记一次Sqoop抽数据异常

1. 环境

Hadoop	Sqoop	awsEMR
2.8.5	1.4.7	5.26.0

2.错误描述

在使用Sqoop抽取MySQL数据时，使用hdfs作为缓存，s3作为hive的存储地址，命令如下。

sqoop import "-Dorg.apache.sqoop.splitter.allow_text_splitter=true" -Dmapreduce.job.queuename=default \
--connect jdbc:mysql://${host}:${port}/${db}?tinyInt1isBit=false\&zeroDateTimeBehavior=convertToNull \
--username ${user} \
--password ${password} \
--hive-import \
--hive-overwrite \
--hive-database ${hiveDb} \
--hive-table ${hiveTable} \
--fields-terminated-by '\0x01' \
--lines-terminated-by '\n' \
--null-string '\\N' \
--null-non-string '\\N' \
--hive-partition-key pt \
--hive-partition-value ${pt} \
--hive-delims-replacement ' ' \
--target-dir hdfs:///vova-bd-prod/sqoop-tmp/${db}/${table} \
--query "select ${hive_columns} from ${table} where \$CONDITIONS" \
--split-by ${split_id} -m ${mapers}

抽取到hdfs之后，需要distcp到s3，这时发生错误如下：

FAILED Container [pid=3951,containerID=container_1567749318934_0017_01_000010] is running beyond physical memory limits. Current usage: 1.1 GB of 1 GB physical memory used; 8.1 GB of 5 GB virtual memory used. Killing container.

3.原因以及解决方法

使用sqoop导入数据，distcp使用hadoop-discp-*.jar的jar包，因为这个jar包内置"distcp-default.xml"配置文件，jar包路径：/usr/lib/hadoop/hadoop-distcp-2.8.5-amzn-4.jar。

里面的配置代码如下，它会覆盖'mapred-site.xml' and 'yarn-site.xml'的map、reduce内存配置。

################
    <property>
        <name>mapred.job.map.memory.mb</name>
        <value>1024</value>
    </property>

    <property>
        <name>mapred.job.reduce.memory.mb</name>
        <value>1024</value>
    </property>
################

所以我们在Sqoop后边加上这个参数就可以了，

sqoop import "-Dorg.apache.sqoop.splitter.allow_text_splitter=true" -Dmapred.job.map.memory.mb=4096  -Dmapred.job.reduce.memory.mb=4096