最近在開發oozie的排程系統中遇到了下面錯誤

ERROR tool.ImportTool: EncounteredIOException running import job: java.io.IOException: DataStreamer Exception:
       atorg.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.run(DFSOutputStream.java:796)
Caused by: java.lang.OutOfMemoryError:unable to create new native thread
       at java.lang.Thread.start0(Native Method)
       at java.lang.Thread.start(Thread.java:714)
       atorg.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.initDataStreaming(DFSOutputStream.java:581)
       at org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.run(DFSOutputStream.java:669)
 

經過分析查找了這篇文章，故作收藏

之所以選擇Sqoop1是因為Sqoop2目前問題太多。無法正常使用，綜合比較後選擇Sqoop1。

Sqoop1安裝配置比較簡單

一、安裝部署

解壓到／opt/cdh5/sqoop

（2）、拷貝mysql的jdbc驅動包mysql-connector-java-5.1.31-bin.jar到sqoop/lib目錄下。

（3）、配置環境變數

#sqoop

export SQOOP_HOME=/opt/cdh5/sqoop

export PATH=$PATH:$SQOOP_HOME/bin

（4）、複製sqoop/conf/sqoop-env-template.sh為sqoop-env.sh

新增相關的配置

#Setpath to where bin/hadoop is available

exportHADOOP_COMMON_HOME=/opt/cdh5/hadoop

#Setpath to where hadoop-*-core.jar isavailable

exportHADOOP_MAPRED_HOME=/opt/cdh5/hadoop

#setthe path to where bin/hbase isavailable

exportHBASE_HOME=/opt/cdh5/hbase 

#Setthe path to where bin/hive is available

exportHIVE_HOME= /opt/cdh5/hive

#Setthe path for where zookeper config diris

exportZOOCFGDIR= /opt/cdh5/zookeeper

（5）、測試Sqoop

發現有警告

修改$SQOOP_HOME/bin/configure-sqoop

註釋掉HCatalog，Accumulo檢查(除非你準備使用HCatalog，Accumulo等HADOOP上的元件) 

## Moved to be a runtime check in sqoop.

#if [ ! -d "${HCAT_HOME}" ]; then

# echo "Warning: $HCAT_HOME does not exist! HCatalog jobs willfail."

# echo 'Please set $HCAT_HOME to the root of your HCatalog installation.'

#fi

#if [ ! -d "${ACCUMULO_HOME}" ];then

# echo "Warning: $ACCUMULO_HOME does not exist! Accumulo imports willfail."

# echo 'Please set $ACCUMULO_HOME to the root of your Accumuloinstallation.'

#fi 

再次執行sqoop version

你也可以檢視某一個命令的使用說明：

$ sqoopimport --help

$ sqoophelp import

sqoop import 的一個示例如下：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS

你還可以使用 --options-file 來傳入一個檔案，使用這種方式可以重用一些配置引數：

$ sqoop --options-file /users/homer/work/import.txt --table TEST

/users/homer/work/import.txt 檔案內容如下：

import

--connect

jdbc:mysql://192.168.56.121:3306/metastore

--username

hiveuser

--password 

redhat

二、Sqoop使用說明

1、測試連線：

（1）顯示mysql資料庫列表

sqoop list-databases –connect jdbc:mysql://hadoop003:3306/--username root –P

（2）顯示資料庫裡所有表:

sqoop list-tables --connectjdbc:mysql://hadoop003:3306/EDW --username root -P

2、Mysql與HDFS互導

（1）mysql匯入到hdfs

把mysql中表fin_cashier_order匯入到hdfs，匯入之前查詢一下fin_cashier_order表中的資料

共：199條

sqoop import --connectjdbc:mysql://hadoop003:3306/ssa --username root --password *****  --table fin_cashier_order --target-dir/user/hadoop/databases/ssa/fin_cashier_order -m 4

