sqoop 合并键创建多个部分文件，而不是一个不符合使用合并键目的的文件

Question

理想情况下，当我们在没有merge-key 的情况下运行增量时，它将使用附加的数据集创建新文件，但如果我们使用merge-key，那么它将创建新的整个数据集，包括仅在一个文件中的前一个数据集。但是当我在我的 sqoop 工作中使用incremental append 时，我没有得到一个部分文件。以下是我的步骤：

1) 初始数据：

mysql> select * from departments_per;
+---------------+-----------------+
| department_id | department_name |
+---------------+-----------------+
|             2 | Fitness         |
|             3 | Footwear        |
|             4 | Apparel         |
|             5 | Golf            |
|             6 | Outdoors        |
|             7 | Fan Shop        |
+---------------+-----------------+  

2) sqoop 命令将数据初始导入hdfs：

sqoop import \
--connect jdbc:mysql://localhost/practice \
--username root \
--password cloudera \
--table departments_per \
--target-dir /departments \
-m 1

现在，当我看到 hdfs 下的目录部门时，我可以看到一个部分文件，这很好。

3) 现在我在 mysql 中更新我的初始数据：

mysql> select * from departments_demo;
+---------------+-----------------+
| department_id | department_name |
+---------------+-----------------+
|             2 | Fitness         |
|             3 | Footwear        |
|             4 | Apparel         |
|             5 | Golf            |
|             6 | Outdoors        |
|             7 | Fan             |
|             8 | Tushar MC       |
+---------------+-----------------+

4) 现在我创建增量追加作业并执行它：

sqoop job --create appendJobs12 \
-- import \
--connect jdbc:mysql://localhost/practice \
--username root \
--password cloudera \
--table departments_demo \
-m 1 \
--target-dir /departments \
--incremental append \
--merge-key department_id \
--check-column department_id \
--last-value 0 

sqoop job --exec appendJobs12   

5) 即使我使用了merge-key 概念，我也可以在 hdfs 目录中看到两个部分文件。

[cloudera@quickstart ~]$ hadoop fs -ls /departments
Found 3 items
-rw-r--r--   1 cloudera supergroup          0 2018-10-04 00:31 /departments/_SUCCESS
-rw-r--r--   1 cloudera supergroup         60 2018-10-04 00:31 /departments/part-m-00000
-rw-r--r--   1 cloudera cloudera           67 2018-10-04 00:37 /departments/part-m-00001  

当我显示数据时，它如下所示：

[cloudera@quickstart ~]$ hadoop fs -cat /departments/part-m-00000
2,Fitness
3,Footwear
4,Apparel
5,Golf
6,Outdoors
7,Fan Shop 
[cloudera@quickstart ~]$ hadoop fs -cat /departments/part-m-00001
    2,Fitness
    3,Footwear
    4,Apparel
    5,Golf
    6,Outdoors
    7,Fan
    8, Tushar MC

其中一个部分文件保存初始数据，第二个保存更新数据。谁能告诉我我哪里出错了，因为我无法使用更新的数据集获取一个部分文件。在此先感谢

Answer 1

我对此进行了研究，并在您的方法中遇到了同样的错误。所以，这是不正确的 - 阅读我不得不说的各种东西，我认为它不是那么清楚。无论如何。

我觉得中间目标目录需要外部表和一些 LINUX 脚本。

所以，1）我在 mysql 中添加了数据，2）做了一个 sqoop 导入，然后 3）在 mysql 中更新，然后 4）另一个增量导入，我认为这并不正确，但你想要更新好吧，接下来是 5) codegen，最后是 6) sqoop MERGE。

这些是主要步骤：

初始导入

sqoop import -m 1 --connect jdbc:mysql://quickstart:3306/retail_db --username=retail_dba --password=cloudera --table ged  --warehouse-dir=/user/hive/warehouse --create-hive-table --hive-import --fields-terminated-by ',' --hive-drop-import-delims

你做的增量负载

sqoop import -m 1 --connect jdbc:mysql://quickstart:3306/retail_db --username=retail_dba --password=cloudera --table ged  --warehouse-dir=/user/hive/warehouse --fields-terminated-by ',' --hive-drop-import-delims --last-value 0 --merge-key id --incremental append --check-column id

代码生成

 sqoop codegen --connect jdbc:mysql://quickstart:3306/retail_db --username=retail_dba --password=cloudera --table ged

合并

 sqoop merge --new-data /user/hive/warehouse/ged --onto /user/hive/warehouse/new_ged --merge-key id --target-dir /user/hive/merged/ged2 --jar-file /tmp/sqoop-cloudera/compile/c8d374075351d228c50d89354959762e/ged.jar -class-name ged

结果： [cloudera@quickstart ~]$ hadoop fs -cat /user/hive/merged/ged2/* 1，年年 2、彼得 3、鲍比 4、玛丽亚 5、笑话 6、小丑

原来我有 1, XXX 但没有 6,Joker

这有点不同，所以我不确定要说明什么。在任何情况下，1 个文件都不是具有大量数据的有效假设。您的语句可能适用于额外的参数，但这也适用。

这里的线索是通过合并更新不可变系统，需要不同的目标，这些目标可以通过外部表命令根据位置进行切换。