Sqoop数据迁移工具
一、课前准备
- 安装好对应版本的mysql
- 安装好对应版本的hadoop集群
- 安装好对应版本的hive
二、课堂主题
本堂课主要围绕sqoop的知识点进行讲解。主要包括以下几个方面
- sqoop的核心概念
- sqoop的架构原理
- sqoop的导入
- sqoop的导出
三、课堂目标
- 掌握sqoop的数据导入
- 掌握sqoop的数据导出
四、知识要点
1. Sqoop是什么(5分钟)
- Sqoop是apache旗下的一款 ”Hadoop和关系数据库之间传输数据”的工具
- 导入数据
- 将MySQL,Oracle导入数据到Hadoop的HDFS、HIVE、HBASE等数据存储系统
- 导出数据
- 从Hadoop的文件系统中导出数据到关系数据库
- 导入数据
2. Sqoop的工作机制
- 将导入和导出的命令翻译成mapreduce程序实现
- 在翻译出的mapreduce中主要是对inputformat和outputformat进行定制
3. Sqoop基本架构(10分钟)
- sqoop在发展中的过程中演进出来了两种不同的架构.架构演变史
- sqoop1的架构图
版本号为1.4.x为sqoop1
在架构上:sqoop1使用sqoop客户端直接提交的方式
访问方式:CLI控制台方式进行访问
安全性:命令或脚本中指定用户数据库名及密码
- sqoop2的架构图
版本号为1.99x为sqoop2
在架构上:sqoop2引入了sqoop server,对connector实现了集中的管理
访问方式:REST API、 JAVA API、 WEB UI以及CLI控制台方式进行访问
[外链图片转存失败(img-4aHCT5IM-1568192110626)(Sqoop数据迁移工具.assets/sqoop1 VS sqoop2.png)]
4. Sqoop安装部署(5分钟)
Sqoop安装很简单,解压好进行简单的修改就可以使用
Sqoop就是一个工具,可以安装在任意一个节点上,建议与hive、mysql安装在一起,没有安装在一起还需要动手做一些配置
1、下载安装包
-
- http://mirror.bit.edu.cn/apache/sqoop/1.4.7/sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
- sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
-
2、规划安装目录
- /opt/bigdata
-
3、上传安装包到服务器
-
4、解压安装包到指定的规划目录
- tar -zxvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz -C /opt/bigdata
-
5、重命名解压目录
- mv sqoop-1.4.7.bin__hadoop-2.6.0 sqoop
-
6、修改配置
-
进入到sqoop安装目录下的conf文件夹中
-
先重命名文件
- mv sqoop-env-template.sh sqoop-env.sh
-
修改文件,添加java环境变量
- vim sqoop-env.sh
#Set path to where bin/hadoop is available export HADOOP_COMMON_HOME=/opt/bigdata/hadoop #Set path to where hadoop-*-core.jar is available export HADOOP_MAPRED_HOME=/opt/bigdata/hadoop #set the path to where bin/hbase is available export HBASE_HOME=/opt/bigdata/hbase #Set the path to where bin/hive is available export HIVE_HOME=/opt/bigdata/hive
-
-
-
7、添加mysql驱动jar包
- 把mysql的驱动jar包添加到sqoop的lib目录下,可以拷贝之前hive的lib目录下的mysql驱动
cp /opt/bigdata/hive/lib/mysql-connector-java-5.1.38.jar /opt/bigdata/sqoop/lib/
-
8、配置sqoop环境变量
- vim /etc/profile
export SQOOP_HOME=/opt/bigdata/sqoop export PATH=$PATH:$SQOOP_HOME/bin
-
9、让flume环境变量生效
- source /etc/profile
5. Sqooq数据的导入(45分钟)
- 导入单个表从RDBMS到HDFS。表中的每一行被视为HDFS的记录。所有记录都存储为文本文件的文本数据(或者Avro、sequence文件等二进制数据)
5.1 列举出所有的数据库
- 命令行查看帮助文档
sqoop list-databases --help
-
列出node1上mysql数据库中所有的数据库名称
要先对所要连接的数据库进行用户连接授权
mysql> ALTER USER ‘root’@‘localhost’ IDENTIFIED BY ‘!Qaz123456’;
Query OK, 0 rows affected (0.00 sec)–授权使用root用户名和密码(!Qaz123456),可以通过任意机器(%符号代替所有机器)访问mysql数据库
mysql> grant all on . to root@’%’ identified by ‘!Qaz123456’;
Query OK, 0 rows affected, 1 warning (0.00 sec)
–使上一步授权生效
mysql> flush privileges;
sqoop list-databases --connect jdbc:mysql://node1:3306/ --username root --password '!Qaz123456'
- 查看某一个数据库下面的所有数据表
sqoop list-tables --connect jdbc:mysql://node1:3306/ --username root --password 'Qaz123456'
5.2 导入数据库表数据到HDFS
- 在MySQL数据库服务器中创建一个数据库userdb, 然后在创建一张表 emp,添加点测试数据到表中
- 从MySQL数据库服务器中的userdb数据库下的emp表导入HDFS上
sqoop import --connect jdbc:mysql://node1:3306/userdb --username root --password 123456 --table emp --m 1
- 提交之后,会运行一个MR程序,最后查看HDFS上的目录看是否有数据生成
5.3 导入数据库表数据到HDFS指定目录
