利用sqoop將資料從資料庫匯入到hdfs
如下面這個shell指令碼:
執行這個指令碼之後,匯入程式就完成了。
接下來,使用者可以自己建立外部表,將外部表的路徑和hdfs中存放oracle資料的路徑對應上即可。
假設有這樣這個sqoop命令,需要將oracle中的資料匯入到hdfs中:
請注意,在這個命令中,有乙個引數「-m」,代表的含義是使用多少個並行,這個引數的值是1,說明沒有開啟並行功能。
現在,我們可以將「-m」引數的值調大,使用並行匯入的功能,如下面這個命令:
一般來說,sqoop就會開啟4個程序,同時進行資料的匯入操作。
error tool.importtool: error during import: no primary key could be found for table creater_user.popt_cas_redirect_his. please specify one with --split-by or perform a sequential import with '-m 1'.
在這種情況下,為了更好的使用sqoop的並行匯入功能,我們就需要從原理上理解sqoop並行匯入的實現機制。
select max(id) as max, select min(id) as min from table [where 如果指定了where子句];
通過這個查詢,獲取到需要拆分字段(id)的最大值和最小值,假設分別是1和1000。
然後,sqoop會根據需要並行匯入的數量,進行拆分查詢,比如上面的這個例子,並行匯入將拆分為如下4條sql同時執行:
select * from table where 0 <= id < 250;
select * from table where 250 <= id < 500;
select * from table where 500 <= id < 750;
select * from table where 750 <= id < 1000;
注意,這個拆分的字段需要是整數。
從上面的例子可以看出,如果需要匯入的表沒有主鍵,我們應該如何手動選取乙個合適的拆分字段,以及選擇合適的並行數。
再舉乙個實際的例子來說明:
我們要從oracle中匯入creater_user.popt_cas_redirect_his。
這個表沒有主鍵,所以我們需要手動選取乙個合適的拆分字段。
首先看看這個表都有哪些字段:
然後,我假設ds_name欄位是乙個可以選取的拆分字段,然後執行下面的sql去驗證我的想法:
select min(ds_name), max(ds_name) from creater_user.popt_cas_redirect_his where data_desc='2011-02-26'
發現結果不理想,min和max的值都是相等的。所以這個欄位不合適作為拆分字段。
再測試一下另乙個字段:clientip
select min(clientip), max(clientip) from creater_user.popt_cas_redirect_his where data_desc='2011-02-26'
這個結果還是不錯的。所以我們使用clientip欄位作為拆分字段。
所以,我們使用如下命令並行匯入:
這次執行這個命令,可以看到,消耗的時間為:20mins, 35sec,匯入了33,222,896條資料。
另外,如果覺得這種拆分不能很好滿足我們的需求,可以同時執行多個sqoop命令,然後在where的引數後面指定拆分的規則。如:
從而達到並行匯入的目的。
**:
利用SQOOP將資料從資料庫匯入到HDFS
如下面這個shell指令碼 執行這個指令碼之後,匯入程式就完成了。接下來,使用者可以自己建立外部表,將外部表的路徑和hdfs中存放oracle資料的路徑對應上即可。假設有這樣這個sqoop命令,需要將oracle中的資料匯入到hdfs中 請注意,在這個命令中,有乙個引數 m 代表的含義是使用多少個並...
利用SQOOP將資料從資料庫匯入到HDFS
基本使用 如下面這個shell指令碼 oracle的連線字串,其中包含了oracle的位址,sid,和埠號 connecturl jdbc oracle thin 20.135.60.21 1521 dwrac2 使用的使用者名稱 oraclename kkaa 使用的密碼 oraclepasswo...
利用Sqoop將資料從資料庫匯入到HDFS
如下面這個shell指令碼 執行這個指令碼之後,匯入程式就完成了。接下來,使用者可以自己建立外部表,將外部表的路徑和hdfs中存放oracle資料的路徑對應上即可。假設有這樣這個sqoop命令,需要將oracle中的資料匯入到hdfs中 請注意,在這個命令中,有乙個引數 m 代表的含義是使用多少個並...