目前大数据领域数据处理,涉及数据的采集、整合、统计、展示等各个环节,从而实现数据的使用价值。在整个流程中,采集是必不可少的,采集根据采集方式、数据来源也各有不同。比如,结构化数据通常采用离线同步(sqoop、datax等)和实时同步(binlog),非结构化数据通常采用实时同步(kafka+flume、API主动获取等方式)。我们本次主要讲解下离线采集结构化数据的场景中经常使用的Hadoop生态工具Sqoop。
1.Sqoop1命令汇总
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 |
2.公用参数:数据库连接
序号 | 参数 | 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 | Hadoop根目录 |
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 |
3.公用参数:import
序号 | 参数 | 说明 |
---|
1 | –enclosed-by <char> | 给字段值前加上指定的字符 |
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。 |
附:import 其他参数
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 codec default 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 |
4.公用参数:export
序号 | 参数 | 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 |
5.公用参数:hive
序号 | 参数 | 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 <arg> | 生成hive表时,可以更改生成字段的数据类型 |
4 | –hive-partition-key <arg> | 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 <arg> | 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 |
6.相关使用场景案例
6.1 import : 数据导入 RDBMS TO HADOOP(hive/HBase)
a.只插入
$ sqoop import \
--connect jdbc:mysql://localhost:3306/test \
--username escheduler_dev \
--password 2wsxVFR$ \
--query "select id as id,name as name,age as age from a_demo where 1=1 and \$CONDITIONS " \
--hive-import \
--hive-database default \
--hive-table demo10 \
--target-dir /tmp/hyj-$RANDOM \
--hive-partition-key date_id \
--hive-partition-value 1000 \
--m 1; \
b.增量导入
增量导入数据到hive中,mode=append ,目前是不支持hive相关参数的。
因此建议使用where条件增量Key导入
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3
c.全量导入分区表(重写表)
sqoop import -D mapred.job.queue.name=root.sqoop \
--mapreduce-job-name sqoop#${HIVE_DB_NAME}.${HIVE_TBL_NAME} \
--connect "jdbc:mysql://${MY_DB_IP}:${MY_DB_PORT}/${MY_DB_NAME}?useUnicode=true&characterEncoding=utf-8&zeroDateTimeBehavior=convertToNull&tinyInt1isBit=false" \
--username "${MY_DB_USER}" \
--password "${MY_DB_PASS}" \
--table "${MY_TBL_NAME}" \
--where "${MY_TBL_COND}" \
--hive-import \
--hive-overwrite \
--hive-database "${HIVE_DB_NAME}" \
--hive-table "${HIVE_TBL_NAME}" \
--hive-partition-key "${HIVE_PART_NAME}" \
--hive-partition-value "${HIVE_PART_VAL}" \
--hive-drop-import-delims \
--delete-target-dir \
--fields-terminated-by '\001' \
--lines-terminated-by '\n' \
--compress \
--compression-codec org.apache.hadoop.io.compress.SnappyCodec \
-m 1
d.导入多级分区
sqoop import
--connect jdbc:mysql://${MY_DB_IP}:${MY_DB_PORT}/${MY_DB_NAME}
--username "${MY_DB_USER}" \
--password "${MY_DB_PASS}" \
--query "select name as name from a_demo where 1=1 and \$CONDITIONS "
--hcatalog-database default
--hcatalog-table test88
--hcatalog-partition-keys pt,hh,mm
--hcatalog-partition-values 100,200,300
--m 1
6.2 export: 数据导出 HADOOP(hive/hdfs/HBase) TO RDBMS
a.只插入(insert)
sqoop export
--connect jdbc:mysql://localhost:3306/escheduler_dev
--username escheduler_dev
--password 2wsxVFR$
--table a_demo
--columns "id,name,age"
--hcatalog-database default
--hcatalog-table demo10
--hive-partition-key date_id
--hive-partition-value 1000
--m 1 ;
注释:hcatalog模式可用于orc表
b.仅更新(update)
sqoop export
--connect jdbc:mysql://localhost:3306/escheduler_dev \
--username escheduler_dev \
--password 2wsxVFR$ \
--table a_demo \
--columns "id,name,age" \
--hcatalog-database default \
--hcatalog-table demo10 \
--hive-partition-key date_id \
--hive-partition-value 1000 \
--m 1 \
--update-key id \
--update-mode updateonly
注释:--columns是更新或插入哪些字段;--update-key更新依据的字段名,比如上述案例以id进行更新,--update-mode是更新模式,updateonly仅更新
c.更新并插入(upsert)
sqoop export \
--connect jdbc:mysql://localhost:3306/escheduler_dev \
--username escheduler_dev \
--password 2wsxVFR$ \
--table a_demo \
--columns "id,name,age" \
--hcatalog-database default \
--hcatalog-table demo10 \
--hive-partition-key date_id \
--hive-partition-value 1000 \
--m 1 \
--update-key id \
--update-mode allowinsert
注释:--update-mode的模式是allowinsert更新并插入
d.多级分区插入
sqoop import \
--connect jdbc:mysql://localhost:3306/escheduler_dev \
--username escheduler_dev \
--password 2wsxVFR$ \
--query "select name as name from a_demo where 1=1 and \$CONDITIONS " \
--hcatalog-database default \
--hcatalog-table test88 \
--hcatalog-partition-keys pt,hh,mm \
--hcatalog-partition-values 100,200,300 \
--m 1