- 在导入表数据到HDFS使用Sqoop导入工具,我们可以指定目标目录。
- 使用参数 –target-dir来指定导出目的地,
- 使用参数==–delete-target-dir==来判断导出目录是否存在,如果存在就删掉
sqoop import --connect jdbc:mysql://node1:3306/userdb --username root --password 123456 --delete-target-dir --table emp --target-dir /sqoop/emp --m 1
delete-target-dir表示如果这个目录存在就把它删除掉
- 提交查看HDFS上的目录看是否有数据生成
5.4 导入数据库表数据到HDFS指定目录并且指定数据字段的分隔符
- 这里使用参数
- –fields-terminated-by 分隔符
sqoop import --connect jdbc:mysql://node1:3306/userdb --username root --password 123456 --delete-target-dir --table emp --target-dir /sqoop/emp1 --fields-terminated-by '#' --m 1
fields-terminated-by ‘#’ 表示以#作为分隔符
- 提交查看HDFS上的目录看是否有数据生成
5.5 导入关系表到Hive中
- (1) 将我们mysql表当中的数据直接导入到hive表中的话,需要将hive的一个叫做hive-exec-1.2.2.jar包拷贝到sqoop的lib目录下
cp /opt/bigdata/hive/lib/hive-exec-1.2.2.jar /opt/bigdata/sqoop/lib/
hive-exec-1.2.2.jar 这个jar包可以到其他节点安装了hive的/opt/bigdata/hive/lib目录下面去找
-
(2) 准备hive数据库与表
- 在hive中创建一个数据库和表
create database sqooptohive; create external table sqooptohive.emp_hive(id int,name string,deg string,salary double ,dept string) row format delimited fields terminated by '\001';
-
(3) 把mysql表数据导入到hive表中
sqoop import --connect jdbc:mysql://node1:3306/userdb --username root --password 123456 --table emp --fields-terminated-by '\001' --hive-import --hive-table sqooptohive.emp_hive --hive-overwrite --m 1
–hive-import可以实现把mysql表的数据导入到hive表
sqooptohive.emp_hive 表示把mysql的数据导入到哪个Hive表中
hive-overwrite如果存在就重写
- (4) 执行完成了查看hive中表的数据
5.6 导入数据库表数据到hive中(并自动创建hive表)
- 可以通过命令来将我们的mysql的表直接导入到hive表当中去,不需要事先创建hive表
sqoop import --connect jdbc:mysql://node1:3306/userdb \
--username root --password 123456 \
--hive-database sqooptohive --hive-table emp1 \
--table emp \
--hive-import -m 1 ;
- 执行完成,查看hive中表的数据
5.7 导入表数据子集
- 我们可以导入表的使用Sqoop导入工具,"where"子句的一个子集。它执行在各自的数据库服务器相应的SQL查询,并将结果存储在HDFS的目标目录。
- 按照条件进行查找,通过**–where**参数来查找表emp当中dept字段的值为 TP 的所有数据导入到hdfs上面去
sqoop import \
--connect jdbc:mysql://node1:3306/userdb \
--username root --password 123456 --table emp \
--target-dir /sqoop/emp_where -m 1 --delete-target-dir \
--where "dept = 'TP'"
\表示转移符号,本质是这些内容都在同一行
–where “dept = ‘TP’”:指定哪个要导入表中的哪个字段
- 提交查看HDFS上的目录看是否有数据生成
5.8 sql语句查找导入hdfs
- 我们还可以通过 –query参数来指定我们的sql语句,通过sql语句来过滤我们的数据进行导入
sqoop import \
--connect jdbc:mysql://node1:3306/userdb \
--username root --password 123456 \
--target-dir /sqoop/emp_sql -m 1 --delete-target-dir \
--query 'select * from emp where salary >30000 and $CONDITIONS'
–query ‘select * from emp where salary >30000 and $CONDITIONS’ :查询emp表中薪水大于3万的
$CONDITIONS是Linux系统的变量,如果想通过并行的方式导入结果,每个map task需要执行sql查询语句的副本,结果会根据sqoop推测的边界条件分区。
query必须包含$CONDITIONS。这样每个sqoop程序都会被替换为一个独立的条件。同时必须指定–split-by’字段’,后期是安装字段进行数据划分,最后可以达到多个MapTask并行运行。
- 提交查看HDFS上的目录看是否有数据生成
5.9 增量导入
-
在实际工作当中,数据的导入很多时候都是只需要导入增量数据即可,并不需要将表中的数据全部导入到hive或者hdfs当中去,肯定会出现重复的数据的状况,所以我们一般都是选用一些字段进行增量的导入,为了支持增量的导入,sqoop也给我们考虑到了这种情况并且支持增量的导入数据
-
增量导入是仅导入新添加的表中的行的技术。
-
它需要添加 ‘incremental’, ‘check-column’, 和 ‘last-value’ 选项来执行增量导入。
--incremental <mode> --check-column <column name> --last value <last check column value>
