sqoop导出数据到Oracle,数据重复

背景

由于我们公司使用了biee给业务方同学查询数据，很多时候需要在hive计算结果后，导入到oracle中。但是在数据量特别大的时候，经常会出现:

Caused by: java.io.IOException: java.sql.SQLException: 关闭的连接
查看MR日志，可以发现其中有一段Connection Reset，然后sqoop任务就会重试，可以从日志中看到，重试并不是无缝的，那么就必然会导致一部分数据double（猜想重试应该是task级别的，也就是这个map task失败后，重试整个map task，但是这个map的部分数据已经写入了数据库，猜想sqoop导出其实就是一堆insert into value，因为你可以发现任务在跑的时候，数据库中表的数据是慢慢增加的）。

问题追踪

sqoop导出任务可以配置update-key，但是部分表缺乏主键。或者加入这个字段会影响效率。在经过查询后，发现一个非常好的解释：http://stackoverflow.com/questions/2327220/oracle-jdbc-intermittent-connection-issue/，大致可以这么理解Oracle JDBC在和Oracle server连接时，是通过一种安全的方式。驱动使用的是java.security.SecureRandom

      SecureRandom random = new SecureRandom();
      byte bytes[] = new byte[20];
      random.nextBytes(bytes);

　　调用者也可以调用generateseed方法来获取一个

byte seed[] = random.generateSeed(20);

　　同时，这里面有一条备注：

　　Note: Depending on the implementation, the generateSeed and nextBytes methods may block as entropy is being gathered, for example, if they need to read from /dev/random on various unix-like operating systems.

　　在Oracle JDBC中，就是通过获取entropy来安全的连接。

　　Entropy(熵）是由需要随机数或者密码学的操作系统或者应用程序收集/生成的随机性。这种随机性可以通过硬件来源，或者其他硬件噪音,多媒体数据，鼠标移动或者特定的提供随机性的生成器。内核收集entropy并将他们存储在一个entropy pool中。并使这部分随机字节数据可以被操作系统或者应用访问，通过特定的文件/dev/random 和/dev/urandom

　　从/dev/random读取以所请求的位/字节数量，排出熵池。从而提供密码操作中需要的高度随机性。在entropy pool 完全耗尽，并且没有足够的熵可用的情况下。会对/dev/random的读操作阻塞，直到收集到额外的熵。因此，从/dev/random读取的应用程序可能会阻塞一段随机时间。

　　相反的是,从/dev/urandom读取不会阻塞。从/dev/urandom读取也需要熵池，但是当缺乏足够的熵时，它不会阻塞，而是重新使用来自部分随机数据的位。据说容易受到密码分析攻击，因此不鼓励从/dev/urandom读取加密操作中需要的随机性。

　　java.security.SecureRandom类默认从/dev/random文件读取，因此有时会阻塞随机时间段。现在，如果读取操作没有返回所需的时间量，Oracle服务器会超时客户端(JDBC driver),并关闭末尾的套接字来删除通信。客户端（JDBC Driver)从阻塞调用返回尝试恢复通信会遇到IO异常。

解决方法

　　在如果从/dev/random读取阻塞，我们就让它从/dev/urandom读取，即加入参数sqoop export -D mapred.child.java.opts="\-Djava.security.egd=/dev/urandom"