sqoop 导入增量数据到hive

版本

hive：apache-hive-2.1.0

sqoop：sqoop-1.4.6

hadoop：hadoop-2.7.3

导入方式

1.append方式

2.lastmodified方式，必须要加--append（追加）或者--merge-key（合并，一般填主键）

创建mysql表并添加数据

-- ----------------------------
-- Table structure for `data`
-- ----------------------------
DROP TABLE IF EXISTS `data`;
CREATE TABLE `data` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `name` char(20) DEFAULT NULL,
  `last_mod` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`)
) ENGINE=MyISAM AUTO_INCREMENT=1 DEFAULT CHARSET=utf8;

-- ----------------------------
-- Records of data
-- ----------------------------
INSERT INTO `data` VALUES ('', '', '2019-08-28 17:34:51');
INSERT INTO `data` VALUES ('', '', '2019-08-28 17:31:57');
INSERT INTO `data` VALUES ('', '', '2019-08-28 17:31:58');

先将mysql表数据全部导入hive

sqoop import --connect jdbc:mysql://192.168.0.8:3306/hxy --username root --password 123456 --table data --hive-import --fields-terminated-by ',' -m 1

注意：fields-terminated-by 要是不指定值的话，默认分隔符为'\001'，并且以后每次导入数据都要设置 --fields-terminated-by '\001'，不然导入的数据为NULL。建议手动设置 --fields-terminated-by的值

成功导入之后，会在HDFS的/soft/hive/warehouse/data看到数据文件

默认生成的hive表为内部表，内部表的数据文件默认保存路径为/user/hive/warehouse，我在hive-site.xml中，把hive.metastore.warehouse.dir值设成了/soft/hive/warehouse

hive表数据

增量导入--append方式导入

官网说append方式下，append 用于自增的 id 列（lastmodified 用于更新的日期列），但是我自己动手发现append方式下，也可以通过时间类型增量导入

官网原文：You should specify append mode when importing a table where new rows are continually being added with increasing row id values. You specify the column containing the row’s id with --check-column. Sqoop imports rows where the check column has a value greater than the one specified with --last-value.

1.last-value是数字类型（推荐）

往mysql插入2条数据

--targrt-dir的值设置成hive表数据文件存储的路径。假如你的hive表为外部表，则--targrt-dir要指向外部表的存储路径

--last-value 3，意味mysql中id为3的数据不会被导入

sqoop import --connect jdbc:mysql://192.168.0.8:3306/hxy \
--username root \
--password 123456 \
--table data \
--target-dir '/soft/hive/warehouse/data' \
--incremental append \
--check-column id \
--last-value 3 \
-m 1

导入成功之后查看数据

2.last-value是时间类型（不推荐）

mysql新增2条数据

执行sqoop命令，按 --check-column last_mod  --last-value '2019-08-30 16:34:02' 条件查找

sqoop import --connect jdbc:mysql://192.168.0.8:3306/hxy \
--username root \
--password 123456 \
--table data \
--target-dir '/soft/hive/warehouse/data' \
--incremental append \
--check-column last_mod \
--last-value '2019-08-30 16:34:02' \
-m 1

查看hive数据（mysql中，时间值为2019-08-30 16:34:02的数据不会被导入）

增量导入--lastmodified方式导入

lastmodified 用于更新的日期列

1.--incremental lastmodified  --append

将mysql新插入3条数据，并且把id为7的name做了修改

执行sqoop命令 （--incremental lastmodified --append方式下，mysql中和--last-value指定的值相等的数据也不会被导入，所以想要让id为8的数据也导入进去，last-value的值就应该比id为8的数据的时间要小）

sqoop import --connect jdbc:mysql://192.168.0.8:3306/hxy \
--username root \
--password 123456 \
--table data \
--target-dir '/soft/hive/warehouse/data' \
--check-column last_mod \
--incremental lastmodified \
--last-value '2019-08-30 16:49:12' \
--m 1 \
--append

结果

可以看到，7，8，9,10都导入进来了，表中出现了2个id为7的数据，出现了数据重复

--incremental lastmodified  --append的作用：把大于last-value时间的数据都导入进来，之前就存在但是后期修改过的数据并不会进行合并，只会当做新增的数据加进来，所以使用--incremental lastmodified  --append有可能导致数据重复的问题

2.--incremental lastmodified  --merge-key

往mysql插入2条数据，并且把id为10的数据做了修改

执行sqoop命令（--merge-key的值一般填主键，merge-key方式下，mysql中时间和last-value相同的数据会被导入）

sqoop import --connect jdbc:mysql://192.168.0.8:3306/hxy \
--username root \
--password 123456 \
--table data \
--target-dir '/soft/hive/warehouse/data' \
--check-column last_mod \
--incremental lastmodified  \
--last-value '2019-08-30 17:05:49' \
--m 1 \
--merge-key id

结果

可以看到，新数据11,12都被加了进来，id为10的值做了合并操作，修改后的"10_new"替换了原来的"10"，没有数据重复的现象

并且，id为7的数据也被合并了，可是last-value的值明明比id为7的时间要大，原因是：只要出现id重复的情况，就合并数据，不考虑时间条件。id不为重复的情况下，才会考虑时间条件

--incremental lastmodified  --merge-key的作用：修改过的数据和新增的数据（前提是满足last-value的条件）都会导入进来，并且重复的数据（不需要满足last-value的条件）都会进行合并