Sqoop学习及使用

Sqoop

简介

Sql + Hadoop = Sqoop

Apache Sqoop™是一种旨在有效地在 Apache Hadoop 和诸如关系数据库等结构化数据存

储之间传输大量数据的工具

原理

将导入或导出命令翻译成MapReduce程序来实现。

在翻译出的MapReduce中主要是针对InputFormat和outputformat进行定制。

安装

安装之前保证jvm和Hadoop的环境安装完毕

1.下载解压压缩包
2.修改配置文件 conf目录下
	1）重命名配置文件
		$ mv sqoop-env-template.sh sqoop-env.sh
		$ mv sqoop-site-template.xml sqoop-site.xml
	2)  修改配置文件
	sqoop-env.sh

		export HADOOP_COMMON_HOME=/home/admin/modules/hadoop-2.7.2
		export HADOOP_MAPRED_HOME=/home/admin/modules/hadoop-2.7.2
		export HIVE_HOME=/home/admin/modules/apache-hive-1.2.2-bin
		export ZOOKEEPER_HOME=/home/admin/modules/zookeeper-3.4.5
		export ZOOCFGDIR=/home/admin/modules/zookeeper-3.4.5

3.拷贝JDBC驱动到Sqoop的lib目录下
4.验证是否成功
	$ bin/sqoop help
5.测试是否可以连接MySql数据库
	$ bin/sqoop list-databases --connect jdbc:mysql://hadoop132:3306/ --username root --password root

简单使用案例

导入数据

在Sqoop中，“导入”概念指:从非大数据集群（RDBMS）向大数据集群（HDFS,HIVE,HBASE）中传输数据，叫做导入。使用import关键字

RDBMS到HDFS

1.开启Mysql服务
2.创建Mysql表，并插入数据

	$ mysql -uroot -proot
	mysql> create database company;
	mysql> create table company.staff(id int(4) primary key not null auto_increment, name
	varchar(255), sex varchar(255));
	mysql> insert into company.staff(name, sex) values('Thomas', 'Male');
	mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale');

3.导入数据
	（1）全部导入
		$ bin/sqoop import \
		--connect jdbc:mysql://hadoop132:3306/company \
		--username root \
		--password root \
		--table staff \
		--target-dir /user/company \
		--delete-target-dir \
		--num-mappers 1 \
		--fields-terminated-by "\t"
	（2）查询导入（导入指定条件的数据）
		$ bin/sqoop import \
		--connect jdbc:mysql://hadoop132:3306/company \
		--username root \
		--password 123456 \
		--target-dir /user/company \
		--delete-target-dir \
		--num-mappers 1 \
		--fields-terminated-by "\t" \
		--query 'select name,sex from staff where id <=1 and $CONDITIONS;'

		注意：$CONDITIONS 必须存在where子句中
		如果query后使用的双引号，则$CONDITIONS前必须加转义符，方式shell识别为自己的变量
		--query选项不能同时与--table选项使用

	（3）导入指定的列
		$ bin/sqoop import \
		--connect jdbc:mysql://hadoop132:3306/company \
		--username root \
		--password 123456 \
		--target-dir /user/company \
		--delete-target-dir \
		--num-mappers 1 \
		--fields-terminated-by "\t" \
		--columns id,sex \
		--table staff

		注意：column中如果涉及到多列，用逗号隔开，分割时不要添加空格

（4）使用Sqoop关键字筛选查询导入数据
		$ bin/sqoop import \
		--connect jdbc:mysql://hadoop132:3306/company \
		--username root \
		--password 123456 \
		--target-dir /user/company \
		--delete-target-dir \
		--num-mappers 1 \
		--fields-terminated-by "\t" \
		--table staff \
		--where "id=1"

		注意：在Sqoop中可以使用Sqoop import -D property.name=property.value
		这样的方式加入执行任务的参数，多个参数使用空格隔开

RDBMS到hive

$ bin/sqoop import \
--connect jdbc:mysql://hadoop132:3306/company \
--username root \
--password root \
--table staff \
--num-mappers 1 \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table staff_hive

注意：该过程分为两步，第一步将数据导入到HDFS中，第二步将导入的HDFS中的数据迁移到Hive仓库中
第一步默认的路径是：/user/${username}/${tablename}

导出数据

在Sqoop中，“导出”概念是指：从大数据集群（HDFS,HIVE,HBase）向非大数据集群（RDBMS）中传输数据，叫做导出，即使用export关键字

Hive/HDFS 到RDBMS

$ bin/sqoop export \
--connect jdbc:mysql://hadoop132:3306/company \
--username root \
--password root \
--table staff \
--num-mappers 1 \
--export-dir /user/hive/warehouse/staff_hive \
--input-fields-terminated-by "\t" 

如果Mysql中的表不存在，不会自动创建

脚本打包

使用 opt 格式的文件打包 sqoop 命令，然后执行

1.创建一个.opt文件
$ mkdir opt
$ touch opt/job_HDFS2RDBMS.opt

2.编写Sqoop脚本
export
--connect jdbc:mysql://linux01:3306/company
--username root
--password 123456
--table staff
--num-mappers 1
--export-dir /user/hive/warehouse/staff_hive
--input-fields-terminated-by "\t"

