DataX 报错信息
2024-07-31 05:48:10.511 [job-0] ERROR HdfsReader$Job - 检查文件[obs://.../pt=20240730/.hive-staging_hive_2024-07-
31_03-41-21_751_8185968661939416891-559/_task_tmp.-ext-10002/_tmp.000012_0]类型失败,目前支持
ORC,SEQUENCE,RCFile,TEXT,CSV五种格式的文件,请检查您文件类型和文件是否正确
报错原因
这是因为在 Spark SQL、Hive SQL 等执行 INSERT OVERWRITE
语句后,会在准备写入的分区目录下,生成以 .hive-staging_hive
开头的临时目录,用于临时存放执行结果。如果 SQL 执行失败,则这个临时目录及其中的临时文件无法被自动删除。即使 SQL 被重新执行并执行成功,这个目录也不会被删除。
而我们使用 DataX 时,若将将 hdfsreader
的 path
参数配置如下:
"path":".../'${hive_db}$'.db/'${hive_tb_name}$'/pt='${pt}$'/*",
则会导致 DataX 扫描到这些临时文件,因为无法解析而触发报错。
解决方案
- 临时解决方法:将 Hive 生成的临时目录删除,重新执行 DataX 脚本即可。但是,如果上游 Hive 任务有偶尔会失败,那么每次失败都需要重新手动删除临时文件。
- 修改 DataX 脚本:修改 DataX 脚本,将
hdfsreader
的path
参数配置增加正则匹配分区中的文件名:"path":".../'${hive_db}$'.db/'${hive_tb_name}$'/pt='${pt}$'/[0-9a-zA-z]*"
。这样,无论上游 Hive 是否失败,是否产生了临时文件,都不需要手动删除临时文件,即可保证 DataX 任务可以正确运行。 - 修改 Hive 配置:详见 【大数据】hive 删除临时文件 .hive-staging_hive - TorboWay - 博客园