Sqoopを使ってRDBMとHadoop間でデータ転送を行なっている。Sqoopは、MapReduceジョブを実行し複数のMapタスクで並列にインポートやエクスポートを行なう。また、Sqoopはコマンドラインからsqoopコマンドを実行するだけで、データ転送に必要なテーブルのメタ情報の取得やRDBMとHadoop間でデータのやり取りをするインターフェースプログラムの生成やコンパイル、各Mapタスクへのデータスプリット計算などを内部で行ってくれるので、実行も非常に容易である。コマンドラインオプションも豊富に用意されており、多くの場合はそれらの組み合わせで十分対応できる。
Parse Error with Export
で、今回通常どおりSqoopを使ってデータ転送処理を実行していたところ、Sqoop Exportの実行時に以下のようなエラーになってしまった(以下のエラーはローカルで再現させたもの)。成功したMapタスクのデータは転送に成功しているが、失敗したMapタスクのデータは完全に転送されないためデータが不完全な状態になってしまう。parseに失敗しているデータを調べたところ、対象レコードにNUL(\00)
文字が含まれていたようだった。そこで、Sqoopの内部動作を追いながら回避方法を模索してみた。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 |
16/07/17 23:17:52 ERROR mapreduce.TextExportMapper: 16/07/17 23:17:52 ERROR mapreduce.TextExportMapper: Exception raised during data export 16/07/17 23:17:52 ERROR mapreduce.TextExportMapper: 16/07/17 23:17:52 ERROR mapreduce.TextExportMapper: Exception: java.lang.RuntimeException: Can't parse input data: '0' at employee.__loadFromFields(employee.java:335) at employee.parse(employee.java:268) at org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:83) at org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:39) at org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:140) at org.apache.sqoop.mapreduce.AutoProgressMapper.run(AutoProgressMapper.java:64) at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:672) at org.apache.hadoop.mapred.MapTask.run(MapTask.java:330) at org.apache.hadoop.mapred.LocalJobRunner$Job$MapTaskRunnable.run(LocalJobRunner.java:268) at java.util.concurrent.Executors$RunnableAdapter.call(Executors.java:511) at java.util.concurrent.FutureTask.run(FutureTask.java:266) at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) at java.lang.Thread.run(Thread.java:745) Caused by: java.util.NoSuchElementException at java.util.ArrayList$Itr.next(ArrayList.java:854) at employee.__loadFromFields(employee.java:330) ... 13 more |
テスト環境
今回の動作テストの環境は以下の通り。
- sqoop-1.4.5-cdh5.3.3
- ローカル環境
Sqoop Process Overview
まず、Sqoopの実行プロセス概要は以下のようになっている。RDBMSとHDFS間のデータ転送はMapReduceジョブで(Mapタスク)並列実行される。Mapタスクの数などはオプションで調整することができる。
Generated Sqoop ORM Class
Sqoopは、実行時にデータ転送のためのORMクラスを生成する。Sqoop Exportを実行してMySQLへデータ転送する例を挙げ、どのようなORMクラスが生成されるのかを見てみる。
まずは、以下のようなテーブルをMySQLに準備する。
1 2 3 4 5 6 |
create table employee ( id int primary key, name text, group_id int, sex tinyint ) ENGINE=InnoDB DEFAULT CHARSET=utf8; |
続いてexportコマンドでORMクラスの生成及びexport処理を実行してみる。今回は、ローカル環境でコマンドラインでなくIDE上でJavaから直接Sqoopクラスをコールする形で実行した。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 |
package sample; import org.apache.sqoop.Sqoop; public class SqoopExportTest { public static void main(String[] args) { exportToMySQL("sample", "employee"); } static void exportToMySQL(String database, String table) { System.out.println("=> exportToMySQL"); String[] args = new String[] { "export", "--connect", "jdbc:mysql://localhost/" + database, "--username", "sqoop", "--password", "sqoop", "--export-dir", "input", "--input-null-string", "\\\\N", "--input-null-non-string", "\\\\N", "--table", table, "--input-fields-terminated-by", "\001", "--bindir", "output", "--outdir", "output" }; Sqoop.main(args); } } |
実行するとoutputディレクトリに以下のファイルが生成される。
1 2 3 4 5 6 7 |
$ tree output/ output/ ├── employee.class ├── employee.jar └── employee.java 0 directories, 3 files |
employee.javaがORMクラスになり中身は以下のとおり。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 |
