Apache Parquet Hadoop 1.14.1 在 Windows 11 上的文件锁问题分析与修复

问题背景

在 Apache Parquet Hadoop 1.14.1 版本中，当运行在 Windows 11 操作系统上时，ParquetRewriter 类在处理完 Parquet 文件后会出现文件锁未被正确释放的问题。这导致用户无法立即删除已处理的原始 Parquet 文件，系统会抛出"文件被其他进程占用"的异常。

问题现象

用户在使用 ParquetRewriter 进行文件合并操作后，尝试删除原始输入文件时遇到以下异常：

java.nio.file.FileSystemException: test\sample\dayhour-150-0-6a57c328-8610-46f8-bf7e-311f8605def0.parquet: This process cannot access the file because the file is being used by another process

技术分析

经过深入分析，发现问题出在 ParquetRewriter 类的文件处理逻辑中。具体来说，在读取和处理 Parquet 文件块时，代码没有及时关闭文件读取器(reader)，导致文件句柄未被释放。

在原始代码中，文件读取器的关闭操作位置不当，导致在某些情况下文件资源未被正确释放。特别是在 Windows 系统上，这种资源管理问题表现得更为明显，因为 Windows 对文件锁的管理比 Unix-like 系统更为严格。

解决方案

修复方案主要包括以下改进：

1. 将文件读取器的关闭操作提前到处理完当前文件块后立即执行
2. 添加空指针检查，确保代码的健壮性
3. 重新组织代码逻辑，确保资源在任何情况下都能被正确释放

关键修改点是将 reader.close() 调用从原来的位置移动到更合理的位置，确保在处理完每个文件块后立即释放资源。同时添加了必要的空指针检查，防止在异常情况下出现空指针异常。

影响范围

此问题主要影响以下环境：

• 使用 Apache Parquet Hadoop 1.14.1 版本
• 运行在 Windows 操作系统上
• 需要在使用 ParquetRewriter 后立即删除原始文件的场景

最佳实践建议

对于需要在处理 Parquet 文件后进行文件清理的场景，建议：

1. 确保使用修复后的版本
2. 在处理完成后添加适当的延迟，确保系统有足够时间释放资源
3. 实现重试机制，在文件删除失败时进行有限次数的重试
4. 考虑使用临时文件处理模式，减少对原始文件的操作需求

总结

文件资源管理是 Java 应用中常见的问题，特别是在跨平台环境下。这次修复不仅解决了 Windows 平台上的特定问题，也提高了代码在所有平台上的健壮性。开发者在使用文件处理类库时，应当特别注意资源的及时释放，特别是在需要后续文件操作的场景中。