Sqoop概述
Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql、 postgresql等)间进行数据的传递。可以将关系型数据库(MySQL ,Oracle ,Postgres 等)中的数据导入到HDFS中，也可以将HDFS的数据导进到关系型数据库中。
Sqoop项目开始于2009年，最早是作为Hadoop的一个第三方模块存在，后来为了 让使用者能够快速部署，也为了让开发人员能够更快速的迭代开发，Sqoop独立成 为一个 Apache 项目。
Sqoop概述.png
将导入或导出命令转换为 MapReduce 程序来实现。翻译出的 MapReduce 中主要 是对 inputformat 和outputformat 进行定制。
安装配置
1、下载、上传并解压
将下载的安装包 sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz 上传到虚拟机中; 解压缩软件包;
tar zxvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
mv sqoop-1.4.7.bin__hadoop-2.6.0/ ../servers/sqoop-1.4.7/
2、增加环境变量，并使其生效
vi /etc/profile
# 增加以下内容
export SQOOP_HOME=/opt/lagou/servers/sqoop-1.4.7
export PATH=$PATH:$SQOOP_HOME/bin
source /etc/profile
3、创建、修改配置文件
# 配置文件位置 $SQOOP_HOME/conf;要修改的配置文件为 sqoop-env.sh
cp sqoop-env-template.sh sqoop-env.sh
vi sqoop-env.sh
# 在文件最后增加以下内容
export HADOOP_COMMON_HOME=/opt/lagou/servers/hadoop-2.9.2
export HADOOP_MAPRED_HOME=/opt/lagou/servers/hadoop-2.9.2
export HIVE_HOME=/opt/lagou/servers/hive-2.3.7
4、拷贝JDBC驱动程序
# 拷贝jdbc驱动到sqoop的lib目录下(备注:建立软链接也可以),该方式为软连接
ln -s /opt/lagou/servers/hive-2.3.7/lib/mysql-connector-java-5.1.46.jar /opt/lagou/servers/sqoop-1.4.7/lib/
5、拷贝 jar
将 SQOOP_HOME/lib目录下。如不拷贝在MySQL往Hive导数据的时候将会出现 错误:ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf
# 硬拷贝 和 建立软链接都可以，选择一个执行即可。下面是硬拷贝
cp $HIVE_HOME/lib/hive-common-2.3.7.jar $SQOOP_HOME/lib/
# 建立软链接
ln -s /opt/lagou/servers/hive-2.3.7/lib/hive-common-2.3.7.jar /opt/lagou/servers/sqoop-1.4.7/lib/hive-common-2.3.7.jar
将 SQOOP_HOME/lib/ 目录下;否则在创建sqoop job时会报: java.lang.NoClassDefFoundError: org/json/JSONObject
cp $HADOOP_HOME/share/hadoop/tools/lib/json-20170516.jar $SQOOP_HOME/lib/
6、安装验证
sqoop version 省略了警告 ... ...
20/06/19 10:37:24 INFO sqoop.Sqoop: Running Sqoop version: 1.4.7 Sqoop 1.4.7
git commit id 2328971411f57f0cb683dfb79d19d4d19d185dd8
Compiled by maugli on Thu Dec 21 15:59:58 STD 2017
# 测试Sqoop是否能够成功连接数据库
sqoop list-databases --connect jdbc:mysql://linux123:3306/?useSSL=false --username hive --password 12345678
... ...
