一、什么是Sqoop
Sqoop是一个在结构化数据和Hadoop之间进行批量数据迁移的工具，结构化数据可以是Mysql、Oracle等RDBMS。Sqoop底层用MapReduce程序实现抽取、转换、加载，MapReduce天生的特性保证了并行化和高容错率，而且相比Kettle等传统ETL工具，任务跑在Hadoop集群上，减少了ETL服务器资源的使用情况。在特定场景下，抽取过程会有很大的性能提升。
如果要用Sqoop，必须正确安装并配置Hadoop，因依赖于本地的hadoop环境启动MR程序；mysql、oracle等数据库的JDBC驱动也要放到Sqoop的lib目录下。本文针对的是Sqoop1，不涉及到Sqoop2，两者有大区别，感兴趣的读者可以看下官网说明。
二、import
import是数据从RDBMS导入到Hadoop的工具
2.1、split
Sqoop并行化是启多个map task实现的，-m(或--num-mappers)参数指定map task数，默认是四个。并行度不是设置的越大越好，map task的启动和销毁都会消耗资源，而且过多的数据库连接对数据库本身也会造成压力。在并行操作里，首先要解决输入数据是以什么方式负债均衡到多个map的，即怎么保证每个map处理的数据量大致相同且数据不重复。--split-by指定了split column，在执行并行操作时(多个map task)，Sqoop需要知道以什么列split数据，其思想是：
1、先查出split column的最小值和最大值
2、然后根据map task数对(max-min)之间的数据进行均匀的范围切分
例如id作为split column,其最小值是0、最大值1000，如果设置4个map数，每个map task执行的查询语句类似于：SELECT * FROM sometable WHERE id >= lo AND id < hi，每个task里(lo,hi)的值分别是 (0, 250), (250, 500), (500, 750), and (750, 1001)。
Sqoop不能在多列字段上进行拆分，如果没有索引或者有组合键，必须显示设置splitting column；默认的主键作为split column，如果表里没有主键或者没有指定--split-by，就要设置num-mappers 1或者--autoreset-to-one-mapper，这样就只会启动一个task。
从上面的分析过程可以看到Sqoop以理想化方式根据split column将数据切分成多个范围，如果split键的值不是均匀分布，每个任务分配的数据量可能相差很大、导致数据倾斜。
2.2、参数
--driver:指定JDBC驱动，默认Mysql
--table:指定查询的表
--columns:指定从源数据库导入的列。当没有设置--table参数，就默认查询表中所有字段，实现方式是在数据库执行一个查询语句，就可得到每个字段及其对应的类型.
--where:查询条件.如果设置了table参数，就以table、columns、where三个参数拼接成的SQL查询数据
--query:自定义查询SQL，语句要有$CONDITIONS关键字，作用是动态替换，当获取默认boundary query时，$CONDITIONS会替换成(1=1)；获取查询的数据列和其对应的字段类型时$CONDITIONS会替换成(1=0)。table和query不能同时设置
--boundary-query：指定split的sql，如果没有设置，且有--table参数，生成的split sql是根据table、where条件拼出来的。
如果设置了--query参数，split sql是基于query sql的子查询：
需要特别注意的是，有的数据库对子查询没有进行优化(如Mysql)，查询性能会很低，这就要自定义boundary-query，提高查询效率。
2.3、HDFS
数据直接导入到HDFS，按行读取并写入到HDFS文件，源表里的每一行数据在HDFS里作为单独记录，记录可以是文本格式(每行一个记录)或Avro、SequenceFile二进制格式。导入过程可以并行，因此可能生成多文件。
--append:生成的文件追加到目标目录里
--delete-target-dir:如果目标目录已经存在，会先把目录删掉，类似overwrite
执行上面的命令后，可以看到详细的日志：输入数据是怎么split的、mapreduce执行进度、mapreduce的URL等
2.4、Hive
--hive-import参数指定数据导入到hive表：
--target-dir:需要指定该参数，数据首先写入到该目录，过程和直接导入HDFS是一样
--hive-drop-import-delims:删除string字段内的特殊字符，如果Hive使用这些字符作为分隔符，hive的字段会解析错误、出现错位的情况。它的内部是用正则表达式替换的方式把\n, \r, \01替换成""
--null-string/--null-non-string：指定空字段的值。Sqoop默认空数据存的是“NULL"字符串，但hive把空解析成\N，因此当文件存储的空是默认的"NULL"字符串，hive就不能正常读取文件中的空值了