-m 表示Map併發數

若是不寫--target-dir 則預設是hdfs上的user/username/tablename 路徑

如果重複執行，會提示目錄已經存在，可以手動刪除

執行完mapreduce結束後去HDFS上檢查

驗證hdfs上匯入的資料：

hadoop fs -ls /user/hadoop/databases/ssa/fin_cashier_order

hadoop fs -cat /user/hadoop/databases/ssa/fin_cashier_order/part-m-00000

（2）HDFS匯入到mysql

把HDFS中資料匯入到Mysql表中，mysql中需要預先建立空表fin_cashier_order2，此時該表為空

sqoop export --connectjdbc:mysql://hadoop003:3306/ssa --table fin_cashier_order2 --username root--password ****** --export-dirhdfs://jrtestcluster/user/hadoop/databases/ssa/fin_cashier_order/

執行完顯示

16/02/25 16:23:39 INFOmapreduce.ExportJobBase: Transferred 70.4619 KB in 48.3235 seconds (1.4581KB/sec)

16/02/25 16:23:39 INFO mapreduce.ExportJobBase:Exported 199 records.

顯示匯出199條記錄。

到表fin_cashier_order2檢視

並且正好也是199條。

至此，用Sqoop將mysql與HDFS互導功都驗證完畢

你還可以指定其他的引數：

引數	說明
--append	將資料追加到hdfs中已經存在的dataset中。使用該引數，sqoop將把資料先匯入到一個臨時目錄中，然後重新給檔案命名到一個正式的目錄中，以避免和該目錄中已存在的檔案重名。
--as-avrodatafile	將資料匯入到一個Avro資料檔案中
--as-sequencefile	將資料匯入到一個sequence檔案中
--as-textfile	將資料匯入到一個普通文字檔案中，生成該文字檔案後，可以在hive中通過sql語句查詢出結果。
--boundary-query <statement>	邊界查詢，也就是在匯入前先通過SQL查詢得到一個結果集，然後匯入的資料就是該結果集內的資料，格式如：--boundary-query 'select id,no from t where id = 3'，表示匯入的資料為id=3的記錄，或者 select min(<split-by>), max(<split-by>) from <table name>，注意查詢的欄位中不能有資料型別為字串的欄位，否則會報錯
--columns<col,col>	指定要匯入的欄位值，格式如：--columns id,username
--direct	直接匯入模式，使用的是關係資料庫自帶的匯入匯出工具。官網上是說這樣匯入會更快
--direct-split-size	在使用上面direct直接匯入的基礎上，對匯入的流按位元組數分塊，特別是使用直連模式從PostgreSQL匯入資料的時候，可以將一個到達設定大小的檔案分為幾個獨立的檔案。
--inline-lob-limit	設定大物件資料型別的最大值
-m,--num-mappers	啟動N個map來並行匯入資料，預設是4個，最好不要將數字設定為高於叢集的節點數
--query，-e <sql>	從查詢結果中匯入資料，該引數使用時必須指定–target-dir、–hive-table，在查詢語句中一定要有where條件且在where條件中需要包含 \$CONDITIONS，示例：--query 'select * from t where \$CONDITIONS ' --target-dir /tmp/t –hive-table t
--split-by <column>	表的列名，用來切分工作單元，一般後面跟主鍵ID
--table <table-name>	關係資料庫表名，資料從該表中獲取
--delete-target-dir	刪除目標目錄
--target-dir <dir>	指定hdfs路徑
--warehouse-dir <dir>	與 --target-dir 不能同時使用，指定資料匯入的存放目錄，適用於hdfs匯入，不適合匯入hive目錄
--where	從關係資料庫匯入資料時的查詢條件，示例：--where "id = 2"
-z,--compress	壓縮引數，預設情況下資料是沒被壓縮的，通過該引數可以使用gzip壓縮演算法對資料進行壓縮，適用於SequenceFile, text文字檔案, 和Avro檔案
--compression-codec	Hadoop壓縮編碼，預設是gzip
--null-string <null-string>	可選引數，如果沒有指定，則字串null將被使用
--null-non-string <null-string>	可選引數，如果沒有指定，則字串null將被使用

