10. Sqoop介绍

作者: 奉先 | 来源:发表于2017-03-03 17:15 被阅读385次

1.大数据协作框架：

大数据协作框架是Hadoop 2.x生态系统中几个辅助框架。最为常见的是以下几个：

数据转换工具Sqoop
文件收集库框架Flume
任务调度框架Oozie
大数据web工具Hue

Flume，抽取系统日志文件进入HDFS。Sqoop，完成关系型数据库和Hdfs的数据抽取。Oozie：ETL作业管理，实现多任务的定时调度和多任务之间的依赖调度。Hue提供了一个web界面，管理大数据框架的所有组件。
由于Hadoop生态框架的不同组件在使用时，可能会出现一些兼容性的问题（不同组件来自于不同的公司，并贡献给Apache基金会），所以在学习Sqoop、Hbase、Oozie等框架如果再使用Apache的原生态版本会出现很多问题。
所以，我们使用商业公司封装的集成版本。最为有名的是CDH版本（优先使用这个版本、Cloudera公司提供；我选用这个版本）、HDP版本。使用CDH版本还有一个好处是：解决了Hadoop 2.x 生态系统中各个框架的版本兼容问题，例如你使用hadoop 2.5.0，那么Hive应该选择什么版本等等这种问题。

2. 安装CDH版本hadoop：

1.选择版本、下载解压安装文件：

首先选取一个CDH版本，下载对应的安装包，我选用5.3.6，根据这个版本选各个组件就可以了。[下载地址][1]
[1]:http://archive.cloudera.com/cdh5/cdh/5/
下载 XX.tar.gz版本，并下载，解压。

$ tar zxf hadoop-2.5.0-cdh5.3.6.tar.gz -C /opt/modules/
$ tar zxf hive-0.13.1-cdh5.3.6.tar.gz -C /opt/modules/
$ tar zxf sqoop-1.4.5-cdh5.3.6.tar.gz  -C /opt/modules/
$ tar zxf zookeeper-3.4.5-cdh5.3.6.tar.gz -C /opt/modules/

2.修改hadoop配置文件：

hadoop的配置文件都在 /opt/modules/hadoop-2.5.0-cdh5.3.6/etc/hadoop 下
（1）配置env文件：
ls env.sh 找到需要修改的文件，有如下几个：hadoop-env.sh、mapred-env.sh 、yarn-env.sh。添加java环境变量。

export JAVA_HOME=/opt/modules/jdk1.7.0_67

（2）修改*.xml文件。
需要修改以下文件：core-site.xml、hdfs-site.xml、yarn-site.xml 和 slaves文件：
core-site.xml：

<configuration>
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://hadoop-senior01.pmpa.com:8020</value>
</property>
<property>
    <name>hadoop.tmp.dir</name>
    <value>/opt/modules/hadoop-2.5.0-cdh5.3.6/data</value>
</property>
</configuration>

hdfs-site.xml：

<configuration>
<property>
    <name>dfs.replication</name>
    <value>3</value>
</property>

<property>
    <name>dfs.namenode.http-address</name>
    <value>hadoop-senior01.pmpa.com:50070</value>
</property>

<property>
    <name>dfs.namenode.secondary.http-address</name>
    <value>hadoop-senior03.pmpa.com:50090</value>
</property>

<property>
    <name>dfs.permissions.enabled</name>
    <value>true</value>
</property>
</configuration>

yarn-site.xml：

<configuration>
<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>

<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>hadoop-senior02.pmpa.com</value>
</property>

<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
</property>

<property>
    <name>yarn.log-aggregation.retain-seconds</name>
    <value>86400</value>
</property>
</configuration>

mapred-site.xml

<configuration>
<property>
      <name>mapreduce.framework.name</name>
      <value>yarn</value>
</property>

<property>
     <name>mapreduce.jobhistory.address</name>
      <value>hadoop-senior03.pmpa.com:10020</value>
</property>

<property>
     <name>mapreduce.jobhistory.webapp.address</name>
      <value>hadoop-senior03.pmpa.com:19888</value>
</property>
</configuration>

slaves文件：

hadoop-senior01.pmpa.com
hadoop-senior02.pmpa.com
hadoop-senior03.pmpa.com

设置开机自启动Hadoop相关服务（HDFS、Yarn、Zookeeper等）。
设置开机自启动，需要修改/etc/rc.local文件。由于hadoop相关组件使用natty用户启动，所以需要切换用户，-c选项指定运行脚本（需要指定绝对路径）。（未生效）

