hdfs数据导入mysql_常用的导入工具之Sqoop将数据导入到HDFS

不需要重新写一个应用程序将数据导入HDFS中，值得考虑用一些线程的工具将数据导入。这些工具涵盖了很多常用的需求。

Apache Flume是一个将大规模流数据导入HDFS的工具。最典型的应用是从另外一个系统中收集日志数据。如:银行的网络服务器-并实现在HDFS中的聚集操作以便用于后期的分析操作。Flume能够支持大量的数据源，其中一些通常用于包含tail，syslog和apache log4j的系统.

Flume节点允许以任何拓扑方式进行组织。典型配置是在每个源机器上运行一个Flume节点，通过多个层级的聚合节点，最后将数据存入HDFS中。

Flume提供了不同级别的数据投递可靠性。

Apache Sqoop是为了将数据从结构化存储设备批量导入HDFS中设计的。例如关系数据库。应用场景，是组织将白天生产的数据库中的数据在晚间导入Hive数据仓库中进行分析。

Sqoop数据导入工具的简单介绍

Hadoop平台的最大优势在于它支持不同形式的数据。HDFS能够可靠的存储日志和来自不同渠道的其他数据，MapReduce程序能够解析多种“即席”数据格式，抽取相关信息并将多个数据集组合成非常有用的结果。

但是为了能够和HDFS之外的数据存储进行交互，MapReduce程序需要使用外部API来访问数据。通常，一个组织中有价值的数据都存储在关系型数据库系统(RDBMS)等结构化的存储器中。Sqoop是一个开源工具，它允许用户将数据从结构化存储器综合功能抽取到Hadoop中，用于进一步的处理。抽取出的数据可以被MapReduce程序使用，也可以被其他类似于Hive的工具使用。也可以使用Sqoop将数据从数据库转移到HBase,形成最终的分析结果之后，Sqoop可以将这些结果导回数据存储器，供其他客户端使用。

sqoop被组织成一组工具或命令。不选择工具，Sqoop便无所适从。

sqoop拥有一个可扩展的框架，使得它能够从任何支持批量数据传输的外部存储系统导入导出数据。一个Sqoop连接器(connector)就是这个框架下的一个模块化组件、用于支持Sqoop的导入和导出操作。Sqoop附带的连接器能够支持大多数常用的关系数据库系统，包括MySQL，postgreSql、Oracle、sqlserver和DB2.同时还有一个通用的JDBC连接器，用于连接支持jdbc协议的数据库。sqoop所提供的mysql和postgresql连接器都是经过优化的，通过使用数据库特定的API来提供高效率的批量数据传输工作。

sqoop可以将数据导入成几种不同的格式，文本文件时一种默认的人类可读的数据表示形式，并且是平台独立和最简单的数据格式。但文本文件不能保存二进制字段，并且在区分null值和null字符串时可能会出现问题。为了处理这种情况，应该使用sequenceFile格式活着avro格式。它们能够为导入的数据提供最精确的表示方式，同时还允许对数据进行压缩，并支持mapreduce并行处理同一文件的不同部分。

Sqoop除了能够将数据库表的内容写到HDFS,Sqoop同时还生成了一个JAVA源文件-widgets.java，保存在当前的本地目录中。在sqoop将数据库的表数据写到HDFS之前，会先用生成的代码对其进行反序列化。

sqoop时通过一个MapReduce作业从数据库中导入一个表，这个作业从表中抽取一行行记录，然后将记录写入HDFS.

上图是sqoop的导入过程。

sqoop不需要每次都导入整张表，可以指定导入表的部分列。

在想HDFS中导入数据时，重要的是要确保访问的是数据源的一致性快照，最好的方法就是在导入时，不允许运行任何对表中数据进行更新的进程。

一旦数据被导入HDFS,就可以供定制的MapReduce程序使用。导入的文本格式数据可以供hadoop streaming中的脚本或以textinputformat为默认格式运行的MapReduce作业使用。

针对分析任务，使用Hive的系统来处理关系操作有利于加快分析任务的开发。所以Hive和sqooop共同构成了一个强大的服务于分析任务的工具链。

在数据库中使用大对象会有困难，像hadoop这样的系统更适合处理大型的、复杂的数据对象，sqoop能够从表中抽取大对象数据，并且将它们保存在HDFS中供进一步处理。

在sqoop中，导入时指将数据库从数据库系统移动到HDFS.与之相反，导出是将HDFS作为数据源，而将远程数据库作为目标。