// ORM class for table 'employee' // WARNING: This class is AUTO-GENERATED. Modify at your own risk. // // Debug information: // Generated date: Sun Jul 17 12:28:31 JST 2016 // For connector: org.apache.sqoop.manager.MySQLManager import org.apache.hadoop.io.BytesWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.io.Writable; import org.apache.hadoop.mapred.lib.db.DBWritable; import com.cloudera.sqoop.lib.JdbcWritableBridge; import com.cloudera.sqoop.lib.DelimiterSet; import com.cloudera.sqoop.lib.FieldFormatter; import com.cloudera.sqoop.lib.RecordParser; import com.cloudera.sqoop.lib.BooleanParser; import com.cloudera.sqoop.lib.BlobRef; import com.cloudera.sqoop.lib.ClobRef; import com.cloudera.sqoop.lib.LargeObjectLoader; import com.cloudera.sqoop.lib.SqoopRecord; import java.sql.PreparedStatement; import java.sql.ResultSet; import java.sql.SQLException; import java.io.DataInput; import java.io.DataOutput; import java.io.IOException; import java.nio.ByteBuffer; import java.nio.CharBuffer; import java.sql.Date; import java.sql.Time; import java.sql.Timestamp; import java.util.Arrays; import java.util.Iterator; import java.util.List; import java.util.Map; import java.util.TreeMap; public class employee extends SqoopRecord implements DBWritable, Writable { private final int PROTOCOL_VERSION = 3; public int getClassFormatVersion() { return PROTOCOL_VERSION; } protected ResultSet __cur_result_set; private Integer id; public Integer get_id() { return id; } public void set_id(Integer id) { this.id = id; } public employee with_id(Integer id) { this.id = id; return this; } private String name; public String get_name() { return name; } public void set_name(String name) { this.name = name; } public employee with_name(String name) { this.name = name; return this; } private Integer group_id; public Integer get_group_id() { return group_id; } public void set_group_id(Integer group_id) { this.group_id = group_id; } public employee with_group_id(Integer group_id) { this.group_id = group_id; return this; } private Integer sex; public Integer get_sex() { return sex; } public void set_sex(Integer sex) { this.sex = sex; } public employee with_sex(Integer sex) { this.sex = sex; return this; } public boolean equals(Object o) { if (this == o) { return true; } if (!(o instanceof employee)) { return false; } employee that = (employee) o; boolean equal = true; equal = equal && (this.id == null ? that.id == null : this.id.equals(that.id)); equal = equal && (this.name == null ? that.name == null : this.name.equals(that.name)); equal = equal && (this.group_id == null ? that.group_id == null : this.group_id.equals(that.group_id)); equal = equal && (this.sex == null ? that.sex == null : this.sex.equals(that.sex)); return equal; } public boolean equals0(Object o) { if (this == o) { return true; } if (!(o instanceof employee)) { return false; } employee that = (employee) o; boolean equal = true; equal = equal && (this.id == null ? that.id == null : this.id.equals(that.id)); equal = equal && (this.name == null ? that.name == null : this.name.equals(that.name)); equal = equal && (this.group_id == null ? that.group_id == null : this.group_id.equals(that.group_id)); equal = equal && (this.sex == null ? that.sex == null : this.sex.equals(that.sex)); return equal; } public void readFields(ResultSet __dbResults) throws SQLException { this.__cur_result_set = __dbResults; this.id = JdbcWritableBridge.readInteger(1, __dbResults); this.name = JdbcWritableBridge.readString(2, __dbResults); this.group_id = JdbcWritableBridge.readInteger(3, __dbResults); this.sex = JdbcWritableBridge.readInteger(4, __dbResults); } public void readFields0(ResultSet __dbResults) throws SQLException { this.id = JdbcWritableBridge.readInteger(1, __dbResults); this.name = JdbcWritableBridge.readString(2, __dbResults); this.group_id = JdbcWritableBridge.readInteger(3, __dbResults); this.sex = JdbcWritableBridge.readInteger(4, __dbResults); } public void loadLargeObjects(LargeObjectLoader __loader) throws SQLException, IOException, InterruptedException { } public void