数据迁移工具——Sqoop

努力转行的任同学...

已于 2023-01-16 11:42:01 修改

阅读量762

点赞数

文章标签： hadoop 大数据 sqoop hdfs java

于 2021-09-26 22:08:36 首次发布

本文链接：https://blog.csdn.net/qq_43408367/article/details/120497724

版权

sqoop 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

文章目录

Sqoop概述

Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库（mysql、postgresql等）间进行数据的传递。
Sqoop可以将关系型数据库（MySQL ,Oracle,Postgres等）中的数据导入到HDFS中，也可以将HDFS的数据导进到关系型数据库中。
Sqoop将导入或导出命令转换为 MapReduce 程序来实现。翻译出的 MapReduce 中主要是对 inputformat 和outputformat 进行定制。

在这里插入图片描述

Sqoop导入导出

Sqoop导入是指：从关系型数据库向大数据集群（HDFS、HIVE、HBASE）传输数据；使用import关键字；
Sqoop导出是指：从大数据集群向关系型数据库传输数据；使用export关键字；

Sqoop导入数据

Sqoop导入：MySQL到HDFS

导入全部数据：
```
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
```
1. target-dir：将数据导入 HDFS 的路径；
2. delete-target-dir：如果目标文件夹在 HDFS 上已经存在，那么再次运行就会报错。可以使用–delete-target-dir来先删除目录。也可以使用 append 参数，表示追加数据；
3. num-mappers：启动多少个Map Task；默认启动4个Map Task；也可以写成 -m 1：表示只启动一个Map Task
4. fields-terminated-by：HDFS文件中数据的分隔符；

导入查询到的数据

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--append \
-m 1 \
--fields-terminated-by "\t" \
--query 'select gname, serialNumber, price, stock_number,create_time 
		from goodtbl where price>88 and $CONDITIONS;'

查询语句的where子句中必须包含 '$CONDITIONS'
如果query后使用的是双引号，则$CONDITIONS前必须加转移符，防止shell识别为变量

导入指定的列

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns gname,serialNumber,price \
--table goodtbl

columns中如果涉及到多列，用逗号分隔，不能添加空格

导入查询数据(使用关键字)

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
-m 1 \
--fields-terminated-by "\t" \
--table goodtbl \
--where "price>=68"

启动多个Map Task导入数据：
```
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--fields-terminated-by "\t" \
--table goodtbl \
--split-by gname
# 给 goodtbl 表增加主键
alter table goodtbl add primary key(serialNumber);
```
1. 使用多个 Map Task 进行数据导入时，sqoop 要对每个Task的数据进行分区
2. 如果 MySQL 中的表有主键，指定 Map Task 的个数就行
3. 如果 MySQL 中的表没有主键，要使用 split-by 指定分区字段
4. 如果分区字段是字符类型，使用 sqoop 命令的时候要添加：-Dorg.apache.sqoop.splitter.allow_text_splitter=true。即
```
sqoop import -Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://liunx123:3306/sqoop \
... ...
```
5. 查询语句的where子句中的 ‘$CONDITIONS’ ，也是为了做数据分区使用的，即使只有1个Map Task
从MySQL 到 Hive
```
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--create-hive-table \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table mydb.goodtbl \
-m 1
```
1. hive-import。必须参数，指定导入hive
2. hive-database。Hive库名(默认值default)
3. hive-table。Hive表名
4. fields-terminated-by。Hive字段分隔符
5. hive-overwrite。覆盖中已经存在的数据
6. create-hive-table。创建好 hive 表，但是表可能存在错误。不建议使用这个参数，建议提前建好表

Sqoop导出数据

导出数据:Hive/HDFS到RDBMS

sqoop export \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl2 \
--num-mappers 1 \
--export-dir /user/hive/warehouse/mydb.db/goodtbl \
--input-fields-terminated-by "\t"

Sqoop增量数据导入

变化数据捕获（CDC）

：前面都是执行的全量数据导入。如果数据量很小，则采取完全源数据抽取；如果源数据量很大，则需要抽取发生变化的数据，这种数据抽取模式叫做变化数据捕获，简称CDC(Change Data Capture)。
CDC大体分为两种：侵入式和非侵入式。
1. 侵入式指CDC操作会给源系统带来性能影响，只要CDC操作以任何一种方式对源数据库执行了SQL操作，就认为是侵入式的。