information_schema
hivemetadata
mysql
performance_schema
sys
应用案例
在Sqoop中
- 导入是指:从关系型数据库向大数据集群(HDFS、HIVE、HBASE)传输数据; 使用import关键字;
- 导出是指:从 大数据集群 向 关系型数据库 传输数据;使用export关键字;
测试数据脚本
-- 用于在 Mysql 中生成测试数据
CREATE DATABASE sqoop;
use sqoop;
CREATE TABLE sqoop.goodtbl(
gname varchar(50),
serialNumber int,
price int,
stock_number int,
create_time date
);
DROP FUNCTION IF EXISTS `rand_string`;
DROP PROCEDURE IF EXISTS `batchInsertTestData`;
-- 替换语句默认的执行符号，将;替换成 //
DELIMITER //
CREATE FUNCTION `rand_string` (n INT) RETURNS VARCHAR(255) CHARSET 'utf8'
BEGIN
DECLARE char_str varchar(200) DEFAULT
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ';
DECLARE return_str varchar(255) DEFAULT '';
DECLARE i INT DEFAULT 0;
WHILE i < n DO
SET return_str = concat(return_str, substring(char_str,
FLOOR(1 + RAND()*36), 1));
SET i = i+1;
END WHILE;
RETURN return_str;
END
//
-- 第一个参数表示:序号从几开始;第二个参数表示:插入多少条记录
CREATE PROCEDURE `batchInsertTestData` (m INT, n INT) BEGIN
DECLARE i INT DEFAULT 0;
WHILE i < n DO
insert into goodtbl (gname, serialNumber, price,
stock_number, create_time)
values (rand_string(6), i+m, ROUND(RAND()*100),
FLOOR(RAND()*100), now());
SET i = i+1;
END WHILE;
END
//
delimiter ;
call batchInsertTestData(1, 100);
以下案例需要启动:HDFS、YARN、MySQL 对应的服务;
导入数据
MySQL到 HDFS
导入全部数据
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /sqoop \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
备注:
- target-dir:将数据导入 HDFS 的路径;
- delete-target-dir:如果目标文件夹在 HDFS 上已经存在，那么再次运行就会报 错。可以使用--delete-target-dir来先删除目录。也可以使用 append 参数，表 示追加数据;
- num-mappers:启动多少个Map Task;默认启动4个Map Task;也可以写成 -m 1
- fields-terminated-by:HDFS文件中数据的分隔符;
导入查询数据
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /sqoop/2 \
--append \
--m 1 \
--fields-terminated-by "\t" \
--query 'select * from goodtbl where price>88 and $CONDITIONS;'
备注:
- 查询语句的where子句中必须包含 '$CONDITIONS'
- 如果query后使用的是双引号，则$CONDITIONS前必须加转义符，防止shell识 别为自己的变量
导入指定的列
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--columns gname,price,stock_number \
--target-dir /sqoop/3 \
--append \
--m 1 \
--fields-terminated-by "\t"
备注:columns如果涉及到多列，用逗号分隔，不能添加空格
导入查询的数据（使用关键字）
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--where "price>=66" \
--target-dir /sqoop/4 \
--append \
--m 1 \
--fields-terminated-by "\t"
启动多个MapTask导入数据
-- 第一种
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /sqoop/5 \
--append \
--fields-terminated-by "," \
--split-by serialNumber
# 分区字段是字符类型，使用 sqoop 命令的时候要添加
sqoop import -Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /sqoop/6 \
--append \
--fields-terminated-by "," \
--split-by gname
备注:
- 使用多个 Map Task 进行数据导入时，sqoop 要对每个Task的数据进行分区
- 如果 MySQL 中的表有主键，指定 Map Task 的个数就行,默认是4个
- 如果 MySQL 中的表有主键，要使用 split-by 指定分区字段
- 如果分区字段是字符类型，使用 sqoop 命令的时候要添加:- Dorg.apache.sqoop.splitter.allow_text_splitter=true。即
sqoop import -Dorg.apache.sqoop.splitter.allow_text_splitter=true \ --connect jdbc:mysql://liunx:3306/sqoop \
... ...
