写清单<csvrecord>至 HDFS</csvrecord>

Question

我有一个 CSV 记录列表。

import org.apache.commons.csv.CSVRecord
List<CSVRecord> records = getRecords();

我将记录格式化为字符串生成器。

private StringBuilder formatRecords(final List<CSVRecord> records, final List<String> headersList) {
        final StringBuilder sb = new StringBuilder();

        final String headers = String.join(",", headersList);

        sb.append(headers + "\n");

        if (!records.isEmpty()) {
            for (final CSVRecord r : records) {
                for (int i = 0; i < r.size(); i++) {
                    sb.append(r.get(i));
                    // add comma if not last element
                    if (i < (r.size() - 1)) {
                        sb.append(",");
                    }
                }
                sb.append("\n");
            }
        }
        return sb;
    }

然后将字符串写入 HDFS 文件。

DataOutputStream outputStream = getHdfsOutputStream(destPath);
outputStream.writeBytes(records.toString());

这适用于一个小列表。

但是如果列表很大（比如 > 100000），JVM 已经因 OOME 而崩溃。

Administratively Yielded for 1 sec: java.lang.OutOfMemoryError: Java heap space
java.lang.OutOfMemoryError: Java heap space
        at java.util.Arrays.copyOfRange(Arrays.java:3664)
        at java.lang.String.<init>(String.java:207)
        at java.lang.StringBuilder.toString(StringBuilder.java:407)

是否可以绕过创建字符串生成器和 stream 到 HDFS 的列表内容？

这可能涉及 2 个步骤。

1. 创建格式化记录字符串的 stream
2. 将 stream （逐行？）写入 HDFS

伪代码

outputStream.write(records.stream().map(<format to add commas and new line>))

但我不确定第 1 步的最佳选择是什么。

这将返回一个字符串列表，因此它不会流式传输任何内容。

recs.stream().map(v -> v.get(0) + "," + v.get(1)).collect(toList());

这将返回对象的 stream。

records.stream().map(v -> v.get(0) + "," + v.get(1) + "\n"));

如何将此 stream 输入 HDFS？

任何帮助/提示将不胜感激。

**** 编辑： ****

这种方法似乎适用于第 2 步（写入流），但没有记录格式。

final FSDataOutputStream outputStream = getHdfsOutputStream(destPath);
BufferedWriter bufferedWriter = new BufferedWriter(new OutputStreamWriter(outputStream, StandardCharsets.UTF_8));

for(CSVRecord r: records) {
    bufferedWriter.write(r.toString());
    bufferedWriter.newLine();
}
bufferedWriter.close();
configOutputStream.close();

Answer 1

这里是最终代码。 创建一个字符串生成器 p/record 并一次写入一个字符串。

    private void persistRecords(final List<CSVRecord> records, final String targetDir, final String targetFile,
                                final List<String> headers) throws IOException {
        final String targetPath = targetDir + targetFile;

        try (final FSDataOutputStream outputStream = getHdfsOutputStream(targetPath);
             final BufferedWriter bufferedWriter = new BufferedWriter(new OutputStreamWriter(outputStream, StandardCharsets.UTF_8))) {

            bufferedWriter.write(String.join(",", headers));
            bufferedWriter.newLine();

            for (final CSVRecord r : records) {
                final StringBuilder sb = format(r);
                bufferedWriter.write(sb.toString());
                bufferedWriter.newLine();
            }

        }
    }

    private StringBuilder format(final CSVRecord r) {
        final StringBuilder sb = new StringBuilder();
        for (int i = 0; i < r.size(); i++) {
            sb.append(r.get(i));
            // add comma if not last element
            if (i < (r.size() - 1)) {
                sb.append(",");
            }
        }
        return sb;
    }