Sqoop生产数据倾斜问题验证

Sqoop生产数据倾斜问题验证

一、创建一张外部表

建表如下

create external table default.oyltest_manyMap_Sqoop
(
  draw_id           string,
  third_user_id     string,
  login_name        string,
  user_id           string,
  activity_id       string,
  participate_times int,
  is_realized       string,
  prize_type_info   string,
  useing_detail_id  string,
  draw_time         string,
  remark            string,
  status            string,
  is_valid          string,
  pk_serial         string,
  created_user      string,
  created_date      string,
  updated_user      string,
  updated_date      string,
  task_id           string,
  prize_sources     string,
  prize_relation_id string,
  share_string      string,
  biz_type          string,
  biz_key           string
)
location '/ori_warehouse/oylsqooptest/manyMap';

二、直接使用string类型的主键作为切分字段

2.1、数据量是17069846

2.2、使用32个Map来并行执行

2.3、编写执行sqoop的shell脚本

#!/bin/bash

sqoop import "-Dorg.apache.sqoop.splitter.allow_text_splitter=true" 
--connect jdbc:oracle:thin:@192.168.119.227:1521:odsdb 
--username 123123 
--password 123123
--query 'select * from i_efsdata.efs_activity_draw where $ConDITIONS ' 
--fields-terminated-by '01' 
--hive-drop-import-delims 
--target-dir /ori_warehouse/oylsqooptest/manyMap/ 
--delete-target-dir 
--null-string '\N' 
--null-non-string '\N' 
--split-by draw_id 
-m 32 &> /opt/sqoop_test/logs/oyltest_manyMap_Sqoop.log

参数-Dorg.apache.sqoop.splitter.allow_text_splitter=true的含义是允许文本类型(相当任意类型)的字段作为--split-by的参数

2.4、出现数据倾斜现象

        如图，32个Map中有31个Map是在30秒内执行完成的，只有一个map用过7分多钟，这就是数据倾斜

2.5、我们使用了32个map为啥还都是在一个map上执行的呢？

        首先我们要弄清楚sqoop是如何切割成32个map执行的

        我们通过日志文件可以看到sqoop是对切分字段做了一个取最大最小值的 *** 作，如下

 但是这是一个string类型的字段，我在oracle上执行了一下，我去吓到了，这个最大值和最小值也是无语了，完全不能使用的

 实际的数据是这样的字符串

 所以通过对比发现你使用string类型来作为切割的字段根本没有起到多map的效果

通过最后hdfs的文件也可以发现数据都是一个map导过来的

三、将主键 string类型强转成bigint类型作为切分字段

3.1、数据量是17069846

3.2、使用32个Map来并行执行

3.3、编写执行sqoop的shell脚本

#!/bin/bash

sqoop import "-Dorg.apache.sqoop.splitter.allow_text_splitter=true" 
--connect jdbc:oracle:thin:@192.168.119.227:1521:odsdb 
--username 123123 
--password 123123 
--query 'select * from i_efsdata.efs_activity_draw where $ConDITIONS ' 
--fields-terminated-by '01' 
--hive-drop-import-delims 
--target-dir /ori_warehouse/oylsqooptest/manyMap/ 
--delete-target-dir 
--null-string '\N' 
--null-non-string '\N' 
--split-by "cast(draw_id as int)"    ##强转int
-m 32 &> /opt/sqoop_test/logs/oyltest_manyMap_Sqoop.log

3.4、强转bigint报错(因为你的强转语句是在oracle上执行的，oracle没有bigint类型，所以报错)，换成int,担心太大会不会不够，然后转成oracle的number，结果和int一致图如下

        转int：

 转number:

 3.5、虽然我们强转成了int,但是还是出现了数据倾斜

        1、数据倾斜

         2、查看日志sqoop也确实按照强转后的类型进行取Max,Min

         3、查看最后一个map里面的日志，找到他的sqoop参数sql如图

         我在oracle上查了一下，这就是根本没有分均匀啊,这是啥情况，

 我认真比对了每一个Map的where ( cast(draw_id as int) >= 18946875000300600757.18750 ) AND ( cast(draw_id as int) < 19578437500310620715.09375 ) 发现sqoop是按照（max-min)/32来计算区间范围的，而我们的数据都是如下图所示字符串类型，虽然强转了，但是作为切割的key还是不均匀,所以全部数据还是到最后那个Map的区间里面去了。因此要想多个并行的map能够均匀的分配到数据，那必须要有一个均匀的--split-by参数

 四、对主键字段进行row_number排序，达到均匀效果

4.1、数据量是17069846

4.2、使用32个Map来并行执行

4.3、编写执行sqoop的shell脚本

#!/bin/bash

##对主键字段进行row_number排序，使用排序字段来切分

sqoop import 
--connect jdbc:oracle:thin:@192.168.119.227:1521:odsdb 
--username 123123 
--password 123123 
--query 'select draw_id,third_user_id,login_name,user_id,activity_id,participate_times,
is_realized,prize_type_info,useing_detail_id,draw_time,remark,status,is_valid,pk_serial,
created_user,created_date,updated_user,updated_date,task_id,prize_sources,
prize_relation_id,share_string,biz_type,biz_key from 
(select ROWNUM AS ETL_ID,ead.* from i_efsdata.efs_activity_draw ead) t1 where $CONDITIONS'
--fields-terminated-by '01' 
--hive-drop-import-delims 
--target-dir /ori_warehouse/oylsqooptest/manyMap/ 
--delete-target-dir 
--null-string '\N' 
--null-non-string '\N' 
--split-by ETL_ID 
--boundary-query "select 1 as MIN,sum(1) as MAX from i_efsdata.efs_activity_draw" 
-m 32 &> /opt/sqoop_test/logs/oyltest_manyMap_Sqoop.log

4.4、参数说明

        参数一：

--query 'select draw_id,third_user_id,login_name,user_id,activity_id,participate_times,
is_realized,prize_type_info,useing_detail_id,draw_time,remark,status,is_valid,pk_serial,
created_user,created_date,updated_user,updated_date,task_id,prize_sources,
prize_relation_id,share_string,biz_type,biz_key from 
(select ROWNUM AS ETL_ID,ead.* from i_efsdata.efs_activity_draw ead) t1 where $CONDITIONS'

        我们看这个查询的sql,是两个SQL拼接上去的，

        第一个SQL：select ROWNUM AS ETL_ID,ead.* from i_efsdata.efs_activity_draw ead 是为了做一个排序获得绝对的均匀数据 因为这是oracle所以排序写法有些不同

        第二个SQL:就是不想将排序字段也导过来所以将字段都写出来了

        参数二：

--boundary-query "select 1 as MIN,sum(1) as MAX from i_efsdata.efs_activity_draw" 

不加参数二报错

 此参数是自己指定怎么来获当前表的max,min，为什么还需要自己指定呢？我们在shell脚本里面的--split-by参数是不是换成了我们临时制造出来的一个字段 ETL_ID，但是这个字段在表里面是不存在的，所以如果不指定自定义获取max,min那sqoop在去获取max,min的时候就会使用ETL_ID字段，那就报错了

 4.5、最终执行结果

        随便打开一个map里面的过滤条件都是很均匀的

 最终每个map的执行时间基本一致（数据量17069978同步完成耗时90秒）

所以综上所述，不是使用主键作为切分字段就可以加快导数的时间，我们一定要明白sqoop的分割原理。