常见的4种CDC方法(前三种是侵入式的)

第一种：基于时间戳的CDC。抽取过程可以根据某些属性列来判断哪些数据是增量的，最常见的属性列有以下两种：
1. 时间戳：最好有两个列，一个插入时间戳，表示何时创建，一个更新时间戳，表示最后一次更新的时间；
2. 序列：大多数数据库都提供自增功能，表中的列定义成自增的，很容易地根据该列识别新插入的数据；
3. 时间戳的CDC是最简单且常用的，但是有如下缺点：
  1. 不能记录删除记录的操作
  2. 无法识别多次更新
  3. 不具有实时能力
第二种：基于触发器的CDC。当执行INSERT、UPDATE、DELETE这些SQL语句时，激活数据库里的触发器，使用触发器可捕获变更的数据，并把数据保存在中间临时表里。然后这些变更数据再从临时表取出。大多数场合下，不允许向操作型数据库里添加触发器，且这种方法会降低系统性能，基本不会被采用；
第三种：基于快照的CDC。可以通过比较源表和快照表来获得数据变化。基于快照的CDC可以检测到插入、更新和删除的数据，这是相对于基于时间戳的CDC方案的优点。其缺点是需要大量存储空间来保存快照；
第四种：基于日志的CDC。最复杂的和没有侵入性的CDC方法是基于日志的方式。数据库会把每个插入、更新、删除操作记录到日志里。解析日志文件，就可以获取相关信息。每个关系型数据库日志格式不一致，没有通用的产品。阿里巴巴的canal可以完成MySQL日志文件解析。

Sqoop增量导入数据的方式

基于递增列的增量数据导入（Append方式）
基于时间列的数据增量导入（LastModified方式）

Append方式

将数据导入Hive
```
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive --password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 50 \
-m 1
```
1. check-column 用来指定一些列（即可以指定多个列），这些列在增量导入时用来检查这些数据是否作为增量数据进行导入，和关系型数据库中的自增字段及时间戳类似。这些被指定的列的类型不能使任意字符类型，如char、varchar等类型都不可以
2. last-value 指定上一次导入中检查列指定字段最大值

Sqoop执行job

执行数据增量导入有两种实现方式：
1. 每次手工配置last-value，手工调度
2. 使用job，给定初始last-value，定时任务每天定时调度

创建口令文件

echo -n "12345678" > sqoopPWD.pwd
hdfs dfs -mkdir -p /sqoop/pwd
hdfs dfs -put sqoopPWD.pwd /sqoop/pwd
hdfs dfs -chmod 400 /sqoop/pwd/sqoopPWD.pwd
# 可以在 sqoop 的 job 中增加：
--password-file /sqoop/pwd/sqoopPWD.pwd

创建 sqoop job

sqoop job --create myjob1 -- import \
--connect jdbc:mysql://linux123:3306/sqoop?useSSL=false \
--username hive \
--password-file /sqoop/pwd/sqoopPWD.pwd \
--table goodtbl \
--incremental append \
--hive-import \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 0 \
-m 1

查看已创建的job:sqoop job --list
查看job详细运行是参数:sqoop job --show myjob1
执行job：sqoop job --exec myjob1
删除job: sqoop job --delete myjob1

job的实现原理

job执行完成后，会把当前check-column的最大值记录到meta中，下次再调起时把此值赋给last-value。
默认情况下元数据保存在 ~/.sqoop/,其中，metastore.db.script 文件记录了对last-value的更新操作：
```
cat metastore.db.script |grep incremental.last.value
```

努力转行的任同学...

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
数据迁移工具——Sqoop

Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库（mysql、postgresql等）间进行数据的传递。Sqoop可以将关系型数据库（MySQL ,Oracle,Postgres等）中的数据导入到HDFS中，也可以将HDFS的数据导进到关系型数据库中。Sqoop将导入或导出命令转换为 MapReduce 程序来实现。翻译出的 MapReduce 中主要是对 inputformat 和outputformat 进行定制。
复制链接

扫一扫

专栏目录