一. 定义

Sqoop是SQL-to-Hadoop数据库导入工具, 从RDBMSs(Relational Database Management Systems) 双向到HDFS.

支持系统:
Hive Avro HBase Accumulo
使用JDBC连接到RDBMSs.

特点

可导入单个或者所有数据库中的表格
可以通过WHERE指定导入的行列
可以提供任意的SELECT语句
可以自动生成一个Hive表格, 根据输入的数据
可以支持增长性的数据导入
可以将HDFS导出到其他数据库
支持文本文件(--as-textfile)、avro(--as-avrodatafile)、SequenceFiles(--as-sequencefile)。

二.工作原理

Sqoop检查每一个table并且自动生成一个Java class来导入数据到HDFS
Sqoop会产生和运行一个Map-only的MapReduce job来导入数据

默认会有4个Mapper连接到RDBMS, 每一个导入1/4数据

Sqoop Connectors
自定义Sqoop connectors提供更高速的访问;
目前支持Netezza, Teradata, Oracle Database

三.使用示例

list all databases

sqoop list- databases \
--username fred -P \
--connect jdbc:mysql://dbserver.example.com/

list all tables in the User database

sqoop list-tables \
--username haixin -P \
--connect jdbc:mysql://dbserver.example.com/User

import all tables in the User database

sqoop import-all-tables \
--username haixin \
--password haixin \
--connect jdbc:mysql://dbserver.example.com/User

import a table named "movielens" to HDFS as a new table "movie"

 sqoop import \ 
--connect jdbc:mysql://localhost/movielens \ 
--table movie
--fields-terminated-by '\t' \  #这个option是用tab符分隔HDFS文件, 在Hive和Pig里有用处
--username training --password training

然后在$ hadiio fs -ls movie可以看到新增的文件

四. Sqoop2

新版本的Sqoop可以在机器上以服务运行

sqoop和sqoop2的区别:

比较	sqoop	sqoop2
架构	仅仅使用一个sqoop客户端	引入了Sqoop server集中化管理connector，以及rest api，web，UI，并引入权限安全机制
部署	部署简单，安装需要root权限，connector必须符合JDBC模型	架构稍复杂，配置部署更繁琐
使用	命令行方式容易出错，格式紧耦合，无法支持所有数据类型，安全机制不够完善，例如密码暴漏	多种交互方式，命令行，web UI，rest API，conncetor集中化管理，所有的链接安装在Sqoop server上，完善权限管理机制，connector规范化，仅仅负责数据的读写

当HDFS有数据写入时, NameNode会把文件标记为存在, 但是size = 0
当每一份block写入后, 其他的clients会看到block
为了避免多人同时访问同一份数据, 最好是先将数据导入到一个临时目录;
当文件完全写入后, 将其一直目标文件夹(atomic操作), 因为这个操作只需要NameNode更新一下metaData, 所以也很快;
一些机构标准的注释方式:
./incoming/...
./for_processing/...
./completed/...