Sqoop 各种参数的配置解析及使用案例

一、Sqoop原理简介

Sqoop本质上是一个数据传输工具，能够将用户编写的Sqoop命令翻译为MR程序，基于MR程序读取关系型数据库中的数据，写入到HDFS或者读取HDFS上的数据，写入到关系型数据库！

在MR程序中如果要读取关系型数据库中的数据，必须指定输入格式为DBInputformat！

在MR程序中如果要向关系型数据库写入数据，必须指定输出格式为DBOutputformat！

Sqoop命令运行的MR程序， 只有Map阶段，没有Sqoop命令运行的MR程序， 只有Map阶段，没有Reduce阶段。本质上只需要做数据传输， 不需要对数据进行合并和排序。

二、sqoop导入数据（将关系型数据库的数据导入到 HDFS）

数据如下


2.1 直接导入HDFS

2.1.1 全表导入(部分导入)
bin/sqoop import \

##连接的关系型数据库的url,用户名，密码

--connect jdbc:mysql://hadoop102:3306/test \

--username root \

--password 123 \

##连接的表

--table t_emp \

##导出数据在hdfs上存放路径

--target-dir /sqoopTest \

##如果路径已存在则先删除

--delete-target-dir \

##导入到Hdfs上后，每个字段使用什么参数进行分割

--fields-terminated-by "\t" \

##要启动几个MapTask，默认4个

--num-mappers 2 \

##数据集根据哪个字段进行切分，切分后每个MapTask负责一部分

--split-by id \

##要实现部分导入，加入下面的参数，表示导入哪些列

##columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格

--columns id,name,age
2.1.2 使用sqoop****关键字筛选查询导入数据
bin/sqoop import \

--connect jdbc:mysql://hadoop102:3306/test \

--username root \

--password 123 \

--table t_emp \

##指定过滤的where语句,where语句最好使用引号包裹

--where 'id>6' \

--target-dir /sqoopTest \

--delete-target-dir \

--fields-terminated-by "\t" \

--num-mappers 1 \

--split-by id
2.1.3 使用查询语句导入
bin/sqoop import \

--connect jdbc:mysql://hadoop102:3306/test \

--username root \

--password 123 \

##查询语句最好使用单引号

##如果query后使用的是双引号，则$CONDITIONS前必须加转移符，防止shell识别为自己的变量

--query 'select * from t_emp where id>3 and $CONDITIONS' \

--target-dir /sqoopTest \

--delete-target-dir \

--fields-terminated-by "\t" \

--num-mappers 1 \

--split-by id
注意：

1、如果使用了–query，就不能指定–table，和–columns和–where

–query 和 --table一定不能同时存在！

–where和–query同时存在时，–where失效

–columns和–query同时存在时，还有效！

2、–query 必须跟–target-dir

2.2 导入到Hive

bin/sqoop import \

--connect jdbc:mysql://hadoop102:3306/test \

--username root \

--password 123 \

--query 'select * from t_emp where id>3 and $CONDITIONS' \

--target-dir /sqoopTest \

##如果不限定分隔符，那么hive存储的数据将不带分隔符，之后再想操作很麻烦，所以建议加上

--fields-terminated-by "\t" \

--delete-target-dir \

##导入到hive

--hive-import \

##是否覆盖写，不加这个参数就是追加写

--hive-overwrite \

##指定要导入的hive的表名

--hive-table t_emp \

--num-mappers 1 \

--split-by id
原理还是分俩步：先把数据从关系数据库里导到hdfs中，然后再从hdfs中导到hive中，此时hdfs中的文件会被删除

注意：如果hive中没表会自动创建表，但是类型是自动生成的，所以还是 建议手动创建

也可以分俩步走：

先导入hdfs

#!/bin/bash

import_data(){

$sqoop import \

--connect jdbc:mysql://hadoop102:3306/gmall \

--username root \

--password 123 \

--target-dir /origin_data/gmall/db/$1/$do_date \

--delete-target-dir \

--query "$2 and \$CONDITIONS" \

--num-mappers 1 \

--fields-terminated-by '\t' \

# 使用压缩，和指定压缩格式为lzop

--compress \

--compression-codec lzop \

#将String类型和非String类型的空值替换为\N,方便Hive读取

--null-string '\\N' \

--null-non-string '\\N'

