【Hadoop离线基础总结】Sqoop数据迁移

目录

• Sqoop介绍
• 概述
• 版本
• Sqoop安装及使用
• Sqoop安装
• Sqoop数据导入
• 导入关系表到Hive已有表中
• 导入关系表到Hive（自动创建Hive表）
• 将关系表子集导入到HDFS中
• sql语句查找导入到HDFS
• 两种增量导入方式
• Sqoop的数据导出

---

Sqoop介绍

• 概述

  Sqoop是Apache开源提供过的一款Hadoop和关系数据库服务器之间传送数据的工具。从关系数据库到Hadoop的数据库存储系统（HDFS,HIVE,HBASE等）称为导入，从Hadoop的数据库存储系统到关系数据库称为导出。
  
  Sqoop主要是通过MapReduce的InputFormat和OutputFormat来实现数据的输入和输出，底层执行的MapReduce任务只有Map阶段，没有Reduce阶段，也就是说只是单纯地将数据从一个地方抽取到另一个地方。

• 版本

  Sqoop有两个大版本：
  
  Sqoop 1.x 不用安装，解压就能用
  
  
  
  Sqoop 2.x 架构发生了变化，引入了一个服务端，可以通过代码提交sqoop的任务
  
  
  
  一般情况下用Sqoop 1.x更多一些，只需要将命令写到脚本中，执行脚本即可

---

Sqoop安装及使用

• Sqoop安装

  1.下载并解压
  
  下载地址：http://archive.cloudera.com/cdh5/cdh/5/
  
  这里使用的是sqoop1的版本，并且要和hadoop版本相对应，都是5.14.0
  
  将安装包上传到/export/softwares目录中
  
  tar -zxvf sqoop-1.4.6-cdh5.14.0.tar.gz -C ../servers/ 解压
  
  
  
  2.修改配置文件
  
  cd /export/servers/sqoop-1.4.6-cdh5.14.0/conf/

cp sqoop-env-template.sh sqoop-env.sh sqoop-env-template.sh是sqoop给的配置模板，所以最好复制一份出来
  
  vim sqoop-env.sh
  
  因为这里只用到Hadoop和Hive，所以只需要配置这两个的路径即可
  
  
  
  3.加入额外的依赖包
  
  需要在Sqoop的lib目录下加入一个mysql的依赖包，一个java-json的依赖包，否则就会报错
  
  
  
  4.验证启动
  
  cd /export/servers/sqoop-1.4.6-cdh5.14.0

bin/sqoop-version
  
  

• Sqoop数据导入

  首先可以用命令行查看帮助bin/sqoop help

  Available commands:
  可用命令：
  
  codegen            Generate code to interact with database records
  				   生成与数据库记录交互的代码
  
  create-hive-table  Import a table definition into Hive
  				   将表定义导入到Hive中
  
  eval               Evaluate a SQL statement and display the results
  				   计算一个SQL语句并显示结果
  
  export             Export an HDFS directory to a database table
  				   将HDFS目录导出到数据库表
  
  help               List available commands
  				   罗列出可用的命令
  
  import             Import a table from a database to HDFS
  				   将一个表从数据库导入到HDFS
  
  import-all-tables  Import tables from a database to HDFS
  				   将一些表从数据库导入到HDFS
  
  import-mainframe   Import datasets from a mainframe server to HDFS
  				   从大型机服务器导入数据集到HDFS
  
  job                Work with saved jobs
  				   用保存的jobs继续工作
  
  list-databases     List available databases on a server
  				   列出服务器上可用的数据库
  
  list-tables        List available tables in a database
  				   列出数据库中可用的表
  
  merge              Merge results of incremental imports
  				   增量导入的合并结果
  
  metastore          Run a standalone Sqoop metastore
  				   运行一个独立的Sqoop metastore
  
  version            Display version information
  				   显示版本信息
  

  1.列出本地主机所有的数据库，可以用bin/sqoop listdabases --help查看帮助
  
  2.bin/sqoop list-databases --connect jdbc:mysql://192.168.0.106:3306/ --username root --password 自己数据库的密码 显示数据库
  
  java.sql.SQLException: null, message from server: "Host ‘192.168.0.30’ is not allowed to connect to this MySQL server"
  
  注意：如果出现这种异常，需要给自己连接的mysql授予远程连接权限
  
  3.bin/sqoop list-tables --connect jdbc:mysql://192.168.0.106:3306/userdb --username root --password 123456 显示数据库中的表
  
  
  
  4.bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --username root --password 123456 --table emp --m 1 将mysql数据库userdb中的emp表导入到hdfs中（--table指要选择哪个表，--m指MapTask的个数）
  
  
  
  5.bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --username root --password 123456 --table emp --delete-target-dir --target-dir /sqoop/emp --m 1 将emp表导入到hdfs指定文件夹（--delete-target-dir判断导出目录是否存在，如果存在就删除 --target-dir指定导出目录）
  
  
  
