在Sqoop中
- 导入是指:从关系型数据库向大数据集群(HDFS、HIVE、HBASE)传输数据;使用import关键字;
- 导出是指:从 大数据集群 向 关系型数据库 传输数据;使用export关键字;
测试数据脚本
-- 用于在 Mysql 中生成测试数据
CREATE DATABASE sqoop;
use sqoop;
CREATE TABLE sqoop.goodtbl(
gname varchar(50),
serialNumber int,
price int,
stock_number int,
create_time date
);
DROP FUNCTION IF EXISTS `rand_string`;
DROP PROCEDURE IF EXISTS `batchInsertTestData`;
-- 替换语句默认的执行符号,将;替换成 //
DELIMITER //
CREATE FUNCTION `rand_string` (n INT) RETURNS VARCHAR(255) CHARSET 'utf8'
BEGIN
DECLARE char_str varchar(200) DEFAULT '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ';
DECLARE return_str varchar(255) DEFAULT '';
DECLARE i INT DEFAULT 0;
WHILE i < n DO
SET return_str = concat(return_str, substring(char_str, FLOOR(1 + RAND()*36), 1));
SET i = i+1;
END WHILE;
RETURN return_str;
END
//
-- 第一个参数表示:序号从几开始;第二个参数表示:插入多少条记录
CREATE PROCEDURE `batchInsertTestData` (m INT, n INT)
BEGIN
DECLARE i INT DEFAULT 0;
WHILE i < n DO
insert into goodtbl (gname, serialNumber, price, stock_number, create_time) values (rand_string(6), i+m, ROUND(RAND()*100), FLOOR(RAND()*100), now());
SET i = i+1;
END WHILE;
END
//
delimiter ;
-- 执行函数
call batchInsertTestData(1, 100);
以下案例需要启动:HDFS、YARN、MySQL 对应的服务;
1、导入数据
MySQL 到 HDFS
1.1、导入全部数据
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
备注:
- target-dir:将数据导入 HDFS 的路径;
- delete-target-dir:如果目标文件夹在 HDFS 上已经存在,那么再次运行就会报错。可以使用--delete-target-dir来先删除目录。也可以使用 append 参数,表示追加数据;
- num-mappers:启动多少个Map Task;默认启动4个Map Task;也可以写成 -m 1
- fields-terminated-by:HDFS文件中数据的分隔符;
1.2、导入查询数据
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--append \
-m 1 \
--fields-terminated-by "\t" \
--query 'select gname, serialNumber, price, stock_number,create_time from goodtbl where price>88 and $CONDITIONS;'
备注:
- 查询语句的where子句中必须包含 '$CONDITIONS'
- 如果query后使用的是双引号,则$CONDITIONS前必须加转移符,防止shell识别为自己的变量
1.3、导入指定的列
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns gname,serialNumber,price \
--table goodtbl
备注:columns中如果涉及到多列,用逗号分隔,不能添加空格
1.4、导入查询数据(使用关键字)
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
-m 1 \
--fields-terminated-by "\t" \
--table goodtbl \
--where "price>=68"
1.5、启动多个Map Task导入数据
在 goodtbl 中增加数据:call batchInsertTestData(1000000);
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--fields-terminated-by "\t" \
--table goodtbl \
--split-by gname
# 给 goodtbl 表增加主键
alter table goodtbl add primary key(serialNumber);
备注:
- 使用多个 Map Task 进行数据导入时,sqoop 要对每个Task的数据进行分区
- 如果 MySQL 中的表有主键,指定 Map Task 的个数就行
- 如果 MySQL 中的表没有主键,要使用 split-by 指定分区字段
- 如果分区字段是字符类型,使用 sqoop 命令的时候要添加:-Dorg.apache.sqoop.splitter.allow_text_splitter=true。即
sqoop import -
Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://liunx123:3306/sqoop \
... ...