}
然后利用 load data 命令导入hive

注意：这里使用到了空值处理 —— **Hive中的Null在底层是以“\N”来存储，而MySQL中的Null在底层就是Null，为了保证数据两端的一致性。在导出数据时采用–input-null-string和–input-null-non-string两个参数。导入数据时采用–null-string和–null-non-string。
**

2.3 导入到 Hbase

bin/sqoop import \

--connect jdbc:mysql://hadoop102:3306/test \

--username root \

--password 123 \

--query 'select * from t_emp where id>3 and $CONDITIONS' \

--target-dir /sqoopTest \

--delete-target-dir \

##表不存在是否创建

--hbase-create-table \

##hbase中的表名

--hbase-table "t_emp" \

##将导入数据的哪一列作为rowkey

--hbase-row-key "id" \

##导入的列族

--column-family "info" \

--num-mappers 2 \

--split-by id
1、当选用自动创建表时，如果版本不兼容会报错：

20/03/24 13:51:24 INFO mapreduce.HBaseImportJob: Creating missing HBase table t_emp
Exception in thread “main” java.lang.NoSuchMethodError: org.apache.hadoop.hbase.HTableDescriptor.addFamily(Lorg/apache/hadoop/hbase/HColumnDescriptor;)V



此时只能自己手动创建或者可以重新编译sqoop源码

2、如果要多列族导入，只能多次运行命令，一次导入一个列族

三、导出

将Hdfs上的数据导出到关系型数据库中

3.1 SQL中表为空表时

bin/sqoop export \

--connect 'jdbc:mysql://hadoop102:3306/test?useUnicode=true&characterEncoding=utf-8' \

--username root \

--password 123 \

##导出的表名，需要自己提前创建好

--table t_emp2 \

--num-mappers 1 \

##hdfs上导出的数据的路径

--export-dir /user/hive/warehouse/t_emp \

##hdfs上数据的分隔符

--input-fields-terminated-by "\t"
3.2 表不为空表时

如果插入的数据的主键和表中已有数据的主键冲突，那么会报错

Duplicate entry ‘5’ for key ‘PRIMARY’

如果在SQL下，可以使用

INSERT INTO t_emp2 VALUE(5,'jack',30,3,1111)

ON DUPLICATE KEY UPDATE NAME=VALUES(NAME),deptid=VALUES(deptid),

empno=VALUES(empno);
意为

指定当插入时，主键重复时时，对于重复的记录，只做更新，不做插入！

而用sqoop时，则可以启用以下俩种模式

3.2.1updateonly模式
bin/sqoop export \

--connect 'jdbc:mysql://hadoop103:3306/mydb?useUnicode=true&characterEncoding=utf-8' \

--username root \

--password 123456 \

--table t_emp2 \

--num-mappers 1 \

--export-dir /hive/t_emp \

--input-fields-terminated-by "\t" \

--update-key id
利用 --update-key 字段 ，表示主键重复时会进行更新，但是 主键不重复的时候，数据不会插入进来

3.2.2allowinsert模式
bin/sqoop export \

--connect 'jdbc:mysql://hadoop103:3306/mydb?useUnicode=true&characterEncoding=utf-8' \

--username root \

--password 123456 \

--table t_emp2 \

--num-mappers 1 \

--export-dir /hive/t_emp \

--input-fields-terminated-by "\t" \

--update-key id \

--update-mode allowinsert
表示主键重复时会进行更新，主键不重复的时候，数据也会插入进来

3.3 如何查看导出命令的具体实现

3.3.1配置/etc/my.cnf
bin/sqoop export \

--connect 'jdbc:mysql://hadoop103:3306/mydb?useUnicode=true&characterEncoding=utf-8' \

--username root \

--password 123456 \

--table t_emp2 \

--num-mappers 1 \

--export-dir /hive/t_emp \

--input-fields-terminated-by "\t" \

--update-key id \

--update-mode allowinsert
3.3.2重启mysql服务
3.3.3进入/var/lib/mysql，调用方法
sudo mysqlbinlog mysql-bin.000001