Apache Sqoop工具使用【原理详解】

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。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。

Sqoop架构

Sqoop1：由client端直接接入hadoop，任务通过解析生成对应的mapreduce执行

Sqoop2：服务端部署，运行。提供cli,rest,api,webui等入口，connector集中管理，rdbms账户控制更安全，但是sqoop2仅负责数据的读写操作，架构相对复杂。

Sqoop1的导入与导出

导入：将数据从数据库导入到hdfs中(大数据生态圈)

导出：将数据从大数据生态圈(hdfs)导出到数据库

Sqoop工具

--connect <jdbc-uri>    指定JDBC连接字符串
--connection-manager <class-name>  指定要使用的连接管理器类
--driver <class-name>  指定要使用的JDBC驱动类
--hadoop-mapred-home <dir>  指定$HADOOP_MAPRED_HOME路径
--help  万能帮助
--password-file  设置用于存放认证的密码信息文件的路径
-P  从控制台读取输入的密码
--password <password>  设置认证密码
--username <username>  设置认证用户名
--verbose  打印详细的运行信息
--connection-param-file <filename>  可选，指定存储数据库链接参数的属性文件





导入工具import

--append  将数据追加到HDFS上一个已存在的数据集上
--as-avrodatafile  将数据导入到Avro数据文件
--as-sequencefile  将数据导入到SequenceFile
--as-textfile  将数据导入到普通文本文件(默认)
--boundary-query <statement>  边界查询，用于创建分片(InputSplit)
--columns <col,col,col...>  从表中导出指定的一组列的数据
--delete-target-dir  如果指定目录存在，则先删除掉
--direct  使用直接导入模式(优化导入速度)
--direct-split-size <n>  分割输入stream的字节大小(在直接导入模式下)
--fetch-size <n>  从数据库中批量读取记录数
--inline-lob-limit <n>  设置内联的LOB对象的大小
-m,--num-mappers <n>  使用n个map任务并行导入数据
-e,--query <statement>  导入的查询语句
--split-by <column-name>  指定按照哪个列去分割数据
--table <table-name>  导入的源表表名
--target-dir <dir>  导入HDFS的目标路径
--warehouse-dir <dir>  HDFS存放表的根路径
--where <where clause>  指定导出时所使用的查询条件
-z,--compress  启用压缩
---compression-codec <c>  指定Hadoop的codec方式(默认gzip)
--null-string <null-string>  如果指定列为字符串类型，使用指定字符串替换值为null的该类列的值
--null-non-string <null-string>  如果指定列为非字符串类型，使用指定字符串替换值为null的该类列的值




导出工具export

--validate <class-name>  启用数据副本验证功能，仅支持单表拷贝，可以指定验证使用的实现类
--validation-threshold <class-name>  指定验证门限所使用的类
--direct  使用直接导出模式(优化速度)
--export-dir <dir>  导出过程中HDFS源路径
--m,--num-mappers <n>  使用n个map任务并行导出
--table <table-name>  导出的目的表名称
--call <stored-proc-name>  导出数据调用的指定存储过程名
--update-key <col-name>  更新参考的列名称，多个列名使用逗号分隔
--update-mode <mode>  指定更新策略，包括:updateonly(默认)、allowinsert
--input-null-string <null-string>  使用指定字符串，替换字符串类型值为nul的列
--input-null-non-string <null-string> 使用指定字符串，替换非字符串类型值为null的列
--staginf-table <staging-table-name>  在数据导出到数据库之前，数据临时存放的表名称
--clear-staging-table  清除工作区中临时存放的数据
--batch  使用批量模式导出