loadLargeObjects0(LargeObjectLoader __loader) throws SQLException, IOException, InterruptedException { } public void write(PreparedStatement __dbStmt) throws SQLException { write(__dbStmt, 0); } public int write(PreparedStatement __dbStmt, int __off) throws SQLException { JdbcWritableBridge.writeInteger(id, 1 + __off, 4, __dbStmt); JdbcWritableBridge.writeString(name, 2 + __off, -1, __dbStmt); JdbcWritableBridge.writeInteger(group_id, 3 + __off, 4, __dbStmt); JdbcWritableBridge.writeInteger(sex, 4 + __off, -6, __dbStmt); return 4; } public void write0(PreparedStatement __dbStmt, int __off) throws SQLException { JdbcWritableBridge.writeInteger(id, 1 + __off, 4, __dbStmt); JdbcWritableBridge.writeString(name, 2 + __off, -1, __dbStmt); JdbcWritableBridge.writeInteger(group_id, 3 + __off, 4, __dbStmt); JdbcWritableBridge.writeInteger(sex, 4 + __off, -6, __dbStmt); } public void readFields(DataInput __dataIn) throws IOException { this.readFields0(__dataIn); } public void readFields0(DataInput __dataIn) throws IOException { if (__dataIn.readBoolean()) { this.id = null; } else { this.id = Integer.valueOf(__dataIn.readInt()); } if (__dataIn.readBoolean()) { this.name = null; } else { this.name = Text.readString(__dataIn); } if (__dataIn.readBoolean()) { this.group_id = null; } else { this.group_id = Integer.valueOf(__dataIn.readInt()); } if (__dataIn.readBoolean()) { this.sex = null; } else { this.sex = Integer.valueOf(__dataIn.readInt()); } } public void write(DataOutput __dataOut) throws IOException { if (null == this.id) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); __dataOut.writeInt(this.id); } if (null == this.name) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); Text.writeString(__dataOut, name); } if (null == this.group_id) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); __dataOut.writeInt(this.group_id); } if (null == this.sex) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); __dataOut.writeInt(this.sex); } } public void write0(DataOutput __dataOut) throws IOException { if (null == this.id) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); __dataOut.writeInt(this.id); } if (null == this.name) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); Text.writeString(__dataOut, name); } if (null == this.group_id) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); __dataOut.writeInt(this.group_id); } if (null == this.sex) { __dataOut.writeBoolean(true); } else { __dataOut.writeBoolean(false); __dataOut.writeInt(this.sex); } } private static final DelimiterSet __outputDelimiters = new DelimiterSet((char) 44, (char) 10, (char) 0, (char) 0, false); public String toString() { return toString(__outputDelimiters, true); } public String toString(DelimiterSet delimiters) { return toString(delimiters, true); } public String toString(boolean useRecordDelim) { return toString(__outputDelimiters, useRecordDelim); } public String toString(DelimiterSet delimiters, boolean useRecordDelim) { StringBuilder __sb = new StringBuilder(); char fieldDelim = delimiters.getFieldsTerminatedBy(); __sb.append(FieldFormatter.escapeAndEnclose(id==null?"null":"" + id, delimiters)); __sb.append(fieldDelim); __sb.append(FieldFormatter.escapeAndEnclose(name==null?"null":name, delimiters)); __sb.append(fieldDelim); __sb.append(FieldFormatter.escapeAndEnclose(group_id==null?"null":"" + group_id, delimiters)); __sb.append(fieldDelim); __sb.append(FieldFormatter.escapeAndEnclose(sex==null?"null":"" + sex, delimiters)); if (useRecordDelim) { __sb.append(delimiters.getLinesTerminatedBy()); } return __sb.toString(); } public void toString0(DelimiterSet delimiters, StringBuilder __sb, char