使用sqoop import 命令從postgresql導(dǎo)入數(shù)據(jù)到hive中，發(fā)現(xiàn)數(shù)據(jù)行數(shù)變多了，但是任務(wù)沒有跑錯(cuò)，非常奇怪。

導(dǎo)入語句為：

sqoop import 
--connect jdbc:postgresql://*.*.*.*:5432/database_name 
--username name111 
--password password111 
--table table111 
--hive-import 
--hive-database database111 
--hive-table hive_table111 
--hive-overwrite 
--delete-target-dir 
--hive-drop-import-delims 
--null-string ''
 --null-non-string '' 
 -m5

導(dǎo)入前pgsql數(shù)據(jù)量為3698條，但是導(dǎo)入后再hive中的數(shù)據(jù)量為3938，數(shù)據(jù)竟然變多了。最后發(fā)現(xiàn)將參數(shù)-m5，改為-m1即可解決問題。

為什么呢？

我們先來了解一下參數(shù)-m的含義以及sqoop導(dǎo)入的原理。

首先用戶輸入一個(gè) Sqoop import 命令，Sqoop 會(huì)從關(guān)系型數(shù)據(jù)庫中獲取元數(shù)據(jù)信息，比如要操作數(shù)據(jù)庫表的 schema是什么樣子，這個(gè)表有哪些字段，這些字段都是什么數(shù)據(jù)類型等。它獲取這些信息之后，會(huì)將輸入命令轉(zhuǎn)化為基于 Map 的 MapReduce作業(yè)，這樣 MapReduce作業(yè)中有很多 Map 任務(wù)，每個(gè) Map 任務(wù)從數(shù)據(jù)庫中讀取一片數(shù)據(jù)，這樣多個(gè) Map 任務(wù)實(shí)現(xiàn)并發(fā)的拷貝，把整個(gè)數(shù)據(jù)快速的拷貝到 HDFS 上。

而決定切分成多少個(gè)map就是參數(shù)-m的作用，-m5代表切分為5個(gè)map，-m1代表切分為1個(gè)map，即不用切分。

而決定用什么字段來切分，就是用--split-by來制定的。當(dāng)sqoop import 沒有定義--split-by時(shí)，默認(rèn)使用源數(shù)據(jù)表的key作為切分字段。

split-by 根據(jù)不同的參數(shù)類型有不同的切分方法，如int型，Sqoop會(huì)取最大和最小split-by字段值，然后根據(jù)傳入的num-mappers來 確定劃分幾個(gè)區(qū)域。比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分別為1000和1，而num-mappers（-m）為2的話，則會(huì)分成兩個(gè)區(qū)域 (1,500)和(501-1000),同時(shí)也會(huì)分成2個(gè)sql給2個(gè)map去進(jìn)行導(dǎo)入操作，分別為select XXX from table where split-by>=1 and split-by500和select XXX from table where split-by>=501 and split-by=1000.最后每個(gè)map各自獲取各自SQL中的數(shù)據(jù)進(jìn)行導(dǎo)入工作。

那回到最開始的問題，為什么切分?jǐn)?shù)目不一樣，結(jié)果就不一樣呢？理論上無論怎么切分，導(dǎo)入的數(shù)據(jù)都應(yīng)該是一樣的，但現(xiàn)在甚至還多了？這是因?yàn)?，用來切分的字段不友好，不是int型或者有排序規(guī)律的。

這種id內(nèi)容是沒有排序規(guī)則的，比如本來10條id切兩份得到（5,5），現(xiàn)在切出來時(shí)（5,6），有一個(gè)id重復(fù)了，就導(dǎo)致數(shù)量變多了。

所以解決辦法有兩個(gè)：

一是將 -m5 改成 -m1 直接不切分；

二是 --split-by制定另外的字段，換一個(gè)int型的或者有明確排序順序的字段。

除了以上這種原因?qū)е聰?shù)據(jù)變多，語句缺少 --hive-drop-import-delims 也可能導(dǎo)致問題的出現(xiàn)，解決如下：

關(guān)于在sqoop導(dǎo)入數(shù)據(jù)的時(shí)候，數(shù)據(jù)量變多的解決方案。

今天使用sqoop導(dǎo)入一張表，我去查數(shù)據(jù)庫當(dāng)中的數(shù)據(jù)量為650條數(shù)據(jù)，但是我將數(shù)據(jù)導(dǎo)入到hive表當(dāng)中的時(shí)候出現(xiàn)了563條數(shù)據(jù)，這就很奇怪了，我以為是數(shù)據(jù)錯(cuò)了，然后多導(dǎo)入了幾次數(shù)據(jù)發(fā)現(xiàn)還是一樣的問題。

然后我去查數(shù)據(jù)字段ID的值然后發(fā)現(xiàn)建了主鍵的數(shù)據(jù)怎么可能為空的那。然后我去看數(shù)據(jù)庫當(dāng)中的數(shù)據(jù)發(fā)現(xiàn)，數(shù)據(jù)在存入的時(shí)候不知道加入了什么鬼東西，導(dǎo)致數(shù)據(jù)從哪一行截?cái)嗔耍瑢?dǎo)致多出現(xiàn)了三條數(shù)據(jù)。下面是有問題的字段。

這里我也不知道數(shù)據(jù)為啥會(huì)是這樣，我猜想是在導(dǎo)入數(shù)據(jù)的時(shí)候hive默認(rèn)行的分割符號是按照\n的形式導(dǎo)入進(jìn)來的，到這里遇到了這樣的字符就對其按照下一行進(jìn)行對待將數(shù)據(jù)截?cái)嗔恕?/p>

然后我測試了一直自定義的去指定hive的行的分割符號，使用--lines-terminated-by 指定hive的行的分割符號，但是不幸的是好像這個(gè)是不能改的。他會(huì)報(bào)下面的錯(cuò)誤：

FAILED: SemanticException 1:424 LINES TERMINATED BY only supports newline '\n' right now. Error encountered near token ''\164'' 于是上網(wǎng)找資料，然后發(fā)現(xiàn)可以使用一個(gè)配置清除掉hive當(dāng)中默認(rèn)的分割符號，然后導(dǎo)入數(shù)據(jù)，配置如下： --hive-drop-import-delims 這個(gè)參數(shù)是去掉hive默認(rèn)的分割符號，加上這個(gè)參數(shù)然后在使用--fields-terminated-by 指定hive的行的分割符號 最終數(shù)據(jù)導(dǎo)入成功，數(shù)據(jù)量和原來數(shù)庫當(dāng)中的數(shù)據(jù)一致。

上面是sqoop腳本的部分內(nèi)容，下面是執(zhí)行完hive之后，hive創(chuàng)建的表，字段之間默認(rèn)的分割符號。

至此問題得到了解決。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。