3.执行脚本
$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

常用命令及参数

常用命令列举

序号	命令	类	说明
1	import	ImportTool	将数据导入到集群
2	export	ExportTool	将集群数据导出
3	codegen	CodeGenTool	获取数据库中某张表数据生成Java并打包Jar
4	create-hive-table	CreateHiveTableTool	创建 Hive 表
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 中
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	列出某个数据库下所有表
10	merge	MergeTool	将 HDFS 中不同目录下面的数据合在一起，并存放在指定的目录中
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 中进行更改。
12	help	HelpTool	打印 sqoop 帮助信息
13	version	VersionTool	打印 sqoop 版本信息

命令及参数详解

公用参数：数据库连接

序号	命令	说明
1	–connect	连接关系型数据库的 URL
2	–connection-manager	指定要使用的连接管理类
3	–driver	JDBC 的 driver class
4	–help	打印帮助信息
5	–password	连接数据库的密码
6	–username	连接数据库的用户名
7	–verbose	在控制台打印出详细信息

公用参数：import

序号	命令	说明
1	–enclosed-by <char>	给字段值前后加上指定的字符
2	–escaped-by <char>	对字段中的双引号加转义符
3	–fields-terminated-by <char>	设定每个字段是以什么符号作为结束，默认为逗号
4	–lines-terminated-by <char>	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 <char>	给带有双引号或单引号的字段值前后加上指定字符。

公用参数：export

序号	命令	说明
1	–input-enclosed-by <char> 对字段值前后加上指定字符
2	–input-escaped-by <char> 对含有转移符的字段做转义处理
3	–input-fields-terminated-by <char>	字段之间的分隔符
4	–input-lines-terminated-by <char>	行之间的分隔符
5	–input-optionally-enclosed-by <char>	给带有双引号或单引号的字段前后加上指定字符

公用参数：hive

序号	命令	说明
1	–hive-delims-replacement<arg>	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 <map>	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 <dir>	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

命令& 参数 import

将关系型数据库中的数据导入到 HDFS（包括 Hive，HBase）中，如果导入的是 Hive，那么

当 Hive 中没有对应表时，则自动创建

1. 命令
   
   如：导入数据到 hive 中

$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-import

如：增量导入数据到 hive 中，mode=append

append 导入：
$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3

append 不能与--hive-等参数同时使用（Append mode for hive imports is not yet
supported. Please remove the parameter --append-mode）

如：增量导入数据到 hdfs 中，mode=lastmodified

先导入一部分数据：
$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--delete-target-dir \
--m 1

再增量导入一部分数据：
mysql> insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');

$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--check-column last_modified \
--incremental lastmodified \
--last-value "2017-09-28 22:20:38" \
--m 1 \
--append

使用 lastmodified 方式导入数据要指定增量数据是要--append（追加）还是要
--merge-key（合并）
last-value 指定的值是会包含于增量导入的数据中

2）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 <statement>	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 <statement>	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 <column-name>	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 <table-name>	关系数据库的表名
14	–target-dir <dir>	指定 HDFS 路径
15	–warehouse-dir <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 codecdefault gzip)
19	–null-string <null-string>	string 类型的列如果 null，替换为指定字符串
20	–null-non-string <null-string>	非 string 类型的列如果 null，替换为指定字符串
21	–check-column <col>	作为增量导入判断的列名
22	–incremental <mode>	mode：append 或 lastmodified
23	–last-value <value>	指定某一个值，用于标记增量导入的位置

命令和参数：export

从 HDFS（包括 Hive 和 HBase）中奖数据导出到关系型数据库中

$ bin/sqoop export \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--export-dir /user/company \
--input-fields-terminated-by "\t" \
--num-mappers 1

序号	参数	说明
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 <dir>	存放数据的 HDFS 的源目录
3	-m或–num-mappers <n>	启动 N 个 map 来并行导入数据，默认 4 个
4	–table	<table-name>
5	–update-key <col-name>	对某一列的字段进行更新操作
6	–update-mode <mode>	updateonly allowinsert(默认)
7	–input-null-string <null-string>	请参考 import 该类似参数说明
8	–input-null-non-string <null-string>	请参考 import 该类似参数说明
9	–staging-table <staging-table-name>	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

命令& 参数：codegen

将关系型数据库中的表映射为一个 Java 类，在该类中有各列对应的各个字段。

$ bin/sqoop codegen \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"

序号	参数	说明
1	–bindir <dir>	指定生成的 Java 文件、编译成的 class 文件及将生成文件打包为 jar 的文件输出路径
2	–class-name <name>	设定生成的 Java 文件指定的名称
3	–outdir <dir>	生成 Java 文件存放的路径
4	–package-name <name>	包名，如com.z，就会生成com和 z 两级目录
5	–input-null-non-string <null-str>	在生成的 Java 文件中，可以将 null 字符串或者不存在的字符串设置为想要设定的值（例如空字符串）
6	–input-null-string <null-str>	将 null 字符串替换成想要替换的值（一般与 5 同时使用）
7	–map-column-java <arg>	数据库字段在生成的 Java 文件中会映射成各种属性，且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型，例如：–map-column-java id=long,name=String
8	–null-non-string <null-str>	在生成 Java 文件时，可以将不存在或者 null 的字符串设置为其他值
9	–null-string <null-str>	在生成 Java 文件时，将 null字符串设置为其他值（一般与8 同时使用）
10	–table <table-name>	对应关系数据库中的表名，生成的 Java 文件中的各个属性与该表的各个字段一一对应