fieldDelim) { __sb.append(FieldFormatter.escapeAndEnclose(id==null?"null":"" + id, delimiters)); __sb.append(fieldDelim); __sb.append(FieldFormatter.escapeAndEnclose(name==null?"null":name, delimiters)); __sb.append(fieldDelim); __sb.append(FieldFormatter.escapeAndEnclose(group_id==null?"null":"" + group_id, delimiters)); __sb.append(fieldDelim); __sb.append(FieldFormatter.escapeAndEnclose(sex==null?"null":"" + sex, delimiters)); } private static final DelimiterSet __inputDelimiters = new DelimiterSet((char) 1, (char) 10, (char) 0, (char) 0, false); private RecordParser __parser; public void parse(Text __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } public void parse(CharSequence __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } public void parse(byte [] __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } public void parse(char [] __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } public void parse(ByteBuffer __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } public void parse(CharBuffer __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } private void __loadFromFields(List<String> fields) { Iterator<String> __it = fields.listIterator(); String __cur_str = null; try { __cur_str = __it.next(); if (__cur_str.equals("\\N") || __cur_str.length() == 0) { this.id = null; } else { this.id = Integer.valueOf(__cur_str); } __cur_str = __it.next(); if (__cur_str.equals("\\N")) { this.name = null; } else { this.name = __cur_str; } __cur_str = __it.next(); if (__cur_str.equals("\\N") || __cur_str.length() == 0) { this.group_id = null; } else { this.group_id = Integer.valueOf(__cur_str); } __cur_str = __it.next(); if (__cur_str.equals("\\N") || __cur_str.length() == 0) { this.sex = null; } else { this.sex = Integer.valueOf(__cur_str); } } catch (RuntimeException e) { throw new RuntimeException("Can't parse input data: '" + __cur_str + "'", e); } } private void __loadFromFields0(Iterator<String> __it) { String __cur_str = null; try { __cur_str = __it.next(); if (__cur_str.equals("\\N") || __cur_str.length() == 0) { this.id = null; } else { this.id = Integer.valueOf(__cur_str); } __cur_str = __it.next(); if (__cur_str.equals("\\N")) { this.name = null; } else { this.name = __cur_str; } __cur_str = __it.next(); if (__cur_str.equals("\\N") || __cur_str.length() == 0) { this.group_id = null; } else { this.group_id = Integer.valueOf(__cur_str); } __cur_str = __it.next(); if (__cur_str.equals("\\N") || __cur_str.length() == 0) { this.sex = null; } else { this.sex = Integer.valueOf(__cur_str); } } catch (RuntimeException e) { throw new RuntimeException("Can't parse input data: '" + __cur_str + "'", e); } } public Object clone() throws CloneNotSupportedException { employee o = (employee) super.clone(); return o; } public void clone0(employee o) throws CloneNotSupportedException { } public Map<String, Object> getFieldMap() { Map<String, Object> __sqoop$field_map = new TreeMap<String, Object>(); __sqoop$field_map.put("id", this.id); __sqoop$field_map.put("name", this.name); __sqoop$field_map.put("group_id", this.group_id); __sqoop$field_map.put("sex", this.sex); return __sqoop$field_map; } public void getFieldMap0(Map<String, Object> __sqoop$field_map) { __sqoop$field_map.put("id", this.id); __sqoop$field_map.put("name", this.name); __sqoop$field_map.put("group_id", this.group_id); __sqoop$field_map.put("sex", this.sex); } public void setField(String __fieldName, Object __fieldVal) { if ("id".equals(__fieldName)) { this.id = (Integer) __fieldVal; } else if ("name".equals(__fieldName)) { this.name = (String) __fieldVal; } else if ("group_id".equals(__fieldName)) { this.group_id = (Integer) __fieldVal; } else if ("sex".equals(__fieldName)) { this.sex = (Integer) __fieldVal; } else { throw new RuntimeException("No such field: " + __fieldName); } } public boolean setField0(String __fieldName, Object __fieldVal) { if ("id".equals(__fieldName)) { this.id = (Integer) __fieldVal; return true; } else if ("name".equals(__fieldName)) { this.name = (String) __fieldVal; return true; } else if ("group_id".equals(__fieldName)) { this.group_id = (Integer) __fieldVal; return true; } else if ("sex".equals(__fieldName)) { this.sex = (Integer) __fieldVal; return true; } else { return false; } } } |
