前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Oracle导入导出的常见错误

Oracle导入导出的常见错误

作者头像
bisal
发布于 2019-01-30 01:42:41
发布于 2019-01-30 01:42:41
2.8K0
举报

做数据的导入导出操作,最常用的就是imp/exp和impdp/expdp,经常会碰见各种错误,之前总结过一些,《解决导入过程中出现的ORA-02289错误》、《生产数据导入测试环境碰见的一些问题》。

补充一些最近碰见的错误。

1. exp导出提示"PLS-00302:必须说明SET_NO_OUTLINES 组件"

如果客户端是Oracle 11g,而服务器端是Oracle 9i,执行exp就会有如下错误:

Export: Release 11.1.0.6.0 - Production on 星期五 7月 15 21:40:58 2011     Copyright (c) 1982, 2007, Oracle.  All rights reserved EXP-00056: 遇到 ORACLE 错误 6550   ORA-06550: 第 1 行, 第 41 列:   PLS-00302: 必须说明 'SET_NO_OUTLINES' 组件   ORA-06550: 第 1 行, 第 15 列:   PL/SQL: Statement ignored   EXP-00000: 导出终止失败  

Oracle不同版本导入导出存在一些问题,比如从Oracle 9i中exp出来的dmp文件(在安装有oracle 9i的机器上使用exp命令),可以imp到Oracle 11g中去(装有Oracle 11g的机器),但是反过来确实不行。

同时,不能直接在客户端(安装有Oracle 11g)上使用exp命令向服务器端(Oracle 9i)上的数据库发出请求导出数据到客户端机器上,就会提示“PLS-00302”。

这就是所谓向下兼容。

2. imp导入dmp文件时报错"IMP-00038"

执行imp导入操作,提示,

IMP-00038: Could not convert to environment character set’s handle  IMP-00000: Import terminated unsuccessfully

这是因为文件导出用的expdp,而导入时用的imp,所以导出导入格式不一样。

3. 执行imp导入提示“IMP-00003”

imp导入提示,

IMP-00017: following statement failed with oracle error 2298: "ALTER TABLE "A" ENABLE CONSTRAINT REFEREN" "REF_A"" IMP-00003: ORACLE error 2298 encountered ORA-02298: cannot validate (REFERENCE_O) - parent keys not found IMP-00017: following statement failed with ORACLE error 2298: Import terminated successfully with warnings.

原因有可能是在导出的时间某个表已经被导出了,可是他外键关联有数据变化,导致不一致,所以报错。

根本原因,exp不能保证事务的完整性,例如导出主表,随后在主表增加记录,然后在子表增加记录,提交,这是很可能的。

解决方案是在导出指令中,加入参数consistent=y,默认为no,其目的就是保持一致的作用。例如,

$ exp system/oracle file=/home/oracle/exp.dmp owner=oracle consistent=y

如果没用consistent=y,已经完成了导入,存在违反约束的数据,此时就是需要创建约束,可以采用novalidate子句,或者找出不规则的数据,清除之后再重新创建约束,可以参考《Oracle违反约束数据的workaround》和《表中已存重复数据的情况,如何增加唯一性约束?》。

4. 执行imp导入提示"IMP-00013"

执行imp导入操作,提示,

IMP-00013: only a DBA can import a file exported by another DBA IMP-00000: Import terminated unsuccessfully

原因就是exp导出的时候,用的DBA角色的账号,因此要求导入的账号,需要含有DBA角色。但一般很有可能,要导入账号是普通账号,没有DBA角色,也不可能临时被授予,这就比较费劲。

可能的解决方案:

1. 导出用户,执行导出前临时revoke DBA角色,完成导出后再授予DBA角色。

2. 授予导入用户DBA的角色。

3. 授予导入用户imp_full_database的角色。

每种方案,可能适用于不同的场景。比如方案1,可以算是临时的方案,但看着就不是很专业,对于一些测试库,要求不高,可以随意一些。方案2,这就会让导入的用户,有一些高级别的操作许可,仅仅为了导入数据这么做,实际上增加了一些风险。方案3,没有授予DBA角色,但一些环境下,可能不会允许随意授予角色,例如建荣曾举了一个案例,《对IMP-00013问题的思考(r3笔记第71天)》。