- 查询语句的where子句中的 '$CONDITIONS' ，也是为了做数据分区使用的，即 使只有1个Map Task
MySQL到Hive
在 hive 中创建表:
CREATE TABLE mydb.goodtb1(
gname string,
serialNumber int,
price int,
stock_number int,
create_time date
);
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--hive-database mydb \
--hive-table goodtb1 \
--hive-overwrite \
--fields-terminated-by "\t" \
--split-by serialNumber \
-m 4
参数说明:
- hive-import。必须参数，指定导入hive
- hive-database。Hive库名(缺省值default)
- hive-table。Hive表名
- fields-terminated-by。Hive字段分隔符
- hive-overwrite。覆盖中已经存在的数据
- create-hive-table。创建好 hive 表，但是表可能存在错误。不建议使用这个参数，建议提前建好表
问题：从mysql是否可以通过sqoop直接导出到hive的parquet存储格式。
CREATE TABLE mydb.goodtbl3(
gname string,
serialNumber int,
price int,
stock_number int,
create_time date
) stored as parquet;
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtb \
--hive-import \
--hive-database mydb \
--hive-table goodtbl3 \
--hive-overwrite \
--split-by serialNumber \
-m 4
导出数据
全量数据导出
Hive/HDFS到RDBMS，备注:MySQL表需要提前创建
CREATE TABLE sqoop.goodtbl2(
gname varchar(50),
serialNumber int,
price int,
stock_number int,
create_time date);
sqoop export \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl2 \
--m 1 \
--export-dir /user/hive/warehouse/mydb.db/goodtbl \
--input-fields-terminated-by "\t"
增量数据导入
前面都是执行的全量数据导入。如果数据量很小，则采取完全源数据抽取;如果源 数据量很大，则需要抽取发生变化的数据，这种数据抽取模式叫做变化数据捕获， 简称CDC(Change Data Capture)。
CDC大体分为两种:侵入式和非侵入式。侵入式指CDC操作会给源系统带来性能影响，只要CDC操作以任何一种方式对源数据库执行了SQL操作，就认为是侵入式 的。
常用的4种CDC方法是(前三种是侵入式的):
-
基于时间戳的CDC。抽取过程可以根据某些属性列来判断哪些数据是增量的，最常见的属性列有以下两种:
- 时间戳:最好有两个列，一个插入时间戳，表示何时创建，一个更新时间戳，表示最后一次更新的时间;
- 序列:大多数数据库都提供自增功能，表中的列定义成自增的，很容易地根 据该列识别新插入的数据;
- 这种方法是最简单且常用的，但是有如下缺点:
- 不能记录删除记录的操作
- 无法识别多次更新
- 不具有实时能力
- 基于触发器的CDC。当执行INSERT、UPDATE、DELETE这些SQL语句时，激活 数据库里的触发器，使用触发器可捕获变更的数据，并把数据保存在中间临时 表里。然后这些变更数据再从临时表取出。大多数场合下，不允许向操作型数 据库里添加触发器，且这种方法会降低系统性能，基本不会被采用;
- 基于快照的CDC。 可以通过比较源表和快照表来获得数据变化。基于快照的 CDC可以检测到插入、更新和删除的数据，这是相对于基于时间戳的CDC方案 的优点。其缺点是需要大量存储空间来保存快照。
- 基于日志的CDC。最复杂的和没有侵入性的CDC方法是基于日志的方式。数据库会把每个插入、更新、删除操作记录到日志里。解析日志文件，就可以获取 相关信息。每个关系型数据库日志格式不一致，没有通用的产品。阿里巴巴的 canal可以完成MySQL日志文件解析。
Sqoop实现的是基于时间戳的CDC，增量导入数据分为两种方式:
- 基于递增列的增量数据导入(Append方式)
- 基于时间列的数据增量导入(LastModified方式)
Append方式
1、准备初始化数据
-- 删除 MySQL 表中的全部数据
truncate table sqoop.goodtbl;
-- 删除 Hive 表中的全部数据
truncate table mydb.goodtbl;
-- 向MySQL的表中插入100条数据
call batchInsertTestData(1, 100);
2、将数据导入Hive
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--hive-table mydb.goodtbl \
--incremental append \
--check-column serialNumber \
--last-value 0 \
-m 1
参数说明:
- check-column 用来指定一些列(即可以指定多个列)，这些列在增量导入时用 来检查这些数据是否作为增量数据进行导入，和关系型数据库中的自增字段及 时间戳类似。这些被指定的列的类型不能使任意字符类型，如char、varchar等 类型都不可以
- last-value 指定上一次导入中检查列指定字段最大值
3、检查hive表中是否有数据，有多少条数据
4、再向MySQL中加入1000条数据，编号从200开始
call batchInsertTestData(200, 1000);
