Sqoop 并行度调整 -m 以及 --split-by

Sqoop 并行化原理

Sqoop并行化是启多个map task实现的，-m(或--num-mappers)参数指定map task数，默认是四个。

当指定为1时，可以不用设置split-by参数，不指定num-mappers时，默认为4，当不指定或者num-mappers大于1时，需要指定split-by参数。并行度不是设置的越大越好，map task的启动和销毁都会消耗资源，而且过多的数据库连接对数据库本身也会造成压力。在并行操作里，首先要解决输入数据是以什么方式负债均衡到多个map的，即怎么保证每个map处理的数据量大致相同且数据不重复。--split-by指定了split column，
在执行并行操作时(多个map task)，Sqoop需要知道以什么列split数据，其思想是：

    1、先查出split column的最小值和最大值

    2、然后根据map task数对(max-min)之间的数据进行均匀的范围切分

    例如 id 作为split column,其最小值是0、最大值1000，如果设置4个map数，每个map task执行的查询语句类似于：

SELECT * FROM sometable WHERE id >= lo AND id < hi，

每个task里(lo,hi)的值分别是 (0, 250), (250, 500), (500, 750), and (750, 1001)。

注意

Sqoop不能在多列字段上进行拆分，如果没有索引或者有组合键，必须显示设置splitting column；默认的主键作为split column，如果表里没有主键或者没有指定--split-by，就要设置num-mappers 1或者--autoreset-to-one-mapper，这样就只会启动一个task。

从上面的分析过程可以看到Sqoop以理想化方式根据split column将数据切分成多个范围，如果split键的值不是均匀分布，每个任务分配的数据量可能相差很大、导致数据倾斜。

耗时快慢和源端RDBMS服务器，表大小，列数量、网络带宽有较大关系，生产环境中，为了防止主库被Sqoop抽崩，一般从备库中抽取数据。

一般RDBMS的导出速度控制在60~80MB/s，每个 map 任务的处理速度5~10MB/s 估算，即 -m 参数一般设置4~8，表示启动 4~8 个map 任务并发抽取。

–split-by对非数字类型的字段支持不好。一般用于主键及数字类型的字段

sqoop是分布式工作，被抽取数据库权限要开放给每个节点而不是某个节点

原文链接：https://blog.csdn.net/u010003835/article/details/106604085