因此可以说没有最佳方案,只有最合适方案,针对不同的场景,选择最适合的,这才是最重要的。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018年12月10日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
CVPR 2020 | RandLA-Net:大场景三维点云语义分割新框架(已开源)
本文要介绍的是 CVPR 2020上被录用的文章《RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds》
AI科技评论
2020/03/05
4.6K0
CVPR 2020 | RandLA-Net:大场景三维点云语义分割新框架(已开源)
大场景三维点云的语义分割综述
输入原始点云(x,y,z,intensity),得到每个三维点的语义类别。如图所示,不同颜色代表不同类别。
点云PCL博主
2020/01/17
4.6K0
大场景三维点云的语义分割综述
激光点云语义分割深度神经网络
由于增强现实/虚拟现实的发展及其在计算机视觉、自动驾驶和机器人领域的广泛应用,点云学习最近备受关注。深度学习已成功地用于解决二维视觉问题,然而在点云上使用深度学习技术还处于起步阶段。语义分割的目标是将给定的点云根据点的语义含义分成几个子集。本文重点研究基于点的方法这一技术路线中最先进的语义分割技术。
用户5687508
2021/07/01
1.3K0
三维点云语义分割总览
三维点云分割既需要了解全局几何结构,又需要了解每个点的细粒度细节。根据分割粒度的不同,三维点云分割方法可以分为三类:语义分割(场景级)、实例分割(对象级)和部分分割(部分级)。
点云PCL博主
2020/09/24
2.7K0
三维点云语义分割总览
3D点云 | 基于深度学习处理点云数据入门经典:PointNet、PointNet++
不同于图像数据在计算机中的表示通常编码了像素点之间的空间关系,点云数据由无序的数据点构成一个集合来表示。因此,在使用图像识别任务的深度学习模型处理点云数据之前,需要对点云数据进行一些处理。目前采用的方式主要有两种:
AI算法修炼营
2020/06/09
9.9K0
点云语义分割,现已正式加入 MMDet3D 全家桶!
近年来,随着自动驾驶和机器人等领域的飞速发展,3D 点云处理得到了学术界和工业界的广泛关注,基于点云的物体识别、检测、分割等任务中涌现出了一大批优越的算法。
OpenMMLab 官方账号
2022/01/18
1.6K0
点云语义分割,现已正式加入 MMDet3D 全家桶!
我们急需三维激光数据的语义分割吗?
我们急需三维激光数据的语义分割吗? 今天给大家分享一篇论文,论文名称: Are We Hungry for 3D LiDAR Data for Semantic Segmentation? 作者:
用户1150922
2020/09/10
1.8K0
我们急需三维激光数据的语义分割吗?
基于点云 / RGBD的3D视觉检测技术
3D视觉技术相较于2D视觉能获取更丰富更全面的环境信息,已经成为机器人导航、无人驾驶、增强/虚拟现实、工业检测等领域的关键技术.当前基于2D的的计算机视觉技术日趋成熟,在很多领域取得了很不错的进展,但我们真实的世界是三维空间,利用2D的技术对真实世界进行建模存在先天的缺陷——深度信息缺失,我们不能从2D图片中获得物体的绝对尺度和位置,而这一点在点云中不会存在问题.“从单幅图像到双目视觉的3D目标检测算法”介绍了基于单目(monocular)视觉以及双目(binocular)视觉的3D目标检测算法,单目做3D检测完全是数据驱动,通过机器学习模型结合摄影几何的约束去拟合3D空间的数据分布;双目视觉会有额外的视差信息,可以重建出景深信息,所以可以得到比单目视觉更强的空间约束关系,在3D目标检测任务重的精度相比单目会更好.
SIGAI学习与实践平台
2019/08/22
2.8K0
基于点云 / RGBD的3D视觉检测技术
三万字收藏 | 三维场景点云理解与重建技术
作者:龚靖渝, 楼雨京, 柳奉奇, 张志伟, 陈豪明, 张志忠, 谭鑫, 谢源, 马利庄
一点人工一点智能
2023/08/24
1.6K0
三万字收藏 | 三维场景点云理解与重建技术
基于三维点云的卷积运算综述
3D传感器(如激光雷达和深度相机)的普及引起了人们对3D视觉的广泛关注,这些传感器采集的3D数据可以提供丰富的几何结构和尺度细节,这也在许多领域得到了实际应用,包括自动驾驶技术[1]、机器人控制技术[2]等。
一点人工一点智能
2024/01/09
7751
基于三维点云的卷积运算综述
CVPR 2021 | SensatUrban: 城市规模点云数据集
研究人员构建了一个城市规模的摄影测量点云数据集,并通过大量实验,指出了大规模三维点云语义理解中面临的问题,包括如何对大规模点云进行采样和分区,是否需要使用RGB颜色信息,类别分布不均衡以及泛化性能等。
点云PCL博主
2021/03/24
1.9K0
CVPR 2021 | SensatUrban: 城市规模点云数据集
3DSSD:基于点云的single-stage物体检测模型 | CVPR2020