–incremental 表示后期增量导入的模式是什么(一种是追加,一种是使用后续的修改时间),具体见下面实例
-
第一种增量导入实现
- 基于递增列的增量数据导入(Append方式)
- 导入emp表当中id大于1202的所有数据
- 注意:这里不能加上 --delete-target-dir 参数,添加就报错
sqoop import \ --connect jdbc:mysql://node1:3306/userdb \ --username root \ --password 123456 \ --table emp \ --incremental append \ --check-column id \ --last-value 1202 \ -m 1 \ --target-dir /sqoop/increment1 --incremental append \:表示来新数据就放到后面 --check-column id \:表示对字段id进行导入的判断 --last-value 1202 \:表示从上一次的id开始导入,也就是大于1202的Id进行导入
- 提交查看HDFS上的目录看是否有数据生成
-
第二种增量导入实现
-
基于时间列的增量数据导入(LastModified方式)
- 此方式要求原有表中有time字段,它能指定一个时间戳
- user表结构和数据
- user表结构和数据
- 此方式要求原有表中有time字段,它能指定一个时间戳
sqoop import \ --connect jdbc:mysql://node4:3306/userdb \ --username root \ --password !Qaz123456 \ --table user \ --target-dir /sqoop/incement2 \ --incremental lastmodified \ --check-column createTime \ --last-value '2019-09-11 10:16:00' \ --m 1 --target-dir /sqoop/incement2 \:表示导入到hdfs的目录/sqoop/incement2下 --incremental lastmodified \:表示增量导入的模式为上一次的修改状态 --check-column createTime \:按照表里的字段“创建时间”进行检测 --last-value '2019-09-01 10:16:00' \:从大于这个时间往后插入数据
- 提交查看HDFS上的目录看是否有数据生成
-
6. Sqoop数据的导出(5分钟)
- 将数据从HDFS把文件导出到RDBMS数据库
- 导出前,目标表必须存在于目标数据库中。
- 默认操作是从将文件中的数据使用INSERT语句插入到表中
- 更新模式下,是生成UPDATE语句更新表数据
- 导出前,目标表必须存在于目标数据库中。
6.1 hdfs文件导出到mysql表中
- 1、数据是在HDFS当中的如下目录/user/hive/warehouse/hive_source,数据内容如下
1 zhangsan 20 hubei
2 lisi 30 hunan
3 wangwu 40 beijing
4 xiaoming 50 shanghai
- 2、创建一张mysql表
- 注意mysql中的这个表一定要先创建! 不然报错!
CREATE TABLE fromhdfs (
id INT DEFAULT NULL,
name VARCHAR(100) DEFAULT NULL,
age int DEFAULT NULL,
address VARCHAR(100) DEFAULT NULL
) ENGINE=INNODB DEFAULT CHARSET=utf8;
- 3、执行导出命令
sqoop export \
--connect jdbc:mysql://node1:3306/userdb \
--username root --password 123456 \
--table fromhdfs \
--input-fields-terminated-by " " \
--export-dir /user/hive/warehouse/hive_source
--table fromhdfs \:所要导出到的mysql表
--input-fields-terminated-by " " \:指定字段的分隔符为" "
--export-dir /user/hive/warehouse/hive_source :从hdfs的哪个目录进行导入
- 4、验证mysql表数据
五、拓展点、未来计划、行业趋势
7. Sqoop作业
- 将事先定义好的数据导入导出任务按照指定流程运行(把命令封装成一个job作业执行,方便后期直接操作这个job,可以保留上一个job的时间戳,下一个job再执行的时候从上一个job执行的时间戳之后的数据表里的数据导入)
- 语法
sqoop job (generic-args) (job-args)
[-- [subtool-name] (subtool-args)]
7.1 创建作业
- –create
- 创建一个名为myjob,实现从mysql表数据导入到hdfs上的作业
- 注意
- 在创建job时,命令"-- import" 中间有个空格
- 注意
- 创建一个名为myjob,实现从mysql表数据导入到hdfs上的作业
sqoop job \
--create myjob \
-- import \
--connect jdbc:mysql://node1:3306/userdb \
--username root \
--password 123456 \
--table emp \
--target-dir /sqoop/myjob \
--delete-target-dir \
--m 1
7.2 验证作业
-
–list
-
验证作业是否创建成功
- 执行如下命令
sqoop job --list 最后显示: Available jobs: myjob
7.3 查看作业
- –show
- 查看作业的详细信息
- 执行如下命令
sqoop job --show myjob
7.4 执行作业
-
–exec
- 用于执行保存的作业
sqoop job --exec myjob
- 解决sqoop需要输入密码的问题
- 修改配置文件
- vi /opt/bigdata/sqoop/conf/sqoop-site.xml
- 修改配置文件
<property> <name>sqoop.metastore.client.record.password</name> <value>true</value> <description>If true, allow saved passwords in the metastore. </description> </property>
7.5 删除作业
- –delete
- 用于删除保存作业
sqoop job --delete myjob