法将不胜感激，在此先感谢。

Answer 1

我的第一个解决方案是简单地并行调用gzip -t 。 gzip可能比Java快，并且当文件很大时，创建进程的额外开销应该可以忽略不计。

您的解决方案非常慢。 首先，当每个文件只需要几个KB的数据时，您就将许多GB的数据加载到RAM中。 而不是JustBytesInputFormat ，您应该流式传输数据。 尝试找到一种将InputStream而不是整个文件内容传递给testUnGZip()的方法。

如果该文件作为真实文件存在于硬盘上，请尝试使用NIO API进行读取； 这样可以将文件映射到内存中，从而使读取速度更快。