背景
数仓算好的数据需要导出到MySQL,但现有的操作流程导出千万级的数据耗时近2小时,2小时的导出速度无法忍耐,且失败成本较高,故急需优化提速。
- Hive表为orc格式,按月分区,数据每月通过spark任务执行,并且insert 命令后会带上distribute by语句,保证每个月分区内只有一个文件
- MySQL环境为开发环境,硬件配置极低
思路
正常我们执行sqoop命令导出数据时,都有固有的模板,类似:
sqoop export \
--connect "${conn_info}" \
--username ${username} \
--password ${password} \
--table ${target_table_name} \
--hcatalog-database ${from_database_name} \
--hcatalog-table ${from_table_name} \
--hcatalog-partition-keys ${partition_key} \
--hcatalog-partition-values "${partition_value}" \
--columns "xxx,xxx,xxx,xxx,xxx" \
--mapreduce-job-name ${your_mr_job_name} \
-m 1
1.首先想到的方式发增大-m参数的值,想通过增加并行度的方式来提升导出速度,随后我将值改到8执行,但在yarn界面上始终看到只有一个map在跑,也就是说-m参数配置没生效,后来测试了配置为4和2,都只有一个map在运行,导致速度很慢。
2.后来查看了这张hive表的底层存储路径,才发现了问题所在。由于每月跑任务用了distribute by语句,导致最终每个分区只有一个文件,所以当我无脑增大-m的配置时是不会生效的。
实施
想明白以后,我通过spark重新insert overwrite了这张表,并且去掉了distribute by语句,使每个分区分成默认数量个文件,然后重新提交了sqoop命令,并且将-m直接成了20,后来在yarn界面中查看该任务时,发现-m的配置生效了,可以看到20个map任务并行执行。
效果
速度从最开始的120min提速到15min,提速近87.5%。
总结
经验证,sqoop -m值越大,导出越快,同时占用资源越多,根据自身需求取舍就好。