乐趣区

关于spark:你的Parquet该升级了IOException-totalValueCount-0问题定位之旅

jiezi

摘要： 应用 Spark SQL 进行 ETL 工作，在读取某张表的时候报错：“IOException: totalValueCount == 0”，但该表在写入时，并没有什么异样。

本文分享自华为云社区《你的 Parquet 该降级了：IOException: totalValueCount == 0 问题定位之旅》，原文作者：wzhfy。

1. 问题形容

应用 Spark SQL 进行 ETL 工作，在读取某张表的时候报错：“IOException: totalValueCount == 0”，但该表在写入时，并没有什么异样。

2. 初步剖析

该表的后果是由两表 join 后生成。经剖析，join 的后果产生了数据歪斜，且歪斜 key 为 null。Join 后每个 task 写一个文件，所以 partition key 为 null 的那个 task 将大量的 null 值写入了一个文件，null 值个数达到 22 亿。

22 亿这个数字比拟敏感，正好超过 int 最大值 2147483647（21 亿多）。因而，初步狐疑 parquet 在写入超过 int.max 个 value 时有问题。

【注】本文只关注大量 null 值写入同一个文件导致读取时报错的问题。至于该列数据产生如此大量的 null 是否正当，不在本文探讨范畴之内。

3. Deep dive into Parquet (version 1.8.3，局部内容可能须要联合 Parquet 源码进行了解)

入口：Spark（Spark 2.3 版本）-> Parquet

Parquet 调用入口在 Spark，所以从 Spark 开始开掘调用栈。

InsertIntoHadoopFsRelationCommand.run()/SaveAsHiveFile.saveAsHiveFile() -> FileFormatWriter.write()

这里分几个步骤：

  1. 启动作业前，创立 outputWriterFactory: ParquetFileFormat.prepareWrite()。这里会设置一系列与 parquet 写文件无关的配置信息。其中次要的一个，是设置 WriteSupport 类：ParquetOutputFormat.setWriteSupportClass(job, classOf[ParquetWriteSupport])，ParquetWriteSupport 是 Spark 本人定义的类。
  2. 在 executeTask() -> writeTask.execute() 中，先通过 outputWriterFactory 创立 OutputWriter (ParquetOutputWriter)：outputWriterFactory.newInstance()。
  3. 对于每行记录，应用 ParquetOutputWriter.write(InternalRow) 办法顺次写入 parquet 文件。
  4. Task 完结前，调用 ParquetOutputWriter.close() 敞开资源。

3.1 Write 过程

在 ParquetOutputWriter 中，通过 ParquetOutputFormat.getRecordWriter 结构一个 RecordWriter（ParquetRecordWriter），其中蕴含了：

  1. prepareWrite() 时设置的 WriteSupport：负责转换 Spark record 并写入 parquet 构造
  2. ParquetFileWriter：负责写入文件

ParquetRecordWriter 中，其实是把 write 操作委托给了一个 internalWriter（InternalParquetRecordWriter，用 WriteSupport 和 ParquetFileWriter 结构）。

当初让咱们梳理一下，目前为止的大抵流程为：
SingleDirectoryWriteTask/DynamicPartitionWriteTask.execute
-> ParquetOutputWriter.write -> ParquetRecordWriter.write -> InternalParquetRecordWriter.write

接下来，InternalParquetRecordWriter.write 外面，就是三件事：

（1）writeSupport.write，即 ParquetWriteSupport.write，外面分三个步骤：

  1. MessageColumnIO.MessageColumnIORecordConsumer.startMessage；
  2. ParquetWriteSupport.writeFields：写入一行中各个列的值，null 值除外；
  3. MessageColumnIO.MessageColumnIORecordConsumer.endMessage：针对第二步中的 missing fields 写入 null 值。
    ColumnWriterV1.writeNull -> accountForValueWritten：
    1）减少计数器 valueCount（int 类型）
    2）查看空间是否已满，须要 writePage – 检查点 1

（2）减少计数器 recordCount（long 类型）

（3）查看 block size，是否须要 flushRowGroupToStore – 检查点 2

因为写入的值全是 null，在 1、2 两个检查点的 memSize 都为 0，所以不会刷新 page 和 row group。导致的后果就是，始终在往同一个 page 里减少 null 值。而 ColumnWriterV1 的计数器 valueCount 是 int 类型，当超过 int.max 时，溢出，变为了一个正数。

因而，只有当调用 close() 办法时（task 完结时），才会执行 flushRowGroupToStore：
ParquetOutputWriter.close -> ParquetRecordWriter.close
-> InternalParquetRecordWriter.close -> flushRowGroupToStore
-> ColumnWriteStoreV1.flush -> for each column ColumnWriterV1.flush

因为 valueCount 溢出为负，此处也不会写 page。

因为未调用过 writePage，所以此处的 totalValueCount 始终为 0。
ColumnWriterV1.writePage -> ColumnChunkPageWriter.writePage -> 累计 totalValueCount

在 write 完结时，InternalParquetRecordWriter.close -> flushRowGroupToStore -> ColumnChunkPageWriteStore.flushToFileWriter -> for each column ColumnChunkPageWriter.writeToFileWriter:

  1. ParquetFileWriter.startColumn：totalValueCount 赋值给 currentChunkValueCount
  2. ParquetFileWriter.writeDataPages
  3. ParquetFileWriter.endColumn：currentChunkValueCount（为 0）和其余元数据信息结构出一个 ColumnChunkMetaData，相干信息最终会被写入文件。

3.2 Read 过程

同样以 Spark 为入口，进行查看。
初始化阶段：ParquetFileFormat.BuildReaderWithPartitionValues -> VectorizedParquetRecordReader.initialize -> ParquetFileReader.readFooter -> ParquetMetadataConverter.readParquetMetadata -> fromParquetMetadata -> ColumnChunkMetaData.get，其中蕴含 valueCount（为 0）。

读取时：VectorizedParquetRecordReader.nextBatch -> checkEndOfRowGroup:
1）ParquetFileReader.readNextRowGroup -> for each chunk, currentRowGroup.addColumn(chunk.descriptor.col, chunk.readAllPages())

因为 getValueCount 为 0，所以 pagesInChunk 为空。

2）结构 ColumnChunkPageReader：

因为 page 列表为空，所以 totalValueCount 为 0，导致在结构 VectorizedColumnReader 时报了问题中的谬误。

4. 解决办法：Parquet 降级（version 1.11.1）

在新版本中，ParquetWriteSupport.write ->
MessageColumnIO.MessageColumnIORecordConsumer.endMessage ->
ColumnWriteStoreV1(ColumnWriteStoreBase).endRecord:

在 endRecord 中减少了每个 page 最大记录条数（默认 2w 条）的属性和查看逻辑，超出限度时会 writePage，使得 ColumnWriterV1 的 valueCount 不会溢出（每次 writePage 后会清零）。

而比照老版本 1.8.3 中，ColumnWriteStoreV1.endRecord 为空函数。

附：Parquet 中的一个小 trick

Parquet 中为了节约空间，当一个 long 类型的值，在肯定范畴内时，会应用 int 来存储，其办法如下：

  • 判断是否能够用 int 存储：

  • 如果能够，用 IntColumnChunkMetaData 代替 LongColumnChunkMetaData，结构时转换：

  • 应用时，再转回来，IntColumnChunkMetaData.getValueCount -> intToPositiveLong()：

一般的 int 范畴是 -2^31 ~ (2^31 – 1)，因为元数据信息（如 valueCount 等）都是非负整数，那么理论只能存储 0 ~ (2^31 – 1) 范畴的数。而用这种办法，能够示意 0 ~ (2^32 – 1) 范畴的数，表白范畴也大了一倍。

附件：可用于复现的测试用例代码（依赖 Spark 局部类，可置于 Spark 工程中运行）

测试用例代码.txt 1.88KB

点击关注，第一工夫理解华为云陈腐技术~

退出移动版