apache / apache/parquet-java

Parquet File is not able to read from Spark and Hive

Abierto
#2,335 0 comentarios 0 reacciones 0 asignados Ver en GitHub
Component: Java Component: Parquet Priority: Major Type: bug
Lenguaje dominante
Java
Estrellas
3.1k
Forks
1.6k
Merge medio
3 d 12 h
PR fusionados (30 d)
33

Descripción

Issue: Caused by: java.io.IOException: Expected 35393 values in column chunk at maprfs:////path/date=20190605/caa63aa9-abfa-46e1-8221-10f6c669512d.parquet offset 4 but got 46402 values instead over 2 pages ending at file offset 341624 

we are getting Avro Serialized messages from kafka which are being consumed by Spring-kafka and converted into parquet gets persisted into MaprFS(hdfs) file system. 

i have tried replicating the issue in local with same Avro file but i was able to read parquet successfully, I am not sure why the parquet being corrupted in HDFS . 

 

 

 

 

**Reporter**: [Prashanth pampanna desai](https://issues.apache.org/jira/secure/ViewProfile.jspa?name=Prashanth+Desai)

**Note**: *This issue was originally created as [PARQUET-1594](https://issues.apache.org/jira/browse/PARQUET-1594). Please see the [migration documentation](https://issues.apache.org/jira/browse/PARQUET-2502) for further details.*

Guía de contribución

No hay ninguna guía de contribución indexada para este repositorio

Línea de trabajo

Comience con la IOException reportada y compare la lectura local exitosa con la ruta MapRFS/HDFS utilizada después de que Spring-kafka consuma mensajes Avro. El issue no menciona ningún archivo fuente ni ninguna prueba, y la finalización no está definida más allá de determinar por qué Spark y Hive no pueden leer el archivo Parquet persistido.

Escrito por el modelo de indexación a partir del texto del issue.

Evaluación

Stack tecnológico
hadoop, java, kafka, spark, spring
Área
data-engineering, databases, distributed-systems
Tipo de issue
Error
Dificultad
5/5
Tiempo estimado
Más de una semana
Estado de actividad
Estancado
Claridad
Necesita aclaración
Aptitud para principiantes
25/100

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.