  6.bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --table emp --delete-target-dir --target-dir /sqoop/emp2 --username root --password 123456 --fields-terminated-by '\t' --m 1 指定分隔符
  
  

• 导入关系表到Hive已有表中

  1.想要将mysql中的表数据直接导入到Hive，必须先将Hive下lib目录中的一个jar包hive-exec-1.1.0-cdh5.14.0.jar复制到sqoop的lib目录下 cp /export/servers/hive-1.1.0-cdh5.14.0/lib/hive-exec-1.1.0-cdh5.14.0.jar /export/servers/sqoop-1.4.6-cdh5.14.0/lib/
  
  2.然后现在hive中创建一个sqooptohive的数据库，并在其中创建一个用来存放数据的表
  
  CREATE DATABASE sqooptohive;

USE sqooptohive;

  CREATE EXTERNAL TABLE emp_hive(
  id INT,
  name STRING,
  deg STRING,
  salary INT,
  dept STRING)
  ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001';
  

  3.bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --table emp --delete-target-dir --target-dir /sqoop/emp2 --fields-terminated-by '\001' --username root --password 123456 --hive-import --hive-table sqooptohive.emp_hive --hive-overwrite --m 1 从mysql向hive导入表数据（--hive-overwrite 表示如果有重名的表，则覆盖掉）
  
  
  
  遇到一个报错
  
  
  
  原因是因为在/etc/profile中没有配置hive的环境变量，到/etc/profile/下添加两行
  
  
  
  配置完成后一定记得source /etc/profile生效
  
   

• 导入关系表到Hive（自动创建Hive表）

  bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --table emp-conn --username root -password 123456 --hive-import --hive-database sqooptohive --m 1
  
  

• 将关系表子集导入到HDFS中

  bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --table emp_add --delete-target-dir --target-dir /sqoop/emp_add --username root --password 123456 --where "city='sec-bad'" --m 1
  
  

• sql语句查找导入到HDFS

  bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --delect-target-dir --target-dir /sqoop/emp_conn --username root --password 123456 --query 'select phon from emp_conn where 1=1 and $CONDITIONS' --m 1 使用sql语句查询首先不能有--table，其次--query后面跟着的sql语句必须用单引号，必须要有where条件，没有筛选条件就用WHERE 1=1，后面必须跟一个$CONDITIONS字符串
  
  

• 两种增量导入方式

  实际工作中，很少有需要将整张表的数据导入到Hive或者HDFS，一般只需要导入增量数据。增量导入是仅导入新添加的表中的行的技术。一般情况下，每个数据表都会有三个固定字段：create_time,update_time,is_delete。可以根据创建时间和更新时间来解决增量导入数据的需求
  
  Sqoop也考虑到了这种情况，提供了三个参数来帮助实现增量导入：
  
  --incremental <mode>   --check-column <column name>   --last value <last check column value>
  
  1.第一种增量方式
  
  需求：导入emp表当中id大于1202的所有数据
  
  bin/sqoop import --connect jdbc:mysql://192.168.0.106:3306/userdb --table emp --target-dir /sqoop/increment --incremental append --check-column id --last-value 1202 --username root --password 123456 --m 1
  
  增量导入的时候，一定不能加参数–delete-target-dir，否则会报错。--incremental有两种mode:append \ lastmodified。--check-column需要的值是用来做增量导入判断的列名（字段名）。--last-value是指定某一个值，用于标记增量导入的位置。
  
  
  
  2.第二种增量方式
  
  需求：导入emp表中创建时间在2020.3.7且is_delete=1的数据
  
  bin/sqoop import --connect jdbc:mysql://192.168.0.106/userdb --table emp --target-dir /sqoop/increment2 --incremental append --where "create_time > '2020-3-7 00:00:00' and create_time < '2020-3-7 23:59:59' and is_delete = '1'" --check-column id --username root --password 123456 --m 1
  
  本来想的有了where来查询就可以不用--check-column参数，没想到只要是增量导入就必须要有这个参数
  
  
  
  
  
  3.思考一下如何解决减量数据的需求？
  
  减量数据的删除是假删除，不是真删除，其实就是改变了数据的状态，数据的更新时间也会同步改变。所以解决减量数据实际上就涉及到了数据的变更问题，只要变更数据，update_time也会发生改变
  
  更新数据的时候，就是要根据create_time和update_time一起来判断，只要符合其中任意一项就将数据导入到Hive或者HDFS上，那么就有可能出现两条id相同，create_time相同的数据，比如

  id		create_time			update_time
  1		2020-1-3 12:12:12	2020-1-3 12:12:12
  1		2020-1-3 12:12:12	2020-1-13 12:12:12
  

  可以用group by id进行分组，将id相同的分到一组，取update_time最新的数据
  
   

• Sqoop的数据导出

  bin/sqoop export --connect jdbc:mysql://192.168.0.106:3306/userdb --table emp_out --export-dir /sqoop/emp --input-fields-terminated-by ',' --username root --password 123456