Sqoop常见用法

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