MSBI BigData demo—sqoop import

--sp_readerrorlog 读取错误的信息记录 exec sys.sp_readerrorlog 0, 1, 'listening'查看端口号

首先hadoop环境要配置完毕,并检验可以正常启动并使用.

在hadoop的namenode上安装sqoop,并设置相关的环境变量.

如HADOOP_HOME也是需要先配置好的.

否则提示找不到hadoop，Error: /usr/lib/hadoop does not exist!

我的实验环境是apache hadoop 1.0.4 ,java 1.7, sqoop 1.4.

在本机上安装了三台centos的linux系统作为小集群测试,一个namenode,两个Datanodes.

下面这一步骤可以不操作,如果你的sqoop是1.4以后的,就已经支持了mssqlserver.不必再提供sqlserver的jdbc驱动了.

否则的话你是需要下载安装sqlserver的jdbc驱动.

http://www.microsoft.com/en-us/download/details.aspx?displaylang=en&id=21599

解压后复制相应的jar包到sqoop/lib下即可.

[hadoop@namenode sqoop-sqlserver-1.0]$ install.sh

Starting 'Microsoft SQL Server - Hadoop' Connector installation ...

SQOOP_HOME set to: /home/hadoop/sqoop-1.4.3

SQOOP_CONF_DIR set to: /home/hadoop/sqoop-1.4.3/conf

Installing 'SQL Server - Hadoop' Connector library ...

Installed library

Installing 'SQL Server - Hadoop' Connector configuration ...

Installed configuration

'SQL Server - Hadoop' Connector Installation completed successfully.

[hadoop@namenode sqoop-sqlserver-1.0]$

注意在执行命令之前,确保你linux中的防火墙是关闭的,请检查.

我的sqlserver2008R2装在win7操作系统上,IP地址是192.168.1.100:1433

我遇到的第一个问题就是连接超时,我检查了linux的防火墙服务是没有运行的,我检查win7上的防火墙是开启的,我就暂时关闭了win7上的防火墙服务.

我把默认实例开启windows和sql混合验证模式,并创建了一个登录用户:mssql pwd:yaoxiaohua,给赋适当的权限.

下面的第一个截图是我当时遇到的又一个问题,我把sqljdbc.jar 和 sqljdbc4.jar 之类的复制到了lib folder下,造成sqoop引用

sqljdbc 但jre1.7又和它不匹配,造成错误,所以删除即可.

实验一:把testdata表中的数据导入到HDFS中去:

./sqoop import --connect 'jdbc:sqlserver://192.168.1.100;username=mssql;password=yaoxiaohua;database=testData' --table testdata --target-dir /user/hadoop/testdata

其实细看上面的某些参数,你会发现默认的使用了4个map tasks.我们可以指定更多的map tasks,但是如果数据量不是特别大,就没有必要指定过多的map tasks,否则效率反而会低,例如,以此例,我们指定5个,我观测值发现居然还多了几秒,这是正常的,多线程也是需要代价的.如果数据量太少,发挥不出他们的优势.

以下命令是以rowid为分割标准,使用五个map tasks进行工作.

./sqoop import --connect 'jdbc:sqlserver://192.168.1.100;username=mssql;password=yaoxiaohua;database=testData' --table testdata --target-dir /user/hadoop/testdata2 --split-by rowid -m 5

关于sqoop是如何发送命令获取sqlserver中的数据,我们可以通过sqlprofiler等工具捕获,因为我在sqoop命令中是使用mssql用户登录的,所以你可以在Eventfilter中把loginname like mssql.这样捕获到的是我们想要的.

从图中可以看出,它首先exec sp_prepexec @p1 output,NULL,N'SELECT t.* FROM [testdata] AS tWHERE 1=0'

获取了数据的schema. 然后先获取一下rowid的最大最小值,然后分成大概均匀的四份,根据 rowid 四次取完数据.

它是怎么知道用rowid进行分批获取的呢?

我细看追踪到的内容,发现有以下一句:

SELECT kcu.COLUMN_NAME FROM

INFORMATION_SCHEMA.TABLE_CONSTRAINTS tc,

INFORMATION_SCHEMA.KEY_COLUMN_USAGE kcu

WHERE tc.TABLE_SCHEMA = kcu.TABLE_SCHEMA

AND tc.TABLE_NAME = kcu.TABLE_NAME

AND tc.CONSTRAINT_SCHEMA = kcu.CONSTRAINT_SCHEMA

AND tc.CONSTRAINT_NAME = kcu.CONSTRAINT_NAME

AND tc.TABLE_SCHEMA = (SELECT SCHEMA_NAME())

AND tc.TABLE_NAME = 'testdata'

AND tc.CONSTRAINT_TYPE = 'PRIMARY KEY'

原来它是先获取主键约束.然后再去根据这个进行处理.

我没有去阅读其源码,所以现在所做的一些只是通过实验尝试去猜去工作原理.然后我就创建了一个堆表进行测试.

create table mytable(rowname char(20),insertdate datetime default getdate())

declare @loopcount int =1

while @loopcount<10000

begin

insert into mytable(rowname) values('mycolumn'+CAST(@loopcount as CHAR));

set @loopcount +=1;

end

select * from mytable

执行:./sqoop import --connect 'jdbc:sqlserver://192.168.1.100;username=mssql;password=yaoxiaohua;database=testData' --table mytable --target-dir /user/hadoop/mytable

13/12/28 12:29:47 ERROR tool.ImportTool: Error during import: No primary key could be found for table mytable. Please specify one with --split-by or perform a sequential import with '-m 1'.

发现其运行报错了,找不到主键,则需要指定1个map task.

然后在前面的命令后面加上 -m 1之后运行正常.

然后我又做了一次尝试,把这个表添加主键,主键是char.

--drop table mytable

create table mytable(rowname char(20) primary key,insertdate datetime default getdate())

declare @loopcount int =1

while @loopcount<10000

begin

insert into mytable(rowname) values('mycolumn'+CAST(@loopcount as CHAR));

set @loopcount +=1;

end

select * from mytable

看执行情况,它给了6个map tasks.

最后一次尝试:

我使用rowname(即主键)作为split by的依据,只分了两个 map tasks,发现速度快了一些.比默认的6个快.

但看其输出日志有一部分,强烈建议使用整型的列作为分隔方式,而且如果是char类型的,若数据是大小写不敏感,有可能产生重复取值.这点也是大家需要注意的.