查询语句的where子句中的 '$CONDITIONS' ,也是为了做数据分区使用的,即使只有1个Map Task
1.6、MySQL 到 Hive
在 hive 中创建表:
CREATE TABLE mydb.goodtbl(
gname string,
serialNumber int,
price int,
stock_number int,
create_time date);
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--create-hive-table \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table mydb.goodtbl \
-m 1
参数说明:
- hive-import。必须参数,指定导入hive
- hive-database。Hive库名(缺省值default)
- hive-table。Hive表名
- fields-terminated-by。Hive字段分隔符
- hive-overwrite。覆盖中已经存在的数据
- create-hive-table。创建好 hive 表,但是表可能存在错误。不建议使用这个参数,建议提前建好表
2、导出数据
Hive/HDFS到RDBMS
备注:MySQL表需要提前创建
# 提前创建表
CREATE TABLE sqoop.goodtbl2(
gname varchar(50),
serialNumber int,
price int,
stock_number int,
create_time date);
# 执行导出
sqoop export \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl2 \
--num-mappers 1 \
--export-dir /user/hive/warehouse/mydb.db/goodtbl \
--input-fields-terminated-by "\t"
3、增量数据导入
变化数据捕获(CDC)
前面都是执行的全量数据导入。如果数据量很小,则采取完全源数据抽取;如果源数据量很大,则需要抽取发生变化的数据,这种数据抽取模式叫做变化数据捕获,简称CDC(Change Data Capture)。
CDC大体分为两种:侵入式和非侵入式。侵入式指CDC操作会给源系统带来性能影响,只要CDC操作以任何一种方式对源数据库执行了SQL操作,就认为是侵入式的。
常用的4种CDC方法是(前三种是侵入式的):
基于时间戳的CDC。抽取过程可以根据某些属性列来判断哪些数据是增量的,最常见的属性列有以下两种:
- 时间戳:最好有两个列,一个插入时间戳,表示何时创建,一个更新时间戳,表示最后一次更新的时间;
- 序列:大多数数据库都提供自增功能,表中的列定义成自增的,很容易地根据该列识别新插入的数据;
时间戳的CDC是最简单且常用的,但是有如下缺点:
- 不能记录删除记录的操作
- 无法识别多次更新
- 不具有实时能力
基于触发器的CDC。当执行INSERT、UPDATE、DELETE这些SQL语句时,激活数据库里的触发器,使用触发器可捕获变更的数据,并把数据保存在中间临时表里。然后这些变更数据再从临时表取出。大多数场合下,不允许向操作型数据库里添加触发器,且这种方法会降低系统性能,基本不会被采用;
基于快照的CDC。 可以通过比较源表和快照表来获得数据变化。基于快照的CDC可以检测到插入、更新和删除的数据,这是相对于基于时间戳的CDC方案的优点。其缺点是需要大量存储空间来保存快照;
基于日志的CDC。最复杂的和没有侵入性的CDC方法是基于日志的方式。数据库会把每个插入、更新、删除操作记录到日志里。解析日志文件,就可以获取相关信息。每个关系型数据库日志格式不一致,没有通用的产品。阿里巴巴的canal可以完成MySQL日志文件解析。
增量导入数据分为两种方式:
- 基于递增列的增量数据导入(Append方式)
- 基于时间列的数据增量导入(LastModified方式)
Append方式
(1)准备初始数据
-- 删除 MySQL 表中的全部数据
truncate table sqoop.goodtbl;
-- 删除 Hive 表中的全部数据
truncate table mydb.goodtbl;
-- 向MySQL的表中插入100条数据
call batchInsertTestData(1, 100);
(2)将数据导入Hive
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive --password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 50 \
-m 1
参数说明:
- check-column 用来指定一些列(即可以指定多个列),这些列在增量导入时用来检查这些数据是否作为增量数据进行导入,和关系型数据库中的自增字段及时间戳类似。这些被指定的列的类型不能使任意字符类型,如char、varchar等类型都不可以
- last-value 指定上一次导入中检查列指定字段最大值
(3)检查hive表中是否有数据,有多少条数据
(4)再向MySQL中加入1000条数据,编号从200开始
call batchInsertTestData (200, 1000);
(5)再次执行增量导入,将数据从 MySQL 导入 Hive 中;此时要将 last-value 改为100
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive --password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 100 \
-m 1
(6)再检查hive表中是否有数据,有多少条数据
4、执行 job
执行数据增量导入有两种实现方式:
- 每次手工配置last-value,手工调度
- 使用job,给定初始last-value,定时任务每天定时调度
很明显方式2更简便。
4.1、创建口令文件
echo -n "12345678" > sqoopPWD.pwd
hdfs dfs -mkdir -p /sqoop/pwd
hdfs dfs -put sqoopPWD.pwd /sqoop/pwd
hdfs dfs -chmod 400 /sqoop/pwd/sqoopPWD.pwd
# 可以在 sqoop 的 job 中增加:
--password-file /sqoop/pwd/sqoopPWD.pwd
4.2、创建 sqoop job
# 创建 sqoop job
sqoop job --create myjob1 -- import \
--connect jdbc:mysql://linux123:3306/sqoop?useSSL=false \
--username hive \
--password-file /sqoop/pwd/sqoopPWD.pwd \
--table goodtbl \
--incremental append \
--hive-import \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 0 \
-m 1
# 查看已创建的job
sqoop job --list
# 查看job详细运行是参数
sqoop job --show myjob1
# 执行job
sqoop job --exec myjob1
# 删除job
sqoop job --delete myjob1
4.3、执行job
sqoop job -exec myjob1
4.4、查看数据
实现原理:
- 因为job执行完成后,会把当前check-column的最大值记录到meta中,下次再调起时把此值赋给last-value。
- 缺省情况下元数据保存在 ~/.sqoop/
- 其中,metastore.db.script 文件记录了对last-value的更新操作:
cat metastore.db.script |grep incremental.last.value