#hadoop-senior01：
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/hadoop-daemon.sh start namenode
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/hadoop-daemon.sh start datanode
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/yarn-daemon.sh start nodemanager
su - natty -c /opt/modules/zookeeper-3.4.5-cdh5.3.6/bin/zkServer.sh start

#hadoop-senior02：
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/hadoop-daemon.sh start datanode
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/yarn-daemon.sh start nodemanager
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/yarn-daemon.sh start resourcemanager
su - natty -c /opt/modules/zookeeper-3.4.5-cdh5.3.6/bin/zkServer.sh start 

#hadoop-senior03：
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/yarn-daemon.sh start nodemanager
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/mr-jobhistory-daemon.sh start historyserver
su - natty -c /opt/modules/zookeeper-3.4.5-cdh5.3.6/bin/zkServer.sh start 
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/hadoop-daemon.sh start datanode
su - natty -c /opt/modules/hadoop-2.5.0-cdh5.3.6/sbin/hadoop-daemon.sh start secondarynamenode

（3）修改环境变量：
切换root用户，在senior01主机上修改/etc/profile文件

#HADOOP HOME
HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6

#HIVE HOME
HIVE_HOME=/opt/modules/hive-0.13.1-cdh5.3.6

（4）同步安装目录到其余服务器：

$ scp -r hadoop-2.5.0-cdh5.3.6/ natty@hadoop-senior02.pmpa.com:/opt/modules/
$ scp -r hadoop-2.5.0-cdh5.3.6/ natty@hadoop-senior03.pmpa.com:/opt/modules/

（5）测试安装：
a. 格式化namenode：

$ bin/hdfs namenode -format

b.启动hdfs、 Yarn 、 jobhistory：

$ sbin/start-dfs.sh 
$ sbin/start-yarn.sh 
$ sbin/mr-jobhistory-daemon.sh start historyserver
$ bin/hdfs dfs - mkdir /input
$ bin/hdfs dfs -put etc/hadoop/core-site.xml /input
$ bin/hdfs dfs -text /input/core-site.xml
$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0-cdh5.3.6.jar wordcount /input/core-site.xml /output

（6）配置Hive：
配置hive非常简单，参考文章8。

3. Sqoop介绍：

1.简单介绍：

Sqoop ： SQL-to-Hadoop
用途：把关系型数据库的数据转移到HDFS（Hive、Hbase）（重点使用的场景）；Hadoop中的数据转移到关系型数据库中。Sqoop是java语言开发的，底层使用mapreduce。

2.版本

Sqoop有2个版本：Sqoop 1 和 Sqoop 2。但是目前企业使用的主要还是Sqoop 1，2版本还不稳定，使用时bug很多。
Sqoop2的改进：
1.引入server，集中化管理connnector。
2.多种访问方式： CLI、Web UI
3.引入基于角色的安全机制。

Sqoop设计

需要注意的是，Sqoop主要使用的是Map，是数据块的转移，没有使用到reduce任务。

3.使用要点

下图描述了Sqoop的主要使用命令：

sqoop使用要点

上图中，有2个主要的命令，即export 和 import，导入导出。
这里的导入和导出是相对于HDFS来讲的。例如，从RDBMS中导入到Hive中，就是导入（import）；从Hive导入到Mysql中，就是导出（export）。

4. Sqoop安装配置和简单使用：

1.sqoop安装

Sqoop类似于Hive，只是一个客户端，不需要在每个节点上都安装。
（1）下载解压安装包。
（2）修改配置：
cd到目录$SQOOP_HOME/conf，修改配置文件。

$ cp -a sqoop-env-template.sh sqoop-env.sh

修改配置文件sqoop-env.sh，配置以下选项：

#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6

#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6

#Set the path to where bin/hive is available
export HIVE_HOME=/opt/modules/hive-0.13.1-cdh5.3.6

#Set the path for where zookeper config dir is
export ZOOCFGDIR=/opt/modules/zookeeper-3.4.5-cdh5.3.6/conf

2.sqoop使用

查看命令帮助：

$ bin/sqoop help

因为sqoop是使用JDBC连接关系型数据库，并完成数据的转移的，所以很明显我们需要jdbc驱动，将jdbc驱动jar包复制到$SQOOP_HOME/lib下：

$ cp mysql-connector-java-5.1.27-bin.jar /opt/modules/sqoop-1.4.5-cdh5.3.6/lib/

查看某一个具体命令的帮助：

$ bin/sqoop list-databases --help

我们使用所有Sqoop命令都可以组合使用上边2个help命令来定位该命令的使用方法。
下面运行一个命令，来测试sqoop功能。 list-databases，该命令展示mysql库的所有数据库。因为展示所有数据库，所以JDBC url没有指定库。

