运用sqoop将数据从oracle导入到hive中有哪些坑

小编给大家分享一下运用sqoop将数据从oracle导入到hive中有哪些坑，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！

 1.选择个别列来进行导入 使用--columns参数即可

2.指定符合条件的数据 使用 --where参数即可，可以使用oracle中的参数，比如我就使用了to_date('2013-06-20','yyyy-MM-dd')函数来指定日期导入

3.sqoop中指定列分隔符 使用 --fields-terminated-by参数即可

4.文件存放位置的指定 使用--target-dir参数即可，不过文件夹是sqoop自己新建的，已存在的话会报异常。有时分了好几次任务，想导入到同一个文件夹，可使用 --append参数。不用担心两次任务会生成同名的文件从而导致失败，因为当你加入--append参数时，sqoop会先在当前用户目录下生成临时的 文件夹来存放运行结果，然后根据你指定的存放位置，再将结从临时文件夹剪切到你所指定的文件夹，他会自动更改文件名从而避免重复。

5.想启动多个map任务运行 一般而言直接使用--m参数即可，他会默认根据你所导入表的主键来进行分片，也就是他默认使用--split-by 你的主键 来进行分片， 过程就是取你的主键的最大值和最小值，然后用获得的差值来除以你所设的map任务数，这样会得到每个map任务所处理的数据范围。 看起来很美妙，其实中间有许多不足，首先你若没有主键，则你必须手动指定--split-by参数，或者你不进行并行执行任务，设置-m 1 。还有的不足就是此次遇到的数据倾斜问题，比如我设置-m 4，可我的主键比如最小值1000，最大值10000，可我只有100条数据，其中大部分都分布在主键范围为1000~2000的区域，这下四个map任务分别对应的区间大概为1000~3250,3250~5500,5500~7750,7750~10000。可见，数据 集中在第一个map任务上，其余三个完全没有数据，这样非但没有并行执行的速度，一定程度上还有影响速度。所以split-by如何选择，要根据实际情况来选择。

6.如何用date类型的列来作为split-by参数值 此次任务我发现还是使用date类型的列作为分片值比较均匀，可当我直接使用--split-by 我的日期列 的时候，报错 java.sql.SQLDataException: ORA-01861: literal does not match format string 网上google得知，大意是一个版本bug 解决方案大致为转换成string类型即可，网址为 https://issues.apache.org/jira/browse/SQOOP-1946。我的解决方案为 --split-by "to_char(我的日期列,'yyyy-MM-dd')"

7.导入的列有换行符如何解决 本以为万事大吉，万万没想到导入的列有nclob类型，里面存储了一篇篇文章，势必有着换行符。果不其然，hive查询数据全部错乱， 查询资料发现--hive-delims-replacement（替换\n,\r等符号用你指定的字符）和--hive-drop-import-delims参数。可添加上去发现并没有什么卵用，没有起作用。百度goole很久，终于发现一篇帖子，http://stackoverflow.com/questions/28076200/hive-drop-import-delims-not-removing-newline-while-using-hcatalog-in-sqoop 意思是要用--map-column-java参数来显示指定列为String类型。我的解决方案为 --map-column-java 我的CLOB列=String 果然，问题解决，换行符全部被去掉。

看完了这篇文章，相信你对“运用sqoop将数据从oracle导入到hive中有哪些坑”有了一定的了解，如果想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！