关于sqoop导入数据的时候添加--split-by配置项对sqoop的导入速度的影响。

最近在搞sqoop的导入导出操作。但是今天遇到一个表数据量特别大。我们想通过sqoop的导入功能对数据进行导入，但是从oracle当中导入数据的时候，如果是需要平行导入的话必须使用--split-by，也就是设置map的数量。

一种就是不指定--split-by（切分的字段）直接使用一个map的形式就行导入操作。

我这张表的数据是40G，我将其用10个map进行导入，然后按照其中一个number类型的字段进行对数据进行切分。然后导入，导入的脚本如下：

#!/bin/bash
url="jdbc:oracle:thin:@172.16.250.10:1521:stupor"
database="XD_CORE"
tables=("report_residual_money_detail_fields")
tables_num=${#tables[@]}
username="qry_read"
password="****"
for((i=0;i<tables_num;i++));
do
sqoop import 
--connect ${url} 
--username ${username} 
--password ${password} 
--query 'SELECT residual_pact_money,loan_id,cur_date FROM XD_CORE.report_residual_money_detail where 1=1 and $CONDITIONS'  ---这里是查询的字段
--target-dir /user/gxg/test1   --这个标签一定要指定，这里是导入数据的临时目录
--fields-terminated-by 	 
--split-by loan_id   ---这个地方是按照某个字段进行切分的，一般都是整型的数据类型进行切分。
-m 10   --这里定义切分的map的个数是10个。
--hive-import 
--create-hive-table 
--hive-database test 
--hive-table ${tables[i]} 
--null-non-string '\N'   --这里是到导入的空值进行处理。
--null-string '\N' 
--verbose 
done

下面是我执行真个脚本的时候导入花费的时间。做了一个对比。

 

这里可以看出，原来是4个map导入数据，后面换成10个map导入数据。这里的导入时间虽然没有减少很多，但是时间还是减少了一些。

具体的原理参考下面的连接，这位老哥说的很不错：
https://blog.csdn.net/weixin_40137479/article/details/79117358