目录
一、Sqoop 简介与安装
1.1.Sqoop 简介
官网地址:https://sqoop.apache.org/
Sqoop是一个常用的数据迁移工具,主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)之间实现数据的导入与导出:
-
导入数据:从 MySQL,Oracle,Postgresql 等关系型数据库中导入数据到 HDFS、Hive、HBase 等分布式文件存储系统中;
-
导出数据:从分布式文件系统中导出数据到关系型数据库中。
Sqoop项目开始于2009年,最早是作为Hadoop的一个第三方模块存在,后来为了让使用者能够快速部署,也为了让开发人员能够更快速的迭代开发,Sqoop独立成为一个Apache项目。
Sqoop2的最新版本是1.99.7。请注意,2与1不兼容,且特征不完整,它并不打算用于生产部署。
1.2.Sqoop原理
- 将导入或导出命令翻译成mapreduce程序来实现。
- 在翻译出的mapreduce中主要是对inputformat和outputformat进行定制。
其原理是将执行命令转化成 MapReduce 作业来实现数据的迁移,如下图:
1.3.Sqoop安装
版本选择:目前 Sqoop 有 Sqoop 1 和 Sqoop 2 两个版本,但是截至到目前,官方并不推荐使用 Sqoop 2,因为其与 Sqoop 1 并不兼容,且功能还没有完善,所以这里优先推荐使用 Sqoop 1。
备注:安装Sqoop的前提是已经具备Java和Hadoop的环境。、
1.3.1. 下载并解压
1) 下载地址:http://mirrors.hust.edu.cn/apache/sqoop/1.4.7/
2) 上传安装包sqoop-1.4.7.bin__hadoop-2.6.0-alpha.tar.gz到虚拟机中
3) 解压sqoop安装包到指定目录,如:
$ tar -zxf sqoop-1.4.7.bin__hadoop-2.6.0-alpha.tar.gz -C /opt/module/
1.3.2.配置环境变量
# vim /etc/profile
添加环境变量:
export SQOOP_HOME=/usr/app/sqoop-1.4.7
export PATH=$SQOOP_HOME/bin:$PATH
使得配置的环境变量立即生效:
# source /etc/profile
1.3.3.修改配置
进入安装目录下的 conf/
目录,拷贝 Sqoop 的环境配置模板 sqoop-env.sh.template
# cp sqoop-env-template.sh sqoop-env.sh
修改 sqoop-env.sh
,内容如下 (以下配置中 HADOOP_COMMON_HOME
和 HADOOP_MAPRED_HOME
是必选的,其他的是可选的):
#cdh版
# Set Hadoop-specific environment variables here.
#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/usr/app/hadoop-2.6.0-cdh5.15.2
#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/usr/app/hadoop-2.6.0-cdh5.15.2
#set the path to where bin/hbase is available
export HBASE_HOME=/usr/app/hbase-1.2.0-cdh5.15.2
#Set the path to where bin/hive is available
export HIVE_HOME=/usr/app/hive-1.1.0-cdh5.15.2
#Set the path for where zookeper config dir is
export ZOOCFGDIR=/usr/app/zookeeper-3.4.13/conf
#apache原生版
export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2
export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2
export HIVE_HOME=/opt/module/hive
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
export ZOOCFGDIR=/opt/module/zookeeper-3.4.10
export HBASE_HOME=/opt/module/hbase
1.3.4.拷贝JDBC驱动
拷贝jdbc驱动到sqoop的lib目录下,驱动包的下载地址为 https://dev.mysql.com/downloads/connector/j/ ,如:
$ cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/
1.3.5.验证Sqoop
由于已经将 sqoop 的 bin
目录配置到环境变量,直接使用以下命令验证是否配置成功:
# sqoop version
我们也可以通过某一个command来验证sqoop配置是否正确:
$ bin/sqoop help
这里出现的两个 Warning
警告是因为我们本身就没有用到 HCatalog
和 Accumulo
,忽略即可。Sqoop 在启动时会去检查环境变量中是否有配置这些软件,如果想去除这些警告,可以修改 bin/configure-sqoop
,注释掉不必要的检查。
# Check: If we can't find our dependencies, give up here.
if [ ! -d "${HADOOP_COMMON_HOME}" ]; then
echo "Error: $HADOOP_COMMON_HOME does not exist!"
