sqoop从hive导入数据到mysql时出现主键冲突

Posted 2021-02-03 shujuxiong

今天在将一个hive数仓表导出到mysql数据库时出现进度条一直维持在95%一段时间后提示失败的情况，搞了好久才解决。使用的环境是HUE中的Oozie的workflow任何调用sqoop命令，该死的oozie的日志和异常提示功能太辣鸡了，最后发现是重复数据导致数据进入mysql表时出现主键冲突进而导致数据同步失败。

（1）众所周知hive表是没有主键与索引的，但是mysql的表一般在创建时就会指定主键，所以在把hive表中的数据导入mysql表的时候通常会使用原hive表中的多个字段构成联合主键，这几个主键字段的值必须能唯一地标识表中的每一条记录，也即导入数据的这几个字段的联合值不能出现重复值。

比如下面这张mysql表中主键由5个字段构成agent_id,estate_id,event_name,action_timestamp,dt，因此在导入数据时需保证不能出现重复值。

CREATE TABLE IF NOT EXISTS tmp_shujuxiong_20190116(
agent_id                                    bigint(20) NOT NULL DEFAULT ‘0‘     comment ‘经纪人id‘,
agent_true_name                             varchar(1000) DEFAULT NULL          comment ‘经纪人姓名‘,
longitude                                   varchar(1000) DEFAULT NULL          comment ‘用户所在经度‘,
latitude                                    varchar(1000) DEFAULT NULL          comment ‘用户所在纬度‘,
action_timestamp                            VARCHAR(200) NOT NULL               comment ‘动作时间‘,
action_date                                 VARCHAR(200) NOT NULL               comment ‘动作日期‘,
event_name                                  varchar(200) NOT NULL               comment ‘事件名称‘,
estate_id                                   bigint(20)   NOT NULL               comment ‘楼盘id‘,
estate_name                                 varchar(1000) DEFAULT NULL          comment ‘楼盘名称‘,
estate_developer_name                       varchar(1000) DEFAULT NULL          comment ‘楼盘开发商名称‘,
estate_developer_brand_name                 varchar(1000) DEFAULT NULL          comment ‘楼盘开发商品牌‘,

load_job_number                             varchar(1000) DEFAULT NULL          comment ‘数据仓库调度工具oozie job单次运行id, 使用oozie EL function: ${wf:id()}‘,
load_job_name                               varchar(1000) DEFAULT NULL          comment ‘数据仓库调度工具oozie_job名称: 使用oozie EL function: ${wf:name()}‘,
insert_timestamp                            timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP          comment ‘数据仓库数据插入时间‘,
source_system_code                          INT(11)                             comment ‘数据仓库的源系统数据分类：1-二手房；2-新房；3-金融；4-租房‘,
dt                                          varchar(8)    NOT NULL              comment ‘分区字段‘,
PRIMARY KEY (agent_id,estate_id,event_name,action_timestamp,dt),
KEY agent_id (agent_id)
) ENGINE=INNODB DEFAULT CHARSET=utf8mb4 COMMENT ‘XXX接口数据‘
;

 

（2）另一个需要注意的问题的是字段类型与字段长度，hive的数据类型与mysql的数据不完全相同，因此mysql中创建表的时候需要特别注意字段的类型与长度。

（3）可以在hive表中使用一个自增字段起到类似主键的作用，以便于在hive和mysql间进行数据同步，确保数据同步时不发生主键冲突。

 如下面这段HQL脚本中可以使用自增序号字段起到主键的作用，在其他字段组合不能保证数据唯一性的时候

alter table tmp_table_name drop if exists partition (dt = ‘${dt}‘);
alter table tmp_table_name add if not exists partition (dt = ‘${dt}‘);

insert overwrite table tmp_table_name partition(dt = ‘${dt}‘)
select
    row_number()over() as row_number    -- 自增序号
    , id
    ...
from ...