在使用 Apache Sqoop 进行数据导入导出时，常见的性能瓶颈往往出现在哪些环节？针对这些瓶颈，有哪些调优手段可以提升其性能表现？

回答思路

1. 【回答框架 1】Sqoop 性能瓶颈主要在四个环节：数据库端、MapReduce 执行端、网络传输和磁盘 IO。数据库端常见瓶颈包括查询慢、锁竞争和索引缺失；MapReduce 端主要受数据倾斜、并行度过高或过低影响；网络与磁盘则可能因压缩、序列化或存储格式选择不当而成为瓶颈。
2. 【回答框架 2】调优需从并行度入手。控制 --num-mappers 的值，导入导出时根据数据量、集群资源和数据库负载调整。增加 mapper 数需配合 --split-by 设置合理分片列，避免数据倾斜，比如使用主键或分布均匀的列。数据库端要建立对应索引，并适当增大 JDBC fetch size 以减少网络往返。
3. 【回答框架 3】使用批处理参数。导入时设置 --batch 或 --fetch-size 批量读取；导出时启用 JDBC 批处理（--batch 选项），并注意数据库连接参数如 rewriteBatchedStatements=true（MySQL），可显著提升批量写入性能。
4. 【回答框架 4】采用压缩和列式存储优化 IO。导入时通过 --compression-codec 选项启用 snappy 等压缩，减小数据量；输出到 Hive 时选择 Parquet 或 ORC 文件格式，结合分区和分桶减少扫描。导出时可根据业务需求调整导出数据的粒度，避免单条提交。
5. 【回答框架 5】针对特定数据源调优。如 MySQL 可开启并行导出（--direct 模式），但需注意权限；Oracle 可使用 append hint。同时监控集群资源，避免 mapper 数过大导致小文件过多，平衡 IO 与内存。
6. 【关键点 1】瓶颈主要包括数据库读取、Map 端处理、网络传输和写入 HDFS 的 IO。
7. 【关键点 2】合理设置 --num-mappers 与 --split-by，防止数据倾斜。
8. 【关键点 3】开启批量导入导出和 JDBC 批处理，减少网络与数据库往返。
9. 【关键点 4】使用压缩和列式存储（Parquet/ORC）优化存储和后续查询。
10. 【关键点 5】针对数据源选择直接模式或特定参数，并监控资源以确定最优并行度。
11. 【易错点 1】单纯增加 mapper 数不一定提升性能，可能导致资源竞争或小文件问题。
12. 【易错点 2】忽略 --split-by 列的选择，易造成数据倾斜，拖慢整体任务。
13. 【易错点 3】未开启批处理或压缩，可能在数据传输和磁盘写入上浪费大量时间。