示例程式：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --columns "tbl_id,create_time" --where "tbl_id > 1" --target-dir /user/hive/result

使用 sql 語句

參照上表，使用 sql 語句查詢時，需要指定 $CONDITIONS

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --query 'SELECT * from TBLS where \$CONDITIONS ' --split-by tbl_id -m 4 --target-dir /user/hive/result

上面命令通過 -m 1 控制併發的 map 數。

使用 direct 模式：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --delete-target-dir --direct --default-character-set UTF-8 --target-dir /user/hive/result

指定檔案輸出格式：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --fields-terminated-by"\t" --lines-terminated-by "\n" --delete-target-dir --target-dir /user/hive/result

這時候檢視 hdfs 中資料(觀察分隔符是否為製表符)：

$ hadoop fs -ls result
Found 5 items
-rw-r--r--   3 root hadoop          0 2014-08-04 16:07 result/_SUCCESS
-rw-r--r--   3 root hadoop         69 2014-08-04 16:07 result/part-m-00000
-rw-r--r--   3 root hadoop          0 2014-08-04 16:07 result/part-m-00001
-rw-r--r--   3 root hadoop        142 2014-08-04 16:07 result/part-m-00002
-rw-r--r--   3 root hadoop         62 2014-08-04 16:07 result/part-m-00003

$ hadoop fs -cat result/part-m-00000
34  1406784308  8   0   root    0   45  test1   EXTERNAL_TABLE  null    null    null

$ hadoop fs -cat result/part-m-00002
40  1406797005  9   0   root    0   52  test2   EXTERNAL_TABLE  null    null    null
42  1407122307  7   0   root    0   59  test3   EXTERNAL_TABLE  null    null    null

指定空字串：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --fields-terminated-by "\t" --lines-terminated-by "\n" --delete-target-dir --null-string '\\N' --null-non-string '\\N' --target-dir /user/hive/result

如果需要指定壓縮：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --fields-terminated-by "\t" --lines-terminated-by "\n" --delete-target-dir --null-string '\\N' --null-non-string '\\N' --compression-codec "com.hadoop.compression.lzo.LzopCodec" --target-dir /user/hive/result

附：可選的檔案引數如下表。

引數	說明
--enclosed-by <char>	給欄位值前後加上指定的字元，比如雙引號，示例：--enclosed-by '\"'，顯示例子："3","jimsss","[email protected]"
--escaped-by <char>	給雙引號作轉義處理，如欄位值為"測試"，經過 --escaped-by "\\" 處理後，在hdfs中的顯示值為：\"測試\"，對單引號無效
--fields-terminated-by <char>	設定每個欄位是以什麼符號作為結束的，預設是逗號，也可以改為其它符號，如句號.，示例如：--fields-terminated-by
--lines-terminated-by <char>	設定每條記錄行之間的分隔符，預設是換行串，但也可以設定自己所需要的字串，示例如：--lines-terminated-by "#" 以#號分隔
--mysql-delimiters	Mysql預設的分隔符設定，欄位之間以,隔開，行之間以換行\n隔開，預設轉義符號是\，欄位值以單引號'包含起來。
--optionally-enclosed-by <char>	enclosed-by是強制給每個欄位值前後都加上指定的符號，而--optionally-enclosed-by只是給帶有雙引號或單引號的欄位值加上指定的符號，故叫可選的

 3、Mysql與Hive互導

出現如下錯誤：

錯誤1:

ERROR tool.ImportTool: EncounteredIOException running import job: java.io.IOException: DataStreamer Exception:

       atorg.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.run(DFSOutputStream.java:796)

Caused by: java.lang.OutOfMemoryError:unable to create new native thread

       at java.lang.Thread.start0(Native Method)

       at java.lang.Thread.start(Thread.java:714)

       atorg.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.initDataStreaming(DFSOutputStream.java:581)

       at org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.run(DFSOutputStream.java:669)

