bash - sqoop创建impala Parquet 表

Question

我是一个相对较新的压印程序，所以请原谅任何无知。我一直在尝试从数据源中提取一张表作为 Parquet 文件，并创建一个Impala表(也作为 Parquet )，将经插入的数据插入其中。该代码运行没有问题，但是当我尝试选择几行进行测试时，出现错误:

.../EWT_CALL_PROF_DIM_SQOOP/ec2fe2b0-c9fa-4ef9-91f8-46cf0e12e272.parquet' has an incompatible Parquet schema for column 'dru_id.test_ewt_call_prof_dim_parquet.call_prof_sk_id'. Column type: INT, Parquet schema: optional byte_array CALL_PROF_SK_ID [i:0 d:1 r:0]

我正在镜像在cloudera指南上找到的过程: https://www.cloudera.com/documentation/enterprise/5-8-x/topics/impala_create_table.html。主要是“内部和外部表”部分。我一直在尝试避免使用特定的Parquet文件来推断架构，因为整个过程每个月都会用bash脚本启动(而且我也想不出一种将其指向一个文件的方法)如果我使用多个映射器)。

这是我使用的代码。我觉得自己要么缺少一些小而愚蠢的东西，要么就把所有主要问题搞砸了，却没有意识到。任何和所有帮助表示赞赏。谢谢!

    sqoop import -Doraoop.import.hint=" " \
    --options-file /home/kemri/pass.txt \
    --verbose \
    --connect jdbc:oracle:thin:@ldap://oid:389/cn=OracleContext,dc=[employer],dc=com/EWSOP000 \
    --username [userid] \
    --num-mappers 1 \
    --target-dir hdfs://nameservice1/data/res/warehouse/finance/[dru_userid]/EWT_CALL_PROF_DIM_SQOOP \
    --delete-target-dir \
    --table DMPROD.EWT_CALL_PROF_DIM \
    --direct \
    --null-string '\\N' \
    --null-non-string '\\N' \
    --as-parquetfile 


impala-shell -k -i hrtimpslb.[employer].com


create external table test_EWT_CALL_PROF_DIM_parquet(
CALL_PROF_SK_ID INT,
SRC_SKL_CD_ID STRING,
SPLIT_NM STRING,
SPLIT_DESC STRING,
CLM_SYS_CD STRING,
CLM_SYS_NM STRING,
LOB_CD STRING,
LOB_NM STRING,
CAT_IND STRING,
CALL_TY_CD STRING,
CALL_TY_NM STRING,
CALL_DIR_CD STRING,
CALL_DIR_NM STRING,
LANG_CD STRING,
LANG_NM STRING,
K71_ATOMIC_TS TIMESTAMP)
stored as parquet location '/data/res/warehouse/finance/[dru_userid]/EWT_CALL_PROF_DIM_SQOOP';

Answer 1

根据注释中的请求，我提供了一个示例，说明如何使用带有--hive-import的一个sqoop导入实现相同的目的。出于明显的原因，我没有针对您的特定要求对其进行测试，因此可能需要更多调整，而这些sqoop命令通常是这种情况。
根据我的经验，作为 Parquet 导入会迫使您使用--query选项，因为它不允许您将schema.table用作表。

sqoop import -Doraoop.import.hint=" "\
--verbose \
--connect jdbc:oracle:thin:@ldap://oid:389/cn=OracleContext,dc=[employer],dc=com/EWSOP000 \
--username [userid] \
-m 1 \
--password [ifNecessary] \
--hive-import \
--query 'SELECT * FROM DMPROD.EWT_CALL_PROF_DIM WHERE $CONDITIONS' \
--hive-database [database you want to use] \
--hive-table test_EWT_CALL_PROF_DIM_parquet \
--target-dir hdfs://nameservice1/data/res/warehouse/finance/[dru_userid]/EWT_CALL_PROF_DIM_SQOOP \
--null-string '\\N' \
--null-non-string '\\N' \
--as-parquetfile

基本上，您需要 --hive-import的是 --hive-database， --hive-table和 --query。
如果您不希望所有列都以字符串形式出现在Hive中，则还必须包括:

--map-hive-columns [column_name1=Timestamp,column_name2=Int,...]

您可能还需要类似的 --map-java-columns，但我不确定何时需要。
如果需要多个映射器，则需要一个 --split-by
如评论中所述，您将需要使用 invalidate metadata db.table来确保Impala可以看到这些更改。您可以从CL发出两个命令，也可以发出一个bash脚本，在其中可以使用 impala-shell -q [query]发出impala命令。