5、再次执行增量导入，将数据从 MySQL 导入 Hive 中;此时要将 last-value 改为 100
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--hive-table mydb.goodtbl \
--incremental append \
--check-column serialNumber \
--last-value 100 \
-m 1
6、再检查hive表中是否有数据，有多少条数据
执行Job
执行数据增量导入有两种实现方式:
- 每次手工配置last-value，手工调度
- 使用job，给定初始last-value，定时任务每天定时调度
很明显方式2更简便。
1、创建口令文件
# 在当前目录创建一个文件，里面保存信息为12345678
echo -n "12345678" > sqoopPWD.pwd
# 在HDFS上创建目录
hdfs dfs -mkdir -p /sqoop/pwd
# 将刚才创建的目录放到HDFS中
hdfs dfs -put sqoopPWD.pwd /sqoop/pwd
# 改变权限
hdfs dfs -chmod 400 /sqoop/pwd/sqoopPWD.pwd
# 可以在 sqoop 的 job 中增加:
--password-file /sqoop/pwd/sqoopPWD.pwd
2、创建 sqoop job
# 创建 sqoop job
sqoop job --create myjob1 -- import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password-file /sqoop/pwd/sqoopPWD.pwd \
--table goodtbl \
--hive-import \
--hive-table mydb.goodtbl \
--incremental append \
--check-column serialNumber \
--last-value 0 \
-m 1
# 查看已创建的job
sqoop job --list
# 查看job详细运行是参数
sqoop job --show myjob1
# 执行job
sqoop job --exec myjob1
# 删除job
sqoop job --delete myjob1
3、执行job
sqoop job -exec myjob1
4、查看数据
实现原理
因为job执行完成后，会把当前check-column的最大值记录到meta中，下次再调起 时把此值赋给last-value。缺省情况下元数据保存在 ~/.sqoop/，其中，metastore.db.script 文件记录了对last-value的更新操作:
常用命令及参数
常用命令
| 序号 | 命令 | 类 | 说明 |
|---|---|---|---|
| 1 | import | ImportTool | 见数据导入到集群 |
| 2 | export | ExportTool | 将集群数据导出 |
| 3 | codegen | CodeGenTool | 获取数据库中某张数据生成Java并打包jar |
| 4 | create-hive-table | CreateHiveTableTool | 创建hive |
| 5 | eval | EvalSqlTool | 查看SQL执行结果 |
| 6 | import-all-tables | ImportAllTablesTool | 导入某个数据库下所有表到HDFS |
| 7 | job | JobTool | 用来生成一个sqoop的任务，生成后，该任务并不执行，除非使用命令执行该任务 |
| 8 | list-databases | ListDatabasesTool | 列出所有数据库名 |
| 9 | list-tables | ListTablesTool | 列出所有某个数据库下所有表名 |
| 10 | merge | MergeTool | 将HDFS中不同目录下面的数据合并在一起，并存放在指定目录中。 |
| 11 | metastore | MetastoreTool | 记录sqoop job的元数据信息，如果不启动metastore实例，则默认的元数据存储目录为：~/.sqoop,如果要更改存储目录，可以在配置文件sqoop-site.xml中进行修改 |
| 12 | help | HelpTool | 打印sqoop帮助信息 |
| 13 | Version | VersionTool | 打印sqoop版本信息 |
常用参数
所谓公用参数，就是大多数命令都支持的参数。
公共参数-数据库连接
| 序号 | 参数 | 说明 |
|---|---|---|
| 1 | --connect | 链接关系型数据库的url |
| 2 | --connection-manager | 指定要使用的链接管理类 |
| 3 | --driver | Hadoop根目录 |
| 4 | --help | 打印帮助信息 |
| 5 | --password | 链接数据库的密码 |
| 6 | --username | 链接数据库的用户名 |
| 7 | --verbose | 在控制台打印出详细信息 |
公共参数-import
| 序号 | 参数 | 说明 |
|---|---|---|
| 1 | --enclosed-by | 给字段值前加上指定的字符 |
| 2 | --excaped-by | 对字段中的双引号加转义符 |
| 3 | --fields-terminated-by | 设定每个字段十一什么符号为结束，默认是逗号 |
| 4 | --lines-terminated-by | 设定每行记录之间的分隔符，默认是\n |
| 5 | --mysql-delimiters | Mysql默认的分隔符设置，字段之间以逗号分隔，行之间 以\n分隔，默认转义符是\，字段值以单引号包裹 |
| 6 | --optionally-enclosed-by | 给带有双引号或单引号的字段值前后加上指定字符 |
公共参数-export
| 序号 | 参数 | 说明 |
|---|---|---|