解決方法：

net.ipv4.ip_local_port_range = 1024 65000

修改系統引數

echo "100000" > /proc/sys/kernel/threads-max

echo "100000" > /proc/sys/kernel/pid_max （預設32768）

echo "200000" > /proc/sys/vm/max_map_count （預設65530）

修改/etc/security/limits.conf

* - nproc 999999
* -nofile 999999
PS:nproc是修改系統的max user processes大小；nofile 是修改open files的大小，另外linux 2.6.25核心之前有個巨集定義，定義了這個值的最大值，為1024*1024，正好是100萬，而在2.6.25核心及其之後，這個值是可以通過/proc/sys/fs/nr_open來設定,不過，999999足夠用了。很多人可能會遇到，只能啟動32000多個執行緒就不能再起更多的執行緒了，其實就是pid_max = 32768 給限制住了

增加map數量，通過sqoop -m 選項指定更多的map。通過更多的map，降少每個子程序佔用的heap space，避免超出hadoop設定的java heap space 大小
sqoop ... -m <map 數量>

錯誤2:

Caused by: java.lang.RuntimeException:java.sql.SQLException: Access denied for user 'root'@'hadoop003' (usingpassword: YES)

       atorg.apache.sqoop.mapreduce.db.DBInputFormat.getConnection(DBInputFormat.java:220)

       atorg.apache.sqoop.mapreduce.db.DBInputFormat.setConf(DBInputFormat.java:165)

       ... 9 more

程式正常執行，結果也正確。說明資料庫連線是正確的，而且單獨用mysql連線也是可以的。就是報這個異常錯誤。 

查詢資料庫裡使用者資訊

JDBC連線的機器名是hadoop003,雖然已經賦予root所有機器的遠端訪問許可權（“％”），但是hadoop003這個賬戶可能沒有開通機器的遠端許可權。於是給hadoop003這個機器開通遠端許可權。

GRANT ALL PRIVILEGES ON *.* TO'root'@'hadoop003' IDENTIFIED BY '********' WITH GRANT OPTION;

再次執行匯入命令。成功。不再出現上面錯誤。

錯誤3:

從mysql匯入到Hive裡報如下錯誤：

ERROR hive.HiveConfig: Could not loadorg.apache.hadoop.hive.conf.HiveConf. Make sure HIVE_CONF_DIR is set correctly.

16/02/26 14:43:47 ERROR tool.ImportTool:Encountered IOException running import job: java.io.IOException:java.lang.ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf

資料已經匯入到HDFS。從HDFS移動到Hive裡時出錯。提示HIVE_CONF_DIR配置不對。

但是將HIVE_CONF_DIR新增到sqoop-env.sh、hadoop-env.sh、hive-env.sh都不起作用。

最終正確的解決方法：

在/etc/profile  裡新增下面一句話

exportHADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HIVE_HOME/lib/*

Sqoop-1.4.7版本好像解決了這個問題。期待這個版本

之所以選擇Sqoop1是因為Sqoop2目前問題太多。無法正常使用，綜合比較後選擇Sqoop1。

Sqoop1安裝配置比較簡單

一、安裝部署

解壓到／opt/cdh5/sqoop

（2）、拷貝mysql的jdbc驅動包mysql-connector-java-5.1.31-bin.jar到sqoop/lib目錄下。

（3）、配置環境變數

#sqoop

export SQOOP_HOME=/opt/cdh5/sqoop

export PATH=$PATH:$SQOOP_HOME/bin

（4）、複製sqoop/conf/sqoop-env-template.sh為sqoop-env.sh

新增相關的配置

#Setpath to where bin/hadoop is available

exportHADOOP_COMMON_HOME=/opt/cdh5/hadoop

#Setpath to where hadoop-*-core.jar isavailable

exportHADOOP_MAPRED_HOME=/opt/cdh5/hadoop

#setthe path to where bin/hbase isavailable

exportHBASE_HOME=/opt/cdh5/hbase 

#Setthe path to where bin/hive is available

exportHIVE_HOME= /opt/cdh5/hive

#Setthe path for where zookeper config diris

exportZOOCFGDIR= /opt/cdh5/zookeeper

（5）、測試Sqoop

發現有警告

修改$SQOOP_HOME/bin/configure-sqoop

註釋掉HCatalog，Accumulo檢查(除非你準備使用HCatalog，Accumulo等HADOOP上的元件) 