这是一篇来自CVPR2020的研究工作,于2020/4/9日开源,如下图所示,目前被接收的文章有在KITTI上的有四篇,分别是PV-RCNN,SA-SSD,Point-GNN和这一篇文章,应该说pvrcnn在精度上是独树一帜的远高于第二名的,不过这些文章在创新性上也是非常值得研究的
3D视觉工坊
2020/12/11
6720
3DSSD:基于点云的single-stage物体检测模型 | CVPR2020
智驾车技术栈 | 两万字综述:自动驾驶中基于Lidar点云的3D目标检测深度学习方法
本文为《A comprehensive survey of LIDAR-based 3D object detection methods with deep learning for autonomous driving》译文的基础上稍作修改提炼,方便大家学习理解。
小杨同学努力学习呀
2022/12/18
2.2K0
智驾车技术栈 | 两万字综述:自动驾驶中基于Lidar点云的3D目标检测深度学习方法
弱监督三维点云语义分割研究综述
作者:Jingyi Wang, Yu Liu, Hanlin Tan, Maojun Zhang
一点人工一点智能
2023/11/15
6230
弱监督三维点云语义分割研究综述
NeurIPS2019 麻省理工与上海交大共同提出新型点云深度学习框架Point-Voxel CNN
论文:’Point-Voxel CNN for Efficient 3D Deep Learning’
点云乐课堂
2020/05/18
6920
三维深度学习中的目标分类与语义分割
在过去的几年中,基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果,也促进了很多技术的发展,深度学习在现实生活中的应用也越来越多。但是在很多实际应用中,例如自动驾驶中,只使用RGB信息是远远不够的,因为我们不仅仅想要知道周围有什么物体,还想要知道物体具体的三维信息(位置,运动状态等),因此,三维方面的深度学习也逐渐发展了起来并取得了不错的效果。
SIGAI学习与实践平台
2018/10/18
1.2K0
三维深度学习中的目标分类与语义分割
关于使用深度学习进行三维点云几何压缩
近些年来,随着计算机软硬件等的不断发展,计算机视觉、现实增强等让那些我们觉得不会发生的事情发生了,不得不说,科技正在改变我们的生活,给我们的生活带来了更多的便利。
繁依Fanyi
2023/05/07
7650
关于使用深度学习进行三维点云几何压缩
3D目标检测深度学习方法数据预处理综述
这一篇的内容主要要讲一点在深度学习的3D目标检测网络中,我们都采用了哪些数据预处理的方法,主要讲两个方面的知识,第一个是representation,第二个数据预处理内容是数据增广。 作为本篇博文的引言,我们先给一种博主制作的比较重要的3D检测方法图鉴,如下,就笔者的个人理解,今年的CVPR出现了很多的one-stage的方法,同时出现了很多融合的方法,这里的融合有信息融合,有representation融合,同时根据近两年的发展来看,voxel-based的方法占据了主导地位,这是得益于卷积结构优越性(point-based方法采用pointnet++结构,是MLP搭建的),但是今年的oral文章3D-SSD是一篇在point-based方法上很有建树的文章,所以在3D检测中了解主要的representation代表方法也是很重要的。
3D视觉工坊
2020/12/11
6540
3D目标检测深度学习方法数据预处理综述
3D实例分割
3D语义分割区分场景中各类对象,3D实例分割区分场景中各类别中的各种个体。近两年来,3D实例分割的关注度越来越高,相应的方法也被接连提出。众多方法的思想主要分为两类:基于候选区域的实例分割(proposal-based)和免候选区域的实例分割(proposal-free)。其中,proposal-based先获取场景中的感兴趣的候选区域,如:3D bounding boxes等,并在候选区域内对3D数据进一步预测得到实例标签。考虑到proposal-based 实例分割通常需要2个过程(先得到候选区域,再实例分割),分割过程繁琐,则proposal-free则摒弃了基于候选区域的方式,直接通过数据特征或者结合语义分割结果,得到实例分割结果。下面根据这两个方向总结现有的实例分割方法。
SIGAI学习与实践平台
2019/09/05
2.6K0
3D实例分割
三维深度学习中的目标分类与语义分割
在过去的几年中,基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果,也促进了很多技术的发展,深度学习在现实生活中的应用也越来越多。但是在很多实际应用中,例如自动驾驶中,只使用RGB信息是远远不够的,因为我们不仅仅想要知道周围有什么物体,还想要知道物体具体的三维信息(位置,运动状态等),因此,三维方面的深度学习也逐渐发展了起来并取得了不错的效果。
SIGAI学习与实践平台
2018/10/14
4.3K0
三维深度学习中的目标分类与语义分割
推荐阅读
相关推荐
CVPR 2020 | RandLA-Net:大场景三维点云语义分割新框架(已开源)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档