一种堆外内存缓存策略加速数据写OSS

1. 背景介绍

EMR集群中作业写数据到OSS时，需要先将数据缓存在本地，然后再一次性上传到OSS中。EMR支持两种缓存策略：

• disk
• off-heap

两种缓存测试使用场景略有区别:

• 本地磁盘缓存策略适用到任何场景，且能满足较大文件上传需求。
• 堆外内存缓存策略在性能上较磁盘缓存有优势，但是受限于内存资源。在实现上，堆外内存的申请会限制在一定范围内，当数据产生速率超过数据上传速率时，输出流会block住，需要等待进行中的上传任务完成。

潜在问题：

• 作业提交到Yarn：当使用堆外内存策略时，存在内存超用被Yarn杀掉的风险。所以在内存参数设置上需要格外小心，不然会影响到作业的稳定性。

2. 如何使用

作业参数中配置"fs.oss.upload.bufferType"，可选值为"disk"或者"off-heap"。以下举例：

1. hadoop fs -