Export処理でのエラーを探る
今回エラーとなったNUL文字を含むデータとして以下のようなサンプルデータを用意した。^A
や^@
は制御コードを示している。
入力データ
1 2 3 4 5 |
1^Ahaikikyou^A100^A0 2^A^@^A200^A1 3^A\N^A300^A1 4^Adeife^A400^A1 5^Adffife^A800^A1 |
レコードのparse
ソースの中でExceptionがスローされたのは以下の箇所。ソース中のコメントにも書いているが、レコードを行単位で処理していく(入力データは標準的なテキストファイルを想定)際にレコードをparseしてフィールドのリストとして返すところで、メソッドから返されたリストの要素数がテーブルメタ情報から取得したカラム数と一致していないことでエラーとなっていたもよう。__loadFromFieldsメソッドでIteratorを使って要素にアクセスするが、リストのフィールド数がカラム数より小さいため、リストの終端を超えた要素アクセスが発生しjava.util.NoSuchElementExceptionがスローされている。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
... // 入力レコードに関する区切り文字などの指定 private static final DelimiterSet __inputDelimiters = new DelimiterSet((char) 1, (char) 10, (char) 0, (char) 0, false); private RecordParser __parser; public void parse(Text __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } // RecordParserにより各フィールドごとに分割されたリストが返されるが // NUL文字が含まれる場合、parseRecordで戻されるフィールド数がテーブル情報と // 一致していない List<String> __fields = this.__parser.parseRecord(__record); // 各種フィールドをemployeeインスタンスメンバにリストアする __loadFromFields(__fields); } ... |
さらに、RecordParser#parseRecordを追ってみる。parseRecordはステートマシンで実装されており、行レコードをパースしてフィールドのリストに分解する。以下は、メソッドの処理を簡略化したものになる。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 |
... public List<String> parseRecord(CharBuffer input) { ... char enclosingChar = delimiters.getEnclosedBy(); char fieldDelim = delimiters.getFieldsTerminatedBy(); char recordDelim = delimiters.getLinesTerminatedBy(); char escapeChar = delimiters.getEscapedBy(); boolean enclosingRequired = delimiters.isEncloseRequired(); for (int pos = 0; pos < len; pos++) { curChar = input.get(); switch (state) { case FIELD_START: // ready to start processing a new field. if (null != sb) { // We finished processing a previous field. Add to the list. outputs.add(sb.toString()); } sb = new StringBuilder(); if (enclosingChar == curChar) { // got an opening encloser. state = ParseState.ENCLOSED_FIELD; } else if (escapeChar == curChar) { state = ParseState.UNENCLOSED_ESCAPE; } else if (fieldDelim == curChar) { // we have a zero-length field. This is a no-op. continue; } else if (recordDelim == curChar) { // we have a zero-length field, that ends processing. pos = len; } else { // current char is part of the field. state = ParseState.UNENCLOSED_FIELD; sb.append(curChar); if (enclosingRequired) { throw new com.cloudera.sqoop.lib.RecordParser.ParseError( "Opening field-encloser expected at position " + pos); } } break; case ENCLOSED_FIELD: ... break; case UNENCLOSED_FIELD: ... break; case ENCLOSED_ESCAPE: ... break; case ENCLOSED_EXPECT_DELIMITER: ... break; case UNENCLOSED_ESCAPE: ... break; default: throw new com.cloudera.sqoop.lib.RecordParser.ParseError( "Unexpected parser state: " + state); } } ... } |
上記のステートマシンの状態遷移図を書くと以下のようになるだろうか。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 |
Start X + fieldDelim | fieldDelim recordDelim +-+ | +---------------------+ +--+ | | | | | | | +v-+---v--v-+ +---+------+--v--+ +----------->FIELD_START+--------------->UNENCLOSED_FIELD+------+ | +^-+--+--+--+ +-----^----+--^--+ | | | | | | | | | | | +-+ | | | +--+ | | recordDelim | | | |escapeChar | | | +--------------+ | | | | | | | enclosingChar| | escapeChar | | | | +------------------------------------+ | | | +----+ | | | | | | | | | | | | | +-+-v----------+ +--v--+--v--------+ | +-->ENCLOSED_FIELD<------------+ |UNENCLOSED_ESCAPE| | +---+--+-------+ | +-----------------+ | | | | |fieldDelim | | | | | | | | | | escapeChar +---+-----------+ | | +---------------->ENCLOSED_ESCAPE| | | +---------------+ | |enclosingChar | | | +---v---------------------+ +-+ +-------------+ENCLOSED_EXPECT_DELIMITER+-------->X|throw ParseError +-----------------^--+----+ +-+ | | +--+ recordDelim |