## Moved to be a runtime check in sqoop.

#if [ ! -d "${HCAT_HOME}" ]; then

# echo "Warning: $HCAT_HOME does not exist! HCatalog jobs willfail."

# echo 'Please set $HCAT_HOME to the root of your HCatalog installation.'

#fi

#if [ ! -d "${ACCUMULO_HOME}" ];then

# echo "Warning: $ACCUMULO_HOME does not exist! Accumulo imports willfail."

# echo 'Please set $ACCUMULO_HOME to the root of your Accumuloinstallation.'

#fi 

再次執行sqoop version

你也可以檢視某一個命令的使用說明：

$ sqoopimport --help

$ sqoophelp import

sqoop import 的一個示例如下：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS

你還可以使用 --options-file 來傳入一個檔案，使用這種方式可以重用一些配置引數：

$ sqoop --options-file /users/homer/work/import.txt --table TEST

/users/homer/work/import.txt 檔案內容如下：

import

--connect

jdbc:mysql://192.168.56.121:3306/metastore

--username

hiveuser

--password 

redhat

二、Sqoop使用說明

1、測試連線：

（1）顯示mysql資料庫列表

sqoop list-databases –connect jdbc:mysql://hadoop003:3306/--username root –P

（2）顯示資料庫裡所有表:

sqoop list-tables --connectjdbc:mysql://hadoop003:3306/EDW --username root -P

2、Mysql與HDFS互導

（1）mysql匯入到hdfs

把mysql中表fin_cashier_order匯入到hdfs，匯入之前查詢一下fin_cashier_order表中的資料

共：199條

sqoop import --connectjdbc:mysql://hadoop003:3306/ssa --username root --password *****  --table fin_cashier_order --target-dir/user/hadoop/databases/ssa/fin_cashier_order -m 4

-m 表示Map併發數

若是不寫--target-dir 則預設是hdfs上的user/username/tablename 路徑

如果重複執行，會提示目錄已經存在，可以手動刪除

執行完mapreduce結束後去HDFS上檢查

驗證hdfs上匯入的資料：

hadoop fs -ls /user/hadoop/databases/ssa/fin_cashier_order

hadoop fs -cat /user/hadoop/databases/ssa/fin_cashier_order/part-m-00000

（2）HDFS匯入到mysql

把HDFS中資料匯入到Mysql表中，mysql中需要預先建立空表fin_cashier_order2，此時該表為空

sqoop export --connectjdbc:mysql://hadoop003:3306/ssa --table fin_cashier_order2 --username root--password ****** --export-dirhdfs://jrtestcluster/user/hadoop/databases/ssa/fin_cashier_order/

執行完顯示

16/02/25 16:23:39 INFOmapreduce.ExportJobBase: Transferred 70.4619 KB in 48.3235 seconds (1.4581KB/sec)

16/02/25 16:23:39 INFO mapreduce.ExportJobBase:Exported 199 records.