$ bin/sqoop list-databases \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/ \
--username root \
--password 123456

5. 从mysql库import数据到HDFS：

sqoop从mysql数据库抽取数据到hive，使用import命令。主要需要2个步骤：（1）收集元数据；（2）提交只包含map的job。

sqoop import步骤

1.在mysql创建测试表并准备数据。

$ mysql -hlocalhost -uroot -p123456
mysql> create database pma_test;
mysql> use pma_test;
mysql> select database();

create table `cities` (
`id` int not null auto_increment,
`city` varchar(255) default null,
`country` varchar(255) default null,
PRIMARY KEY (`id`)
);

insert into cities values (1,'Tokyo','Japan');
insert into cities values (2,'Osaka','Japan');
insert into cities values (3,'Yokohama','Japan');
insert into cities values (4,'Nagoya','Japan');
insert into cities values (5,'New York','USA');
insert into cities values (6,'Boston','USA');
insert into cities values (7,'Berlin','Germany');
insert into cities values (8,'London','UK');

2.使用不同方式将mysql数据表导入hdfs

（1）直接将mysql表导入到HDFS上：
下例中，将mysql中的表pma_test.cities导入到hdfs。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities

不指定导入目录，默认情况是导入到hdfs上面用户家目录下边。
那么上边的文件将会导入到HDFS的目录是：/user/natty/cities

（2）指定HDFS的目录和mapper数量：
先创建一个hdfs目录，然后将mysql数据import指定到这个目录。

$ bin/hdfs dfs -mkdir /user/hive/warehouse/testdb.db/cities;

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--num-mappers 1 \
--target-dir /user/hive/warehouse/testdb.db/cities/ \
--delete-target-dir

--num-mappers 1 ：指定mapper的数量是1；
--target-dir ：为import操作指定目标目录，也就是需要将数据import到哪个目录下。
--delete-target-dir ：指定了该参数后，如果hdfs的目标路径已经存在了的话，就先删除该目录，再进行import（会重新创建该目录）。

（3）指定分隔符
默认情况下，import导入hdfs的文件，字段分隔符是逗号。可以使用参数 --fields-terminated-by 来修改字段分隔符。下边例子改为TAB分隔字段。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--num-mappers 1 \
--target-dir /user/natty/sqoop/cities \
--delete-target-dir \
--fields-terminated-by '\t'

--fields-terminated-by ：指定字段的分隔符为 '\t' 。
查看导入hdfs的文件，可以看到，字段分隔符是tab键。

$ bin/hdfs dfs -text /user/natty/sqoop/cities/pa*

（4）增量导入数据文件：
可以按照mysql表的PK，增量导入数据。只导入变化的数据。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--num-mappers 1 \
--target-dir /user/natty/sqoop/cities \
--check-column id \
--incremental append \
--last-value 7 \
--fields-terminated-by '\t'

--check_column ：是指定增量的字段，通过id字段获取增量数据。
--incremental ：指定导入的方式，追加。
--last-value ：从哪行开始导入，表示从第8行开始导入。
需要注意：当使用增量导入时，选项--delete-target-dir 不可以使用，否则报错。
通过结果发现，id为8的记录导入了2次。
（5）选择文件的保存格式：
默认情况下，导出的文件格式是textfile，可以指定参数修改导出格式。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--num-mappers 1 \
--delete-target-dir \
--target-dir /user/natty/sqoop/cities \
--fields-terminated-by '\t' \
--as-parquetfile

--as-parquetfile ：指定文件的导出格式为parquet。
生成了类似"7185ff10-b9e5-4b14-9ef2-c24c3a7e3bba.parquet"格式的文件。

（6）是否压缩，和压缩方式选择：
默认情况下，文件不压缩。可以指定压缩，并选择压缩格式。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--num-mappers 1 \
--delete-target-dir \
--target-dir /user/natty/sqoop/cities \
--compress

--compress ：表示对文件压缩。
压缩之后，hdfs目录生成了part-m-00000.gz文件，导入hdfs的文件已经进行了压缩。
（7）其他常用的参数：
还包括
--query ：后接sql语句，按照sql语句抽取文件。
--columns ：选择某些字段来抽取。
--where ：查询的where条件。
一般情况下，可以使用--query指定完整的sql语句来替代table、columns、where选项。使用--query时，要指定--target-dir
Instead of using the --table, --columns and --where arguments, you can specify a SQL statement with the --query argument.
第一种情况，使用colums、where条件，这时候需要指定--table项。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--num-mappers 1 \
--delete-target-dir \
--target-dir /user/natty/sqoop/cities \
--columns 'id','city' \
--where 'id>=4'

第二种情况，使用--query选项。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--num-mappers 1 \
--delete-target-dir \
--target-dir /user/natty/sqoop/cities \
--query "select * from cities where country = 'Japan' and \$CONDITIONS"

注意： 条件$CONDITIONS必须添加，而且$还要做转义，否则会报错。

6. 从mysql库import数据到HIVE：

前边导入的目标是hdfs目录，如果想导入到hive表中，使用参数--hive-table 和 --hive-import两个选项，例如下边的例子，将cities表导入到hive的hive_cities表中：

##先删除用户家目录下的文件夹cities
$ bin/hdfs dfs -rmr /user/natty/cities/

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--hive-import \
--hive-table hive_cities \
--fields-terminated-by '\t'

hive> select * from default.hive_cities;

上边的例子中，没有指定数据库，所以表建到了default库下。
我们也可以指定导出的hive表所在的数据库。使用参数--hive-database选项。

$ bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--delete-target-dir \
--hive-import \
--hive-table hive_cities \
--hive-database testdb \
--fields-terminated-by '\t'

hive> select * from testdb.hive_cities;

从mysql导入到hive时，先将mysql数据导出放在hdfs目录：/user/natty/cities下，然后在load到hive表里去。所以上边再次导入这个表到hive另一张表时，需要指定选项--delete-target-dir，否则报错：

Output directory hdfs://hadoop-senior01.pmpa.com:8020/user/natty/cities already exists

7. 从HDFS（或者HIVE表）导出数据到RDBMS（关系型数据库）：

从hdfs export导出到RDBMS的应用相对少一些。使用export命令实现。

$ bin/sqoop export \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table hdfs2mysql \
--export-dir /user/hive/warehouse/testdb.db/cities/ \
--input-fields-terminated-by ','

mysql> select * from hdfs2mysql;

export成功后，可以在mysql表里查看到数据。

--table ：指定我们要导入到mysql的哪张表中。
--export-dir : 从hdfs上的哪个路径上导出。
--input-fields-terminated-by ',' ：这项需要非常注意，我们先确定hdfs上的文件是以什么符号作为字段分隔符的，然后指定这项。这项跟import的不同，是input-xxx属性，输入文件的分隔符。

从Hive表导入到Mysql表：实质上就是从HDFS导入到RDBMS，没有特殊的选项参数。

8. 其他执行Sqoop的方式：

1.脚本执行sqoop：

下面新建一个简单脚本sqoop-01.sh:

#!/bin/bash
SQOOP_HOME=/opt/modules/sqoop-1.4.5-cdh5.3.6
$SQOOP_HOME/bin/sqoop import \
--connect jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test \
--username root \
--password 123456 \
--table cities \
--hive-import \
--hive-database testdb \
--delete-target-dir \
--hive-table hive_cities \
--fields-terminated-by '\t'

#执行脚本：
$ ./sqoop_01.sh

2.sqoop命令参数方式执行：

类似于hive -f 参数，sqoop也提供了这种方式执行脚本。通过 ** --options-file 指定文件运行程序。
注意，这种执行方式对于文件的格式有一定的要求。sqoop的参数放在一行，参数内容放在一行，不可以放在同一行**。例如下面的例子（在sqoop_home目录创建sqoop_options目录保存这些程序）：
文件sqoop01.opt ：

import
--connect
jdbc:mysql://hadoop-senior01.pmpa.com:3306/pma_test
--username
root
--password
123456
--table
cities
--hive-import
--hive-database
testdb
--delete-target-dir
--hive-table
hive_cities
--fields-terminated-by
'\t'

通过上边脚本注意到，参数 --username 和参数内容root 需要各自在一行，对于某些没有参数内容的参数（例如--delete-target-dir ）自己在一行即可。
下面执行这个脚本，需要使用--options-file参数：

$ bin/sqoop --options-file sqoop_options/sqoop01.opt

3.导入mysql整个库：

可以使用参数import-all-tables 导入一个库下的所有的表。