命令& 参数：create-hive-table

生成与关系数据库表结构对应的 hive 表结构

$ bin/sqoop create-hive-table \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-table hive_staff

序号	参数	说明
1	–hive-home Hive 的安装目录，可以通过该参数覆盖掉默认的 Hive 目录
2	–hive-overwrite	覆盖掉在 Hive 表中已经存在的数据
3	–create-hive-table	默认是 false，如果目标表已经存在了，那么创建任务会失败
4	–hive-table	后面接要创建的 hive 表
5	–table	指定关系数据库的表名

命令& 参数：eval

可以快速的使用 SQL 语句对关系型数据库进行操作，经常用于在 import 数据之前，了解一

下 SQL 语句是否正确，数据是否正常，并可以将结果显示在控制台。

$ bin/sqoop eval \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--query "SELECT * FROM staff"

序号	参数	说明
1	–query 或–e	后跟查询的 SQL 语句

命令& 参数：import-all-tables

可以将 RDBMS 中的所有表导入到 HDFS 中，每一个表都对应一个 HDFS 目录

$ bin/sqoop import-all-tables \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--warehouse-dir /all_tables

序号	参数	说明
1	–as-avrodatafile	这些参数的含义均和 import对应的含义一致
2	–as-sequencefile
3	–as-textfile
4	–direct
5	–direct-split-size <n>
6	–inline-lob-limit <n>
7	–m或—num-mappers <n>
8	–warehouse-dir <dir>
9	-z 或–compress
10	–compression-codec

命令& 参数：job

用来生成一个 sqoop 任务，生成后不会立即执行，需要手动执行

$ bin/sqoop job \
--create myjob -- import-all-tables \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456
$ bin/sqoop job \
--list
$ bin/sqoop job \
--exec myjob

注意 import-all-tables 和它左边的--之间有一个空格
如果需要连接 metastore，则--meta-connect jdbc:hsqldb:hsql://linux01:16000/sqoop

序号	参数	说明
1	–create <job-id>	创建 job 参数
2	–delete <job-id>	删除一个 job
3	–exec <job-id>	执行一个 job
4	–help	显示 job 帮助
5	–list	显示 job 列表
6	–meta-connect <jdbc-uri>	用来连接 metastore 服务
7	–show <job-id>	显示一个 job 的信息
8	–verbose	打印命令运行时的详细信息

在执行一个 job 时，如果需要手动输入数据库密码，可以做如下优化

<property>
	<name>sqoop.metastore.client.record.password</name>
	<value>true</value>
	<description>If true, allow saved passwords in the metastore.</description>
</property>

命令& 参数：list-databases

$ bin/sqoop list-databases \
--connect jdbc:mysql://linux01:3306/ \
--username root \
--password 123456

命令& 参数：list-tables

$ bin/sqoop list-tables \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456

命令& 参数：merge

将 HDFS 中不同目录下面的数据合并在一起并放入指定目录中

数据环境:

new_staff
1 AAA male
2 BBB male
3 CCC male
4 DDD male
old_staff
1 AAA female
2 CCC female
3 BBB female
6 DDD female

上边数据的列之间的分隔符应该为\t，行与行之间的分割符为\n，如果直接复制，请检查之。

命令：

创建 JavaBean：
$ bin/sqoop codegen \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"

开始合并：
$ bin/sqoop merge \
--new-data /test/new/ \
--onto /test/old/ \
--target-dir /test/merged \
--jar-file /home/admin/Desktop/staff/Staff.jar \
--class-name Staff \
--merge-key id
结果：
1  AAA  MALE
2  BBB  MALE
3  CCC  MALE
4  DDD  MALE
6  DDD  FEMALE

序号	参数	说明
1	–new-data 、	HDFS 待合并的数据目录，合并后在新的数据集中保留
2	–onto <path>	HDFS 合并后，重复的部分在新的数据集中被覆盖
3	–merge-key <col>	合并键，一般是主键 ID
4	–jar-file <file>	合并时引入的 jar 包，该 jar包是通过 Codegen 工具生成的 jar 包
5	–class-name <class>	对应的表名或对象名，该class 类是包含在 jar 包中的
6	–target-dir <path>	合并后的数据在 HDFS 里存放的目录

命令& 参数：metastore

记录了 Sqoop job 的元数据信息，如果不启动该服务，那么默认 job 元数据的存储目录为

~/.sqoop，可在 sqoop-site.xml 中修改。

启动 sqoop 的 metastore 服务

$ bin/sqoop metastore

序号	参数	说明
1	–shutdown	关闭 metastore

本博客仅为博主学习总结，感谢各大网络平台的资料。蟹蟹!!