解決sqoop import 導入到hive后數(shù)據量變多的問題

使用sqoop import 命令從postgresql導入數(shù)據到hive中，發(fā)現(xiàn)數(shù)據行數(shù)變多了，但是任務沒有跑錯，非常奇怪。

導入語句為：

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

導入前pgsql數(shù)據量為3698條，但是導入后再hive中的數(shù)據量為3938，數(shù)據竟然變多了。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導入的原理。

首先用戶輸入一個 Sqoop import 命令，Sqoop 會從關系型數(shù)據庫中獲取元數(shù)據信息，比如要操作數(shù)據庫表的 schema是什么樣子，這個表有哪些字段，這些字段都是什么數(shù)據類型等。它獲取這些信息之后，會將輸入命令轉化為基于 Map 的 MapReduce作業(yè)，這樣 MapReduce作業(yè)中有很多 Map 任務，每個 Map 任務從數(shù)據庫中讀取一片數(shù)據，這樣多個 Map 任務實現(xiàn)并發(fā)的拷貝，把整個數(shù)據快速的拷貝到 HDFS 上。

而決定切分成多少個map就是參數(shù)-m的作用，-m5代表切分為5個map，-m1代表切分為1個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sqoop import 沒有定義--split-by時，默認使用源數(shù)據表的key作為切分字段。

split-by 根據不同的參數(shù)類型有不同的切分方法，如int型，Sqoop會取最大和最小split-by字段值，然后根據傳入的num-mappers來 確定劃分幾個區(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，則會分成兩個區(qū)域 (1,500)和(501-1000),同時也會分成2個sql給2個map去進行導入操作，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map各自獲取各自SQL中的數(shù)據進行導入工作。

那回到最開始的問題，為什么切分數(shù)目不一樣，結果就不一樣呢？理論上無論怎么切分，導入的數(shù)據都應該是一樣的，但現(xiàn)在甚至還多了？這是因為，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（5,6），有一個id重復了，就導致數(shù)量變多了。

所以解決辦法有兩個：

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int型的或者有明確排序順序的字段。

除了以上這種原因導致數(shù)據變多，語句缺少 --hive-drop-import-delims 也可能導致問題的出現(xiàn)，解決如下：

關于在sqoop導入數(shù)據的時候，數(shù)據量變多的解決方案。

今天使用sqoop導入一張表，我去查數(shù)據庫當中的數(shù)據量為650條數(shù)據，但是我將數(shù)據導入到hive表當中的時候出現(xiàn)了563條數(shù)據，這就很奇怪了，我以為是數(shù)據錯了，然后多導入了幾次數(shù)據發(fā)現(xiàn)還是一樣的問題。

然后我去查數(shù)據字段ID的值然后發(fā)現(xiàn)建了主鍵的數(shù)據怎么可能為空的那。然后我去看數(shù)據庫當中的數(shù)據發(fā)現(xiàn)，數(shù)據在存入的時候不知道加入了什么鬼東西，導致數(shù)據從哪一行截斷了，導致多出現(xiàn)了三條數(shù)據。下面是有問題的字段。

這里我也不知道數(shù)據為啥會是這樣，我猜想是在導入數(shù)據的時候hive默認行的分割符號是按照\n的形式導入進來的，到這里遇到了這樣的字符就對其按照下一行進行對待將數(shù)據截斷了。

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是不能改的。他會報下面的錯誤：

FAILED: SemanticException 1:424 LINES TERMINATED BY only supports newline '\n' right now. Error encountered near token ''\164'' 于是上網找資料，然后發(fā)現(xiàn)可以使用一個配置清除掉hive當中默認的分割符號，然后導入數(shù)據，配置如下： --hive-drop-import-delims 這個參數(shù)是去掉hive默認的分割符號，加上這個參數(shù)然后在使用--fields-terminated-by 指定hive的行的分割符號 最終數(shù)據導入成功，數(shù)據量和原來數(shù)庫當中的數(shù)據一致。

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

至此問題得到了解決。

以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。