自学Sqoop

Sqoop
(作者：zj)

版本：V1.1
第1章 Sqoop简介
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…)间进行数据的传递，可以将一个关系型数据库（例如 ： MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
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。
第2章 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。
第3章 Sqoop安装
安装Sqoop的前提是已经具备Java和Hadoop的环境。
3.1 下载并解压

1. 下载地址：http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/
2. 上传安装包sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz到虚拟机中
3. 解压sqoop安装包到指定目录，如：
   $ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/
   3.2 修改配置文件
   Sqoop的配置文件与大多数大数据框架类似，在sqoop根目录下的conf目录中。
4. 重命名配置文件
   $ mv sqoop-env-template.sh sqoop-env.sh
5. 修改配置文件
   sqoop-env.sh
   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/conf
   export HBASE_HOME=/opt/module/hbase-1.3.1
   3.3 拷贝JDBC驱动
   拷贝jdbc驱动到sqoop的lib目录下，如：
   $ cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/
   3.4 验证Sqoop
   我们可以通过某一个command来验证sqoop配置是否正确：
   $ bin/sqoop help
   出现一些Warning警告（警告信息已省略），并伴随着帮助命令的输出：
   Available commands:
   codegen Generate code to interact with database records
   create-hive-table Import a table definition into Hive
   eval Evaluate a SQL statement and display the results
   export Export an HDFS directory to a database table
   help List available commands
   import Import a table from a database to HDFS
   import-all-tables Import tables from a database to HDFS
   import-mainframe Import datasets from a mainframe server to HDFS
   job Work with saved jobs
   list-databases List available databases on a server
   list-tables List available tables in a database
   merge Merge results of incremental imports
   metastore Run a standalone Sqoop metastore
   version Display version information
   3.5 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
   oozie
   performance_schema
   第4章 Sqoop的简单使用案例
   4.1 导入数据
   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。
   4.1.1 RDBMS到HDFS
6. 确定Mysql服务开启正常
7. 在Mysql中新建一张表并插入一些数据
   $ mysql -uroot -p000000
   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’);
8. 导入数据
   （1）全部导入
   $ bin/sqoop import
   –connect jdbc:mysql://hadoop102:3306/company
   –username root
   –password 000000
   –table staff
   –target-dir /company
   –delete-target-dir
   –num-mappers 1
   –fields-terminated-by “\t”
   –split-by id
   （2）查询导入
   $ bin/sqoop import
   –connect jdbc:mysql://hadoop102:3306/company
   –username root
   –password 000000
   –target-dir /company
   –delete-target-dir
   –num-mappers 2
   –fields-terminated-by “\t”
   –query ‘select id,name from staff where id<=10 and KaTeX parse error: Undefined control sequence: \ at position 13: CONDITIONS' \̲ ̲--split-by id 提…CONDITIONS’ in WHERE clause.
   如果使用query，则需要指定target-dir和split-by，因为这时没有默认值。
   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。
   （3）导入指定列
   $ bin/sqoop import
   –connect jdbc:mysql://hadoop102:3306/company
   –username root
   –password 000000
   –target-dir /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
   （4）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 000000
   –target-dir /company
   –delete-target-dir
   –num-mappers 1
   –fields-terminated-by “\t”
   –table staff
   –where “id=1”
   4.1.2 RDBMS到Hive
   $ bin/sqoop import
   –connect jdbc:mysql://hadoop102:3306/company
   –username root
   –password 000000
   –table staff
   –num-mappers 1
   –hive-import
   –fields-terminated-by “\t”
   –hive-overwrite
   –hive-table staff_hive
   提示：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/atguigu/表名
   4.1.3 RDBMS到Hbase
   $ bin/sqoop import
   –connect jdbc:mysql://hadoop102:3306/company
   –username root
   –password 000000
   –table staff
   –columns “id,name,sex”
   –column-family “info”
   –hbase-create-table
   –hbase-row-key “id”
   –hbase-table “hbase_company”
   –num-mappers 1
   –split-by id
   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
   解决方案：手动创建HBase表
   hbase> create ‘hbase_company’,‘info’
   (5) 在HBase中scan这张表得到如下内容
   hbase> scan ‘hbase_company’
   4.2、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。
   4.2.1 HIVE/HDFS到RDBMS
   $ bin/sqoop export
   –connect jdbc:mysql://hadoop102:3306/company
   –username root
   –password 000000
   –table staff
   –num-mappers 1
   –export-dir /user/hive/warehouse/staff_hive
   –input-fields-terminated-by “\t”
   提示：Mysql中如果表不存在，不会自动创建
   4.3 脚本打包
   使用opt格式的文件打包sqoop命令，然后执行
9. 创建一个.opt文件
   $ mkdir opt
   $ touch opt/job_HDFS2RDBMS.opt
10. 编写sqoop脚本
    $ vi opt/job_HDFS2RDBMS.opt

export
–connect
jdbc:mysql://hadoop102:3306/company
–username
root
–password
000000
–table
staff
–num-mappers
1
–export-dir
/user/hive/warehouse/staff_hive
–input-fields-terminated-by
“\t”
3) 执行该脚本
$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt