Sqoop

匿名 (未验证) 提交于 2019-12-02 23:52:01

大数据技术之Sqoop

一、Sqoop简介

Apache Sqoop(TM)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。

二、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。

三、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) 最新版下载地址: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,如我的上传目录是:/opt/software/

3) 解压sqoop安装包到指定目录,如:

$ tar -zxvf 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。

1) 重命名配置文件

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

$ mv sqoop-site-template.xml sqoop-site.xml 此行不用做

2) 修改配置文件

sqoop-env.sh

export HADOOP_COMMON_HOME=/opt/module/hadoop-2.8.4

export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.8.4

export HIVE_HOME=/opt/module/hive

export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10

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

3.3、拷贝JDBC驱动

拷贝jdbc驱动到sqoop的lib目录下,如:

$ cp -a 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:

・・・・・

:注释掉configure-sqoop 134行到143行的内容,内容如下

3.5、测试Sqoop是否能够成功连接数据库

$ bin/sqoop list-databases --connect jdbc:mysql://bigdata113:3306/ --username root --password 000000

出现如下输出:

information_schema

metastore

mysql

performance_schema

四、Sqoop的简单使用案例

4.1、导入数据

在Sqoop“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。

4.1.1RDBMSHDFS

1) 确定Mysql服务开启正常

2) 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');

3) 导入数据

1)全部导入

$ bin/sqoop import \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--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://bigdata113:3306/company \

--username root \

--password 000000 \

--target-dir /user/company \

--delete-target-dir \

--num-mappers 1 \

--fields-terminated-by "\t" \

--query 'select name,sex from staff where id <=3 and $CONDITIONS;'

尖叫提示: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://bigdata113:3306/company \

--username root \

--password 000000 \

--target-dir /user/company \

--delete-target-dir \

--num-mappers 1 \

--fields-terminated-by "\t" \

--columns id,sex \

--table staff

尖叫提示: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://bigdata113:3306/company \

--username root \

--password 000000 \

--target-dir /user/company \

--delete-target-dir \

--num-mappers 1 \

--fields-terminated-by "\t" \

--table staff \

--where "id=2"

尖叫提示: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。

4.1.2RDBMSHive

$ bin/sqoop import \

--connect jdbc:mysql://bigdata113:3306/Andy \

--username root \

--password 000000 \

--table aca \

--num-mappers 1 \

--hive-import \

--fields-terminated-by "\t" \

--hive-overwrite \

--hive-table staff_hive

尖叫提示: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

尖叫提示:MYSQL到Hive,本质时从MYSQL => HDFS => load To Hive

4.2、导出数据

在Sqoop“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。

4.2.1HIVE/HDFSRDBMS

创建aca表

create table abc(id int,name VARCHAR(5));

$ bin/sqoop export \

--connect jdbc:mysql://bigdata113:3306/Andy \

--username root \

--password 000000 \

--export-dir /user/hive/warehouse/staff_hive \

--table abc \

--num-mappers 1 \

--input-fields-terminated-by "\t"

尖叫提示:Mysql,自行根据表结构创建

答案:追加

4.3、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

$ touch job_HDFS2RDBMS.opt

2) 编写sqoop脚本

$ vi ./job_HDFS2RDBMS.opt

#以下命令是从staff_hive中追加导入到mysql的aca表中

export

--connect

jdbc:mysql://bigdata113:3306/Andy

--username

root

--password

000000

--table

aca

--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 job_HDFS2RDBMS.opt

五、Sqoop一些常用命令及参数

5.1、常用命令列举

这里给大家列出来了一部分Sqoop操作时的常用参数,以供参考,需要深入学习的可以参看对应类的源代码。

序号

命令

说明

1

import

ImportTool

将数据导入到集群

2

export

ExportTool

将集群数据导出

3

codegen

CodeGenTool

获取数据库中某张表数据生成Java并打包Jar

4

create-hive-table

CreateHiveTableTool

创建Hive表

5

eval

EvalSqlTool

查看SQL执行结果

6

import-all-tables

ImportAllTablesTool

导入某个数据库下所有表到HDFS中

7

job

JobTool

用来生成一个sqoop的任务,生成后,该任务并不执行,除非使用命令执行该任务。

8

list-databases

ListDatabasesTool

列出所有数据库名

9

list-tables

ListTablesTool

列出某个数据库下所有表