数据import到hive表的过程：完成源数据写入到hdfs后，就执行LOAD DATA INPATH命令把target-dir里的文件LOAD到hive表：
2.5、Hbase
--hbase-table指定数据直接导入到Hbase表而不是HDFS，对于每个输入行都会转换成HBase的put操作，每行的key取自输入的列，值转换成string、UTF-8格式存储在单元格里；所有的列都在同一列簇下，不能指定多个个列簇。
然后通过Hbase shell查看表数据量、数据，
参数详细说明：
--hbase-create-table:当HTable不存在或列簇不存在，Sqoop根据HBase的默认配置自动新建表；如果没有指定该参数，就会报异常
--hbase-row-key:指定row key使用的列。默认是split-by作为row key，如果没有指定，会把源表的主键作为row key;如果row key是多个列组成的，多个列必须用逗号隔开，生成的row key是由用下划线隔开(`ID`_`RUN_ID`)的字段组合
--column-family:指定列簇名，所有的输出列都在同一列簇下
三、export
export是HDFS里的文件导出到RDBMS的工具，不能从hive、hbase导出数据，且HDFS文件只能是文本格式。如果要把hive表数据导出到RDBMS，可以先把hive表通过查询写入到一个临时表，临时用文本格式，然后再从该临时表目录里export数据。
3.1、task数
Sqoop从HDFS目录里读取文件，所以启动的map task数依赖于-m参数、文件大小、文件数量、块大小等，可以参考这篇文章
3.2、插入/更新
默认情况下Sqoop在数据导出到RDBMS时，每行记录都转换成数据库的INSERT语句，但也支持插入/更新模式，即根据一定规则判断，如果是新记录用INSERT语句，否则就UPDATE，设置--update-mode allowinsert参数启用该功能，插入/更新操作依赖于目标数据库。
对于Mysql，使用INSERT INTO … ON DUPLICATE KEY UPDATE语法，用户不能指定列来判断是插入还是更新，而是依赖于表的唯一约束，Mysql在插入数据时，如果是因唯一约束引起的错误，就更新数据行。Sqoop会忽略--update-key参数，但要至少指定一个有效列，才能启用更新模式
3.3、参数
--columns:指定插入目标数据库的字段，sqoop直接读取hdfs文件并把记录解析成多个字段，此时解析后的记录是没有字段名的，是通过位置和columns列表对应的，数据库插入的sql类似于:insert into _table (c1,c2...) value(v1,v2...)
--export-dir:指定HDFS输入文件的目录
--input-fields-terminated-by:字段之间分隔符
--input-lines-terminated-by:行分隔符
四、问题及优化
4.1、Hive不支持的数据类型
关系型数据库的字段类型和hive的字段类型还是有差别的，所以Sqoop有一个映射关系，把RDBMS中的类型映射到Hive类型。在create hive表时，会根据RDBMS类型和hive类型进行映射、进而设置hive表字段类型，如果没有匹配到，就会报异常，如VARBINARY：
其解决方案有三种：
1、在--query参数内显示对字段进行转换，如VARBINARY转换成VARCHAR，而Sqoop会默认的把VARCHAR转换成Hive的STRING.
2、增加--map-column-hive参数，显示把字段映射到Hive指定的类型
3、修改HiveTypes类，使Sqoop支持对特定类型(如:VARBINARY)的映射，这种方案相对以上两种可以一劳永逸，但要重编译sqoop源码
类型映射逻辑如下：
4.2、Java不支持的类型
Sqoop创建ORM对象，数据库中的字段映射到Java属性，用于读取数据库ResultSet对象并解析字段，需要把数据库的类型映射到java类型，如果没有映射到，就会报错。解决方案也有三种：
1、在--query参数内显示对字段进行转换
2、设置--map-column-java参数
3、修改ConnManager类
映射逻辑代码：
4.3、特殊字符
当\t特殊字符导入到hive后，hive字段可能解析出错。解决方法是修改FieldFormatter类，使Sqoop可以删除或替换掉字段数据中包含\t的特殊字符：
4.4、字段错位
使用--query和--columns参数时，如果columns设置的列顺序和query列顺序不同，会有个疑惑是import后的字段和实际字段的值不一样，这是因为从数据库查询的ResultSet对象序列化到实体对象时，column的值是根据索引取的。
例如readInteger的代码：
如果要改为columns的字段值是根据字段名取而不是根据索引位置取，可以更改一下几个地方的代码：ClassWriter、JdbcWritableBridge
本文首发于公众号：data之道
网友评论