| 1 | --input-enclosed-by | 对字段值前后加上指定字符 |
| 2 | --input-excaped-by | 对含有转义符做转义处理 |
| 3 | --input-fields-terminated-by | 字段之间的分隔符 |
| 4 | --input-lines-terminated-by | 行之间的分隔符 |
| 5 | --input-optionally-enclosed-by | 给带有双引号或单引号的字段前后加上指定字符 |
公共参数-hive
| 序号 | 参数 | 说明 |
|---|---|---|
| 1 | --hive-delims-replacement | 用自定义的字符串替换掉数据中的\r\n和\013 \010等字符 |
| 2 | --hive-drop-import-delims | 在导入数据到hive时，去掉数据中的 \r\n\013\010这样的字符 |
| 3 | --map-column-hive | 生成hive表时，可以更改生成字段的数据类型 |
| 4 | --hive-partition-key | 创建分区，后面直接跟分区名，分区字段的默认 类型为string |
| 5 | --hive-partition- value | 导入数据时，指定某个分区的值 |
| 6 | --hive-home | hive的安装目录，可以通过该参数覆盖之前默认 配置的目录 |
| 7 | --hive-import | 将数据从关系数据库中导入到hive表中 |
| 8 | --hive-overwrite | 覆盖掉在hive表中已经存在的数据 |
| 9 | --create-hive-table | 默认是false，即，如果目标表已经存在了，那么 创建任务失败。 |
| 10 | --hive-table | 后面接要创建的hive表,默认使用MySQL的表名 |
| 11 | --table | 指定关系数据库的表名 |
import参数
| 序号 | 参数 | 说明 |
|---|---|---|
| 1 | --append | 将数据追加到HDFS中已经存在的DataSet中，如 果使用该参数，sqoop会把数据先导入到临时文 件目录，再合并。 |
| 2 | --as- avrodatafile | 将数据导入到一个Avro数据文件中 |
| 3 | --as- sequencefile | 将数据导入到一个sequence文件中 |
| 4 | --as-textfile | 将数据导入到一个普通文本文件中 |
| 5 | --boundary- query | 边界查询，导入的数据为该参数的值(一条sql语 句)所执行的结果区间内的数据。 |
| 6 | --columns <col1, col2, col3> | 指定要导入的字段 |
| 7 | --direct | 直接导入模式，使用的是关系数据库自带的导入 导出工具，以便加快导入导出过程。 |
| 8 | --direct-split- size | 在使用上面direct直接导入的基础上，对导入的流 按字节分块，即达到该阈值就产生一个新的文件 |
| 9 | --inline-lob- limit | 设定大对象数据类型的最大值 |
| 10 | --m或–num- mappers | 启动N个map来并行导入数据，默认4个。 |
| 11 | --query或--e | 将查询结果的数据导入，使用时必须伴随参-- target-dir，--hive-table，如果查询中有where条 件，则条件后必须加上$CONDITIONS关键字 |
| 12 | --split-by | 按照某一列来切分表的工作单元，不能与-- autoreset-to-one-mapper连用(请参考官方文档) |
| 13 | --table | 关系数据库的表名 |
| 14 | --target-dir | 指定HDFS路径 |
| 15 | --warehouse- dir | 与14参数不能同时使用，导入数据到HDFS时指定 的目录 |
| 16 | --where | 从关系数据库导入数据时的查询条件 |
| 17 | --z或-- compress | 允许压缩 |
| 18 | --compression- codec | 指定hadoop压缩编码类，默认为gzip(Use Hadoop codec default gzip) |
| 19 | --null-string | string类型的列如果null，替换为指定字符串 |
| 20 | --null-non- string | 非string类型的列如果null，替换为指定字符串 |
| 21 | --check- column | 作为增 量导入 判断的 列名 |
| 22 | --incremental | mode:append或lastmodified |
| 23 | --last-value | 指定某一个值，用于标记增量导入的位置 |
export参数
| 1 | ||
|---|---|---|
| 1 | --direct | 利用数据库自带的导入导出工具，以便于提高效率 |
| 2 | --export- dir | 存放数据的HDFS的源目录 |
| 3 | -m或-- num- mappers | 启动N个map来并行导入数据，默认4个 |
| 4 | --table | 指定导出到哪个RDBMS中的表 |
| 5 | --update- key | 对某一列的字段进行更新操作 |
| 6 | --update- mode | updateonly allowinsert(默认) |
| 7 | --input- null-string | 请参考import该类似参数说明 |
| 8 | --input- null-non- string | 请参考import该类似参数说明 |
| 9 | --staging- table | 创建一张临时表，用于存放所有事务的结果，然后将所有 事务结果一次性导入到目标表中，防止错误。 |
| 10 | --clear- staging- table | 如果第9个参数非空，则可以在导出操作执行前，清空临 时事务结果表 |
sqoop错题集.png
网友评论