对imp中的fromuser参数的偏差理解

简介: 这两天执行导入dump文件时总碰到一个问题。问题现象:1. 执行:imp xyz/xxx file=test.dmp log=imp_test.log fromuser=test1 touser=test2ignore=y commit=y buffer=300000000 feedback=10000注:这个文件dump>200G容量。

这两天执行导入dump文件时总碰到一个问题。


问题现象

1. 执行:imp xyz/xxx file=test.dmp log=imp_test.log fromuser=test1 touser=test2 ignore=y commit=y buffer=300000000 feedback=10000

注:这个文件dump>200G容量。

2. 执行了许久,但最后结果和log中记录:

Connected to: Oracle Database 10g Enterprise Edition Release 10.2.0.3.0 - 64bit Production
With the Partitioning and Data Mining options

Export file created by EXPORT:V10.02.01 via conventional path

Warning: the objects were exported by TEST1, not by you

import done in ZHS16GBK character set and AL16UTF16 NCHAR character set
. importing TEST1's objects into TEST2
Import terminated successfully without warnings.

3. 但没有任何dump中的数据导入到test2用户中。


原因分析

首先,其实是对imp命令中的fromuser参数偏差的理解。

[root@vm-vmw4131-t ~]# imp -help

FROMUSER     list of owner usernames

imp指令帮助中说明FROMUSER的含义是“属主用户名列表”,相应的,从exp指令帮助中可以看到OWNER参数表示的是相同的含义:

[root@vm-vmw4131-t ~]# exp -help

OWNER        list of owner usernames

即该用户指的是对象所属用户。

其次,经过咨询,上述问题中用到的fromuser=test1这个test1用户是执行exp的系统账户,并不是数据库对象所属账户,这就能解释上面问题的原因了:由于dump文件所属的数据对象账户是另外一个账户,不是test1,因此使用imp ... fromuser=test1时,会检索这个文件dump,查找属于test1用户的对象,全文件扫描后,根本没有属于该用户的对象,因此提示“Import terminated successfully without warnings”正常结束。


总结

1. 这次导入导出时可能根本没实际考虑LANG等字符集环境变量。

2. imp的fromuser指的是对象所属用户,不是执行exp导出的用户。

目录
相关文章
|
4月前
修改预测函数
【7月更文挑战第22天】修改预测函数。
44 6
|
4月前
|
机器学习/深度学习 计算机视觉 Python
`GridSearchCV` 是一种穷举搜索方法,它会对指定的参数网格中的每一个参数组合进行交叉验证,并返回最优的参数组合。
`GridSearchCV` 是一种穷举搜索方法,它会对指定的参数网格中的每一个参数组合进行交叉验证,并返回最优的参数组合。
|
编解码 Python
python--海温、OLR数据分布做显著性检验,绘制空间分布并打点
使用python对海洋气象数据做显著性检验,并绘制空间pattern
python--海温、OLR数据分布做显著性检验,绘制空间分布并打点
|
12月前
|
机器学习/深度学习 PyTorch 算法框架/工具
base model初始化large model,造成的参数矩阵对不上权重不匹配问题+修改预训练权重形状和上采样
base model初始化large model,造成的参数矩阵对不上权重不匹配问题+修改预训练权重形状和上采样
211 0
|
算法 数据可视化 Linux
核密度估计和非参数回归
核密度估计和非参数回归
404 0
核密度估计和非参数回归
|
运维 监控
平方预测误差(Squared prediction error,SPE)和霍特林统计量(Hotelling’s T2)原理
平方预测误差(Squared prediction error,SPE)和霍特林统计量(Hotelling’s T2)原理
平方预测误差(Squared prediction error,SPE)和霍特林统计量(Hotelling’s T2)原理
EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参)
EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参)
EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参)
DL之simpleNet:利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值
DL之simpleNet:利用自定义的simpleNet(设好权重)对新样本进行预测、评估、输出梯度值
|
机器学习/深度学习 资源调度 移动开发
sigmoid 函数的损失函数与参数更新
1 sigmoid 函数的损失函数与参数更新 逻辑回归对应线性回归,但旨在解决分类问题,即将模型的输出转换为 $[0, 1]$ 的概率值。逻辑回归直接对分类的可能性进行建模,无需事先假设数据的分布。最理想的转换函数为单位阶跃函数(也称 Heaviside 函数),但单位阶跃函数是不连续的,没法在实际计算中使用。
3530 0