この状態遷移図をもとに、今回ParseErrorとなったレコードの遷移を見てみる。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
INPUT RECORD 2^A^@^A200^A1 ------------------------------------------------- (2) ^A +----------------------+ | | +-------v---+ (1) 2 +------+---------+ |FIELD_START+----------->UNENCLOSED_FIELD| +-------+---+ +----------------+ | (3) ^@ | | | +--------------+ +-->ENCLOSED_FIELD| +-----+--^-----+ | | +--+ (4)... |
NUL文字はenclosingCharのデフォルト値として使われているため、今回のようにレコードにNUL文字が含まれていた場合、本来FILED_START -> UNENCLOSED_FIELDと遷移することを期待していたが、FIELD_STARTの状態時にENCLOSED_FIELDに遷移する入力(enclosingCharトークン)が出現したため期待と異なる状態へ遷移してしまっていた。この結果、最終的にListとして返されたデータは以下のようになっていた。
1 2 3 4 5 6 7 8 9 |
Expected ----- fields[0] = 2 fields[1] = ^@ fields[2] = 200 fields[3] = 1 UnExpected ----- fields[0] = 2 fields[1] = ^A200^A1 |
不正文字を含むレコードのParseErrorへの対処
ORMクラス内で文字列置換
なかなか難儀だが、自動生成されたORMクラス内でparseRecordされる前に置換する方法。修正したソースを事前にコンパイルして、exportやimportコマンド実行時に--jar-file
オプションで渡してやる。
1 2 3 4 5 6 7 8 9 10 |
public void parse(Text __record) throws RecordParser.ParseError { if (null == this.__parser) { this.__parser = new RecordParser(__inputDelimiters); } // replace invalid characters with '?'. // 不正文字の置換 __record = new Text(__record.toString().replaceAll("\001", "?")); List<String> __fields = this.__parser.parseRecord(__record); __loadFromFields(__fields); } |
enclosingChar、escapeCharの変更
もう1つは、極力sqoopの範囲で対応してあげる方法があるだろうか。デフォルトではNUL文字となっているenclosingCharやescapeCharを処理上影響のない文字に変更する。Exportの場合は、--input-escaped-by
、--input-optionally-enclosed-by
で指定できる。例えば以下のようになる。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 |
package sample; import org.apache.sqoop.Sqoop; public class SqoopExportTest { public static void main(String[] args) { exportToMySQL("sample", "employee"); } static void exportToMySQL(String database, String table) { System.out.println("=> exportToMySQL"); String[] args = new String[] { "export", "--connect", "jdbc:mysql://localhost/" + database, "--username", "sqoop", "--password", "sqoop", "--export-dir", "input", "--input-null-string", "\\\\N", "--input-null-non-string", "\\\\N", "--table", table, "--input-fields-terminated-by", "\001", "--bindir", "output/bin", "--outdir", "output", "--input-escaped-by", "\032", "--input-optionally-enclosed-by", "\032", "--verbose" }; Sqoop.main(args); } } |
実行するとmysqlには以下のようにデータが入っていることが確認できた。
1 2 3 4 5 6 7 8 9 10 11 |
mysql> select * from employee; +----+-----------+----------+------+ | id | name | group_id | sex | +----+-----------+----------+------+ | 1 | haikikyou | 100 | 0 | | 2 | | 200 | 1 | | 3 | NULL | 300 | 1 | | 4 | deife | 400 | 1 | | 5 | dffife | 800 | 1 | +----+-----------+----------+------+ 5 rows in set (0.00 sec) |
例えば、RDBMSからHDFSへ--hive-drop-import-delims
オプション付きでhiveインポートして、さらに別のサービスで同テーブルデータを使いたくexportするような場合には、--hive-drop-import-delims
でドロップされた文字を--input-escaped-by
などのオプションに渡してあげれば、export時にドロップされた文字が出現しないことが保証されるだろう。
1 2 3 4 |
RDBMS ----------------> HDFS --------------> RDMBS import with export with --hive-drop-import-delims --input-escaped-by "\n" --input-optionally-enclosed-by "\n" |
https://sqoop.apache.org/docs/1.4.5/SqoopUserGuide.html#_importing_data_into_hive
ということで、レコード内にsqoopのパースに影響のある文字列が含まれる場合は注意する。事前に不正な文字列が除去できているのが望ましいと思う。
参考リンク
- https://sqoop.apache.org/docs/1.4.5/SqoopUserGuide.html
オライリージャパン
売り上げランキング: 246,670
コメント