echo 'Please set $HADOOP_COMMON_HOME to the root of your Hadoop installation.'
exit 1
fi
if [ ! -d "${HADOOP_MAPRED_HOME}" ]; then
echo "Error: $HADOOP_MAPRED_HOME does not exist!"
echo 'Please set $HADOOP_MAPRED_HOME to the root of your Hadoop MapReduce installation.'
exit 1
fi
## Moved to be a runtime check in sqoop.
if [ ! -d "${HBASE_HOME}" ]; then
echo "Warning: $HBASE_HOME does not exist! HBase imports will fail."
echo 'Please set $HBASE_HOME to the root of your HBase installation.'
fi
## Moved to be a runtime check in sqoop.
if [ ! -d "${HCAT_HOME}" ]; then
echo "Warning: $HCAT_HOME does not exist! HCatalog jobs will fail."
echo 'Please set $HCAT_HOME to the root of your HCatalog installation.'
fi
if [ ! -d "${ACCUMULO_HOME}" ]; then
echo "Warning: $ACCUMULO_HOME does not exist! Accumulo imports will fail."
echo 'Please set $ACCUMULO_HOME to the root of your Accumulo installation.'
fi
if [ ! -d "${ZOOKEEPER_HOME}" ]; then
echo "Warning: $ZOOKEEPER_HOME does not exist! Accumulo imports will fail."
echo 'Please set $ZOOKEEPER_HOME to the root of your Zookeeper installation.'
fi
1.3.6.测试Sqoop是否能够成功连接数据库
$ bin/sqoop list-databases --connect jdbc:mysql://hadoop102:3306/ --username root --password 000000
出现如下输出:
information_schema
metastore
mysql
test
oozie
performance_schema
成功!!
二、Sqoop 的基本使用
2.1.Sqoop 基本命令
2.1.1.查看所有命令
# sqoop help
2.1.2.查看某条命令的具体使用方法
# sqoop help 命令名
2.2.Sqoop一些常用命令及参数
2.2.1.常用命令列举
这里列出来了一部分Sqoop操作时的常用参数,以供参考,需要深入学习的可以参看对应类的源代码。
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 |
2.2.2.命令&参数详解
上面列举了一些Sqoop的常用命令,对于不同的命令,有不同的参数,让我来一一列举说明。
首先来介绍一下公用的参数,所谓公用参数,就是大多数命令都支持的参数。
2.2.2.1.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 |
2.2.2.2.公用参数:import
序号 | 参数 | 说明 |
1 | --enclosed-by | 给字段值前加上指定的字符 |
2 | --escaped-by | 对字段中的双引号加转义符 |
3 | --fields-terminated-by | 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 | 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 | 给带有双引号或单引号的字段值前后加上指定字符。 |
2.2.2.3.公用参数:export
序号 | 参数 | 说明 |
1 | --input-enclosed-by | 对字段值前后加上指定字符 |
2 | --input-escaped-by | 对含有转移符的字段做转义处理 |
3 | --input-fields-terminated-by | 字段之间的分隔符 |
4 | --input-lines-terminated-by | 行之间的分隔符 |
5 | --input-optionally-enclosed-by | 给带有双引号或单引号的字段前后加上指定字符 |
2.2.2.4.公用参数:hive
序号 | 参数 | 说明 |
1 | --hive-delims-replacement | 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 | 生成hive表时,可以更改生成字段的数据类型 |
4 | --hive-partition-key | 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 | 导入数据时,指定某个分区的值 |
6 | --hive-home | 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 |
公用参数介绍完之后,我们来按照命令介绍命令对应的特有参数。
2.2.2.5.命令&参数:import
将关系型数据库中的数据导入到HDFS(包括Hive,HBase)中,如果导入的是Hive,那么当Hive中没有对应表时,则自动创建。
1) 命令:
如:导入数据到hive中
$ bin/sqoop import \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-import
如:增量导入数据到hive中,mode=append
append导入:
$ bin/sqoop import \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3
提示:append不能与--hive-等参数同时使用(Append mode for hive imports is not yet supported. Please remove the parameter --append-mode)
如:增量导入数据到hdfs中,mode=lastmodified
先在mysql中建表并插入几条数据:
mysql> create table company.staff_timestamp(id int(4), name varchar(255), sex varchar(255), last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);
mysql> insert into company.staff_timestamp (id, name, sex) values(1, 'AAA', 'female');
mysql> insert into company.staff_timestamp (id, name, sex) values(2, 'BBB', 'female');
先导入一部分数据:
$ bin/sqoop import \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--delete-target-dir \
--m 1
再增量导入一部分数据:
mysql> insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');
$ bin/sqoop import \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--check-column last_modified \
--incremental lastmodified \
--last-value "2021-09-28 22:20:38" \
--m 1 \
--append
提示:使用lastmodified方式导入数据要指定增量数据是要--append(追加)还是要--merge-key(合并)
提示:last-value指定的值是会包含于增量导入的数据中
2) 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 | 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 | 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 | 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 | 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 | 关系数据库的表名 |
14 | --target-dir | 指定HDFS路径 |
15 | --warehouse-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 | string类型的列如果null,替换为指定字符串 |
20 | --null-non-string | 非string类型的列如果null,替换为指定字符串 |
21 | --check-column | 作为增量导入判断的列名 |
22 | --incremental | mode:append或lastmodified |
23 | --last-value | 指定某一个值,用于标记增量导入的位置 |
2.2.2.6.命令&参数:export
从HDFS(包括Hive和HBase)中奖数据导出到关系型数据库中。
1) 命令:
如:
$ bin/sqoop export \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff \
--export-dir /user/company \
--input-fields-terminated-by "\t" \
--num-mappers 1
2) 参数:
序号 | 参数 | 说明 |
1 | --direct | 利用数据库自带的导入导出工具,以便于提高效率 |
2 | --export-dir | 存放数据的HDFS的源目录 |
3 | -m或--num-mappers | 启动N个map来并行导入数据,默认4个 |
4 | --table | 指定导出到哪个RDBMS中的表 |
5 | --update-key | 对某一列的字段进行更新操作 |
6 | --update-mode | updateonly allowinsert(默认) |
7 | --input-null-string | 请参考import该类似参数说明 |
8 | --input-null-non-string | 请参考import该类似参数说明 |
9 | --staging-table | 创建一张临时表,用于存放所有事务的结果,然后将所有事务结果一次性导入到目标表中,防止错误。 |
10 | --clear-staging-table | 如果第9个参数非空,则可以在导出操作执行前,清空临时事务结果表 |
2.2.2.7.命令&参数:codegen
将关系型数据库中的表映射为8个Java类,在该类中有各列对应的各个字段。
1) 命令:
如:
$ bin/sqoop codegen \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
2) 参数:
序号 | 参数 | 说明 |
1 | --bindir | 指定生成的Java文件、编译成的class文件及将生成文件打包为jar的文件输出路径 |
2 | --class-name | 设定生成的Java文件指定的名称 |
3 | --outdir | 生成Java文件存放的路径 |
4 | --package-name | 包名,如com.z,就会生成com和z两级目录 |
5 | --input-null-non-string | 在生成的Java文件中,可以将null字符串或者不存在的字符串设置为想要设定的值(例如空字符串) |
6 | --input-null-string | 将null字符串替换成想要替换的值(一般与5同时使用) |
7 | --map-column-java | 数据库字段在生成的Java文件中会映射成各种属性,且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型,例如:--map-column-java id=long, name=String |
8 | --null-non-string | 在生成Java文件时,可以将不存在或者null的字符串设置为其他值 |
9 | --null-string | 在生成Java文件时,将null字符串设置为其他值(一般与8同时使用) |
10 | --table | 对应关系数据库中的表名,生成的Java文件中的各个属性与该表的各个字段一一对应 |
2.2.2.8.命令&参数:create-hive-table
生成与关系数据库表结构对应的hive表结构。
1) 命令:
如:
$ bin/sqoop create-hive-table \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-table hive_staff
2) 参数:
序号 | 参数 | 说明 |
1 | --hive-home | Hive的安装目录,可以通过该参数覆盖掉默认的Hive目录 |
2 | --hive-overwrite | 覆盖掉在Hive表中已经存在的数据 |
3 | --create-hive-table | 默认是false,如果目标表已经存在了,那么创建任务会失败 |
4 | --hive-table | 后面接要创建的hive表 |
5 | --table | 指定关系数据库的表名 |
2.2.2.9.命令&参数:eval
可以快速的使用SQL语句对关系型数据库进行操作,经常用于在import数据之前,了解一下SQL语句是否正确,数据是否正常,并可以将结果显示在控制台。
1) 命令:
如:
$ bin/sqoop eval \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--query "SELECT * FROM staff"
2) 参数:
序号 | 参数 | 说明 |
1 | --query或--e | 后跟查询的SQL语句 |
2.2.2.10.命令&参数:import-all-tables
可以将RDBMS中的所有表导入到HDFS中,每一个表都对应一个HDFS目录
1) 命令:
如:
$ bin/sqoop import-all-tables \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--warehouse-dir /all_tables
2) 参数:
序号 | 参数 | 说明 |
1 | --as-avrodatafile | 这些参数的含义均和import对应的含义一致 |
2 | --as-sequencefile | |
3 | --as-textfile | |
4 | --direct | |
5 | --direct-split-size | |
6 | --inline-lob-limit | |
7 | --m或—num-mappers | |
8 | --warehouse-dir | |
9 | -z或--compress | |
10 | --compression-codec |
2.2.2.11.命令&参数:job
用来生成一个sqoop任务,生成后不会立即执行,需要手动执行。
1) 命令:
如:
$ bin/sqoop job \
--create myjob -- import-all-tables \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456
$ bin/sqoop job \
--list
$ bin/sqoop job \
--exec myjob
提示:注意import-all-tables和它左边的--之间有一个空格
提示:如果需要连接metastore,则--meta-connect jdbc:hsqldb:hsql://linux01:16000/sqoop
2) 参数:
序号 | 参数 | 说明 |
1 | --create | 创建job参数 |
2 | --delete | 删除一个job |
3 | --exec | 执行一个job |
4 | --help | 显示job帮助 |
5 | --list | 显示job列表 |
6 | --meta-connect | 用来连接metastore服务 |
7 | --show | 显示一个job的信息 |
8 | --verbose | 打印命令运行时的详细信息 |
提示:在执行一个job时,如果需要手动输入数据库密码,可以做如下优化
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
<description>If true, allow saved passwords in the metastore.</description>
</property>
2.2.2.12.命令&参数:list-databases
1) 命令:
如:
$ bin/sqoop list-databases \
--connect jdbc:mysql://hadoop002:3306/ \
--username root \
--password 123456
2) 参数:与公用参数一样
2.2.2.13.命令&参数:list-tables
1) 命令:
如:
$ bin/sqoop list-tables \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456
2) 参数:与公用参数一样
2.2.2.14.命令&参数:merge
将HDFS中不同目录下面的数据合并在一起并放入指定目录中
数据环境:
new_staff
1 AAA male
2 BBB male
3 CCC male
4 DDD male
old_staff
1 AAA female
2 CCC female
3 BBB female
6 DDD female
提示:上边数据的列之间的分隔符应该为\t,行与行之间的分割符为\n,如果直接复制,请检查之。
1) 命令:
如:
创建JavaBean:
$ bin/sqoop codegen \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
开始合并:
$ bin/sqoop merge \
--new-data /test/new/ \
--onto /test/old/ \
--target-dir /test/merged \
--jar-file /home/admin/Desktop/staff/Staff.jar \
--class-name Staff \
--merge-key id
结果:
1 AAA MALE
2 BBB MALE
3 CCC MALE
4 DDD MALE
6 DDD FEMALE
2) 参数:
序号 | 参数 | 说明 |
1 | --new-data | HDFS 待合并的数据目录,合并后在新的数据集中保留 |
2 | --onto | HDFS合并后,重复的部分在新的数据集中被覆盖 |
3 | --merge-key | 合并键,一般是主键ID |
4 | --jar-file | 合并时引入的jar包,该jar包是通过Codegen工具生成的jar包 |
5 | --class-name | 对应的表名或对象名,该class类是包含在jar包中的 |
6 | --target-dir | 合并后的数据在HDFS里存放的目录 |
2.2.2.15.命令&参数:metastore
记录了Sqoop job的元数据信息,如果不启动该服务,那么默认job元数据的存储目录为~/.sqoop,可在sqoop-site.xml中修改。
1) 命令:
如:启动sqoop的metastore服务
$ bin/sqoop metastore
2) 参数:
序号 | 参数 | 说明 |
1 | --shutdown | 关闭metastore |
2.3.Sqoop 与 MySQL
2.3.1查询MySQL所有数据库
1) 确定Mysql服务开启正常
#查看数据库状态:
service mysqld status
#可使用如下命令启动MySQL:
service mysqld start
#或者使用如下命令:
/etc/init.d/mysqld start
#关闭MySQL服务
service mysqld stop
#可使用如下命令重新启动MySQL:
service mysqld restart
#或者使用如下命令:
/etc/init.d/mysqld restart
2) 在Mysql中新建一张表并插入一些数据
$ mysql -uroot -p123456
mysql> create database company;
mysql> create table company.staff(id int(4) primary key not null auto_increment, name varchar(255), sex varchar(255));
mysql> insert into company.staff(name, sex) values('Thomas', 'Male');
mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale');
通常用于 Sqoop 与 MySQL 连通测试:
sqoop list-databases \
--connect jdbc:mysql://hadoop001:3306/ \
--username root \
--password 123456
2.3.2.查询指定数据库中所有数据表
sqoop list-tables \
--connect jdbc:mysql://hadoop002:3306/company \
--username root \
--password 123456
2.4.Sqoop 与 HDFS
2.4.1.MySQL数据导入到HDFS
在Sqoop中,“导入”概念指:从非大数据集群(RDBMS)向大数据集群(HDFS,HIVE,HBASE)中传输数据,叫做:导入,即使用import关键字。
1. 导入命令
示例:导出 MySQL 数据库中的 help_keyword
表到 HDFS 的 /sqoop
目录下,如果导入目录存在则先删除再导入,使用 3 个 map tasks
并行导入。
注:help_keyword 是 MySQL 内置的一张字典表,之后的示例均使用这张表。
sqoop import \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--table help_keyword \ # 待导入的表
--delete-target-dir \ # 目标目录存在则先删除
--target-dir /sqoop \ # 导入的目标目录
--fields-terminated-by'\t' \ # 指定导出数据的分隔符
-m 3# 指定并行执行的 map tasks 数量
日志输出如下,可以看到输入数据被平均 split
为三份,分别由三个 map task
进行处理。数据默认以表的主键列作为拆分依据,如果你的表没有主键,有以下两种方案:
- 添加
-- autoreset-to-one-mapper
参数,代表只启动一个map task
,即不并行执行; - 若仍希望并行执行,则可以使用
--split-by
指明拆分数据的参考列。
2.4.2.导入验证
# 查看导入后的目录
hadoop fs -ls -R /sqoop
# 查看导入内容
hadoop fs -text /sqoop/part-m-00000
查看 HDFS 导入目录,可以看到表中数据被分为 3 部分进行存储,这是由指定的并行度决定的。
2.4.3.HDFS数据导出到MySQL
在Sqoop中,“导出”概念指:从大数据集群(HDFS,HIVE,HBASE)向非大数据集群(RDBMS)中传输数据,叫做:导出,即使用export关键字。
sqoop export \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--table help_keyword_from_hdfs \ # 导出数据存储在 MySQL 的 help_keyword_from_hdf 的表中
--export-dir /sqoop \
--input-fields-terminated-by'\t'\
--m 3
表必须预先创建,建表语句如下:
CREATE TABLE help_keyword_from_hdfs LIKE help_keyword ;
提示:Mysql中如果表不存在,不会自动创建
2.4.4.脚本打包
使用opt格式的文件打包sqoop命令,然后执行
1) 创建一个.opt文件
$ mkdir opt
$ touch opt/job_HDFS2RDBMS.opt
2) 编写sqoop脚本
$ vi opt/job_HDFS2RDBMS.opt
export
--connect
jdbc:mysql://hadoop001:3306/mysql
--username
root
--password
123456
--table
help_keyword_from_hdfs # 导出数据存储在 MySQL 的 help_keyword_from_hdf 的表中
--num-mappers
3
--export-dir
/sqoop
--input-fields-terminated-by
"\t"
3) 执行该脚本
$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt
2.5.Sqoop 与 Hive
2.5.1 MySQL数据导入到Hive
Sqoop 导入数据到 Hive 是通过先将数据导入到 HDFS 上的临时目录,然后再将数据从 HDFS 上 Load
到 Hive 中,最后将临时目录删除。可以使用 target-dir
来指定临时目录。
1. 导入命令
sqoop import \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--table help_keyword \ # 待导入的表
--delete-target-dir \ # 如果临时目录存在删除
--target-dir /sqoop_hive \ # 临时目录位置
--hive-database sqoop_test \ # 导入到 Hive 的 sqoop_test 数据库,数据库需要预先创建。不指定则默认为 default 库
--hive-import \ # 导入到 Hive
--hive-overwrite \ # 如果 Hive 表中有数据则覆盖,这会清除表中原有的数据,然后再写入
-m 3# 并行度
导入到 Hive 中的 sqoop_test
数据库需要预先创建,不指定则默认使用 Hive 中的 default
库。
# 查看 hive 中的所有数据库
hive> SHOW DATABASES;
# 创建 sqoop_test 数据库
hive> CREATE DATABASE sqoop_test;
2. 导入验证
# 查看 sqoop_test 数据库的所有表
hive> SHOW TABLES IN sqoop_test;
# 查看表中数据
hive> SELECT * FROM sqoop_test.help_keyword;
3. 可能出现的问题
如果执行报错 java.io.IOException: java.lang.ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf
,则需将 Hive 安装目录下 lib
下的 hive-exec-**.jar
放到 sqoop 的 lib
。
[root@hadoop001 lib]# ll hive-exec-*
-rw-r--r--.1110640011963203111月1321:45 hive-exec-1.1.0-cdh5.15.2.jar
[root@hadoop001 lib]# cp hive-exec-1.1.0-cdh5.15.2.jar ${SQOOP_HOME}/lib
2.5.2.Hive 导出数据到MySQL
由于 Hive 的数据是存储在 HDFS 上的,所以 Hive 导入数据到 MySQL,实际上就是 HDFS 导入数据到 MySQL。
1.查看Hive表在HDFS的存储位置
# 进入对应的数据库
hive>use sqoop_test;
# 查看表信息
hive> desc formatted help_keyword;
Location
属性为其存储位置
这里可以查看一下这个目录,文件结构如下:
2.执行导出命令
sqoop export \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--table help_keyword_from_hive \
--export-dir /user/hive/warehouse/sqoop_test.db/help_keyword \
-input-fields-terminated-by'\001' \ # 需要注意的是 hive 中默认的分隔符为 \001
--m 3
MySQL 中的表需要预先创建:
CREATE TABLE help_keyword_from_hive LIKE help_keyword ;
2.6.Sqoop 与 HBase
本小节只讲解从 RDBMS 导入数据到 HBase,因为暂时没有命令能够从 HBase 直接导出数据到 RDBMS。
2.6.1.MySQL导入数据到HBase
1. 导入数据
将 help_keyword
表中数据导入到 HBase 上的 help_keyword_hbase
表中,使用原表的主键 help_keyword_id
作为 RowKey
,原表的所有列都会在 keywordInfo
列族下,目前只支持全部导入到一个列族下,不支持分别指定列族。
sqoop import \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--table help_keyword \ # 待导入的表
--hbase-table help_keyword_hbase \ # hbase 表名称,表需要预先创建
--column-family keywordInfo \ # 所有列导入到 keywordInfo 列族下
--hbase-row-key help_keyword_id # 使用原表的 help_keyword_id 作为 RowKey
导入的 HBase 表需要预先创建:
# 查看所有表
hbase> list
# 创建表
hbase> create 'help_keyword_hbase','keywordInfo'
# 查看表信息
hbase> desc 'help_keyword_hbase'
2. 导入验证
使用 scan
查看表数据:
提示:sqoop1.4.6只支持HBase1.0.1之前的版本的自动创建HBase表的功能
2.7.全库导入
Sqoop 支持通过 import-all-tables
命令进行全库导入到 HDFS/Hive,但需要注意有以下两个限制:
- 所有表必须有主键;或者使用
--autoreset-to-one-mapper
,代表只启动一个map task
; - 你不能使用非默认的分割列,也不能通过 WHERE 子句添加任何限制。
第二点解释得比较拗口,这里列出官方原本的说明:
- You must not intend to use non-default splitting column, nor impose any conditions via a
WHERE
clause.
全库导入到 HDFS:
sqoop import-all-tables \
--connect jdbc:mysql://hadoop001:3306/数据库名 \
--username root \
--password 123456 \
--warehouse-dir /sqoop_all \ # 每个表会单独导出到一个目录,需要用此参数指明所有目录的父目录
--fields-terminated-by'\t' \
-m 3
全库导入到 Hive:
sqoop import-all-tables -Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://hadoop001:3306/数据库名 \
--username root \
--password 123456 \
--hive-database sqoop_test \ # 导出到 Hive 对应的库
--hive-import \
--hive-overwrite \
-m 3
2.8.Sqoop 数据过滤
2.8.1 query参数
Sqoop 支持使用 query
参数定义查询 SQL,从而可以导出任何想要的结果集。使用示例如下:
sqoop import \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--query 'select * from help_keyword where $CONDITIONS and help_keyword_id < 50' \
--delete-target-dir \
--target-dir /sqoop_hive \
--hive-database sqoop_test \ # 指定导入目标数据库 不指定则默认使用 Hive 中的 default 库
--hive-table filter_help_keyword \ # 指定导入目标表
--split-by help_keyword_id \ # 指定用于 split 的列
--hive-import \ # 导入到 Hive
--hive-overwrite \ 、
-m 3
在使用 query
进行数据过滤时,需要注意以下三点:
- 必须用
--hive-table
指明目标表; - 如果并行度
-m
不为 1 或者没有指定--autoreset-to-one-mapper
,则需要用--split-by
指明参考列; - SQL 的
where
字句必须包含$CONDITIONS
,这是固定写法,作用是动态替换。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。
2.8.2.导入指定列
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 123456 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,sex \
--table staff
提示:columns中如果涉及到多列,用逗号分隔,分隔时不要添加空格
2.8.3.使用sqoop关键字筛选查询导入数据
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 123456 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table staff \
--where "id=1"
2.8.4.增量导入
sqoop import \
--connect jdbc:mysql://hadoop001:3306/mysql \
--username root \
--password 123456 \
--table help_keyword \
--target-dir /sqoop_hive \
--hive-database sqoop_test \
--incremental append \ # 指明模式
--check-column help_keyword_id \ # 指明用于增量导入的参考列
--last-value 300 \ # 指定参考列上次导入的最大值
--hive-import \
-m 3
incremental
参数有以下两个可选的选项:
- append:要求参考列的值必须是递增的,所有大于
last-value
的值都会被导入; - lastmodified:要求参考列的值必须是
timestamp
类型,且插入数据时候要在参考列插入当前时间戳,更新数据时也要更新参考列的时间戳,所有时间晚于last-value
的数据都会被导入。
备注:
- append不能与--hive-等参数同时使用(Append mode for hive imports is not yet supported. Please remove the parameter --append-mode)
- 使用lastmodified方式导入数据要指定增量数据是要--append(追加)还是要--merge-key(合并)
- last-value指定的值是会包含于增量导入的数据中
通过上面的解释我们可以看出来,其实 Sqoop 的增量导入并没有太多神奇的地方,就是依靠维护的参考列来判断哪些是增量数据。当然我们也可以使用上面介绍的 query
参数来进行手动的增量导出,这样反而更加灵活。
2.9.类型支持
Sqoop 默认支持数据库的大多数字段类型,但是某些特殊类型是不支持的。遇到不支持的类型,程序会抛出异常
Hive does not support the SQL type for column xxx
,此时可以通过下面两个参数进行强制类型转换:
- —map-column-java\ :重写 SQL 到 Java 类型的映射;
- —map-column-hive \ : 重写 Hive 到 Java 类型的映射。
示例如下,将原先 id
字段强制转为 String 类型,value
字段强制转为 Integer 类型:
$ sqoop import...--map-column-java id=String,value=Integer