顯示匯出199條記錄。

到表fin_cashier_order2檢視

並且正好也是199條。

至此，用Sqoop將mysql與HDFS互導功都驗證完畢

你還可以指定其他的引數：

引數	說明
--append	將資料追加到hdfs中已經存在的dataset中。使用該引數，sqoop將把資料先匯入到一個臨時目錄中，然後重新給檔案命名到一個正式的目錄中，以避免和該目錄中已存在的檔案重名。
--as-avrodatafile	將資料匯入到一個Avro資料檔案中
--as-sequencefile	將資料匯入到一個sequence檔案中
--as-textfile	將資料匯入到一個普通文字檔案中，生成該文字檔案後，可以在hive中通過sql語句查詢出結果。
--boundary-query <statement>	邊界查詢，也就是在匯入前先通過SQL查詢得到一個結果集，然後匯入的資料就是該結果集內的資料，格式如：--boundary-query 'select id,no from t where id = 3'，表示匯入的資料為id=3的記錄，或者 select min(<split-by>), max(<split-by>) from <table name>，注意查詢的欄位中不能有資料型別為字串的欄位，否則會報錯
--columns<col,col>	指定要匯入的欄位值，格式如：--columns id,username
--direct	直接匯入模式，使用的是關係資料庫自帶的匯入匯出工具。官網上是說這樣匯入會更快
--direct-split-size	在使用上面direct直接匯入的基礎上，對匯入的流按位元組數分塊，特別是使用直連模式從PostgreSQL匯入資料的時候，可以將一個到達設定大小的檔案分為幾個獨立的檔案。
--inline-lob-limit	設定大物件資料型別的最大值
-m,--num-mappers	啟動N個map來並行匯入資料，預設是4個，最好不要將數字設定為高於叢集的節點數
--query，-e <sql>	從查詢結果中匯入資料，該引數使用時必須指定–target-dir、–hive-table，在查詢語句中一定要有where條件且在where條件中需要包含 \$CONDITIONS，示例：--query 'select * from t where \$CONDITIONS ' --target-dir /tmp/t –hive-table t
--split-by <column>	表的列名，用來切分工作單元，一般後面跟主鍵ID
--table <table-name>	關係資料庫表名，資料從該表中獲取
--delete-target-dir	刪除目標目錄
--target-dir <dir>	指定hdfs路徑
--warehouse-dir <dir>	與 --target-dir 不能同時使用，指定資料匯入的存放目錄，適用於hdfs匯入，不適合匯入hive目錄
--where	從關係資料庫匯入資料時的查詢條件，示例：--where "id = 2"
-z,--compress	壓縮引數，預設情況下資料是沒被壓縮的，通過該引數可以使用gzip壓縮演算法對資料進行壓縮，適用於SequenceFile, text文字檔案, 和Avro檔案
--compression-codec	Hadoop壓縮編碼，預設是gzip
--null-string <null-string>	可選引數，如果沒有指定，則字串null將被使用
--null-non-string <null-string>	可選引數，如果沒有指定，則字串null將被使用

示例程式：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --columns "tbl_id,create_time" --where "tbl_id > 1" --target-dir /user/hive/result

使用 sql 語句

參照上表，使用 sql 語句查詢時，需要指定 $CONDITIONS

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --query 'SELECT * from TBLS where \$CONDITIONS ' --split-by tbl_id -m 4 --target-dir /user/hive/result

上面命令通過 -m 1 控制併發的 map 數。

使用 direct 模式：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --delete-target-dir --direct --default-character-set UTF-8 --target-dir /user/hive/result

指定檔案輸出格式：

$ sqoop import --connect jdbc:mysql://192.168.56.121:3306/metastore --username hiveuser --password redhat --table TBLS --fields-terminated-by"\t" --lines-terminated-by "\n" --delete-target-dir --target-dir /user/hive/result

這時候檢視 hdfs 中資料(觀察分隔符是否為製表符)：

$ hadoop fs -ls result
Found 5 items
-rw-r--r--   3 root hadoop          0 2014-08-04 16:07 result/_SUCCESS
-rw-r--r--   3 root hadoop         69 2014-08-04 16:07 result/part-m-00000
-rw-r--r--   3 root hadoop          0 2014-08-04 16:07 result/part-m-00001
-rw-r--r--   3 root hadoop        142 2014-08-04 16:07 result/part-m-00002
-rw-r--r--   3 root hadoop         62 2014-08-04 16:07 result/part-m-00003

$ hadoop fs -cat result/part-m-00000
34  1406784308  8   0   root    0   45  test1   EXTERNAL_TABLE  null    null    null

$ hadoop fs -cat result/part-m-00002
40  1406797005  9   0   root    0   52  test2   EXTERNAL_TABLE  null    null    null
42  1407122307  7   0   root    0   59  test3   EXTERNAL_TABLE  null    null    null

相關推薦