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:
- 硬件上的buffersize比较小
- 网络的IO比较慢
- 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。
搞个gitee的项目
![[HBLOG]公众号](https://www.liuhaihua.cn/img/qrcode_gzh.jpg)
