Sqoop

1、简介

• Apache Sqoop™是一种旨在有效地在 Apache Hadoop和诸如关系数据库等结构化数据存储之间传输大量数据的工具。
• Sqoop 于2012年3月孵化出来，现在是一个顶级的Apache项目。
• 请注意，1.99.7 与1.4.6不兼容，且没有特征不完整，它并不打算用于生产部署。

2、原理

• 将导入或者到处命令翻译成MapReduce程序来实现
• 在翻译出的MapReduce中主要是对inputformat来进行定制

3、安装及相关配置

在http://archive.apache.org/dist/sqoop/下载自己需要的sqoop版本

<1>、修改相关配置文件

Sqoop的配置文件在根目录下的conf目录中

• 重命名配置文件

$ mv sqoop-env-template.sh sqoop-env.sh
$ mv sqoop-site-template.xml sqoop-site.xml

• 修改配置文件

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 ZOOCFGDIR=/opt/module/zookeeper-3.4.10/conf
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10

<2>、拷贝JDBC驱动

$ cp -a mysql-connector-java-5.1.27-bin.jar/opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/

<3>、测试

$ bin/sqoop list-databases --connect jdbc:mysql://hadoop1:3306/ --username root --password xxxxxx

如果测试成功则显示

information_schema
mysql
performance_schema
sys

类似这些的信息

4、Sqoop简单使用案例

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>、导入数据

(1)、RDBMS到HDFS

1、首先确保MySQL服务开启正常
2、在MySQL中新建一张表并且插入一些新的数据

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');

3、导入数据
(1)将表中数据全部导入

bin/sqoop import \
--connect jdbc:mysql://hadoop1:3306/company \
--username root \ 
--password xxxxxx \ 
--table staff \
--target-dir /user/company \ 
--delete-target-dir \ 
--num-mappers 1 \ 
--fields-terminated-by "\t"

(2)查询导入

bin/sqoop import \
--connect jdbc:mysql://hadoop1:3306/company \
--username root \
--password xxxxxx \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--query 'select name,sex from staff where id <=1 and $CONDITIONS;'

must contain ‘$CONDITIONS’ in WHERE clause
如果query后面使用的双引号，则 $CONDITIONS前必须加转移符，反之shell识别为自己的变量
–query选项，不能同时与–table选项使用
(3)导入指定列

bin/sqoop import \
--connect jdbc:mysql://hadoop1:3306/company \ 
--username root \
--password xxxxxx \
--target-dir /user/company \ 
--delete-target-dir \ 
--num-mappers 1 \ 
--fields-terminated-by "\t" \ 
--columns id,sex \
--table staff

columns中如果涉及到多列，使用逗号分隔，分分隔时不要添加空格
(4)使用Sqoop关键字筛选查询导入数据

 bin/sqoop import \
--connect jdbc:mysql://hadoop1:3306/company \ --username root \
--password xxxxxx \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table staff \
--where "id=1"

在 Sqoop中可以使用 sqoop import -D property.name=property.value 这样的方式加 入执行任务的参数，多个参数用空格隔开

(2)、RDBMS到Hive

bin/sqoop import \
--connect jdbc:mysql://hadoop1:3306/company \ 
--username root \
--password xxxxxx \
--table staff \
--num-mappers 1 \
--hive-import \ 
--fields-terminated-by "\t" \ 
--hive-overwrite \ 
--hive-table staff_hive

该过程分为两步，第一步将数据导入到 HDFS，第二步将导入到 HDFS 的数据迁移到 Hive 仓库
第一步默认的临时目录是/user/admin表名

<2>、导出数据

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。

Hive/HDFS到RDBMS

 bin/sqoop export \
--connect jdbc:mysql://hadoop1:3306/company \ 
--username root \
--password xxxxxx \
--table staff \
--num-mappers 1 \
--export-dir /user/hive/warehouse/staff_hive \
--input-fields-terminated-by "\t"

MySQL中如果表不存在，不会自动创建

<3>、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

export
--connect jdbc:mysql://hadoop1:3306/company 
--username
root
--password
xxxxxx
--table
staff
--num-mappers
1
--export-dir 
/user/hive/warehouse/staff_hive 
--input-fields-terminated-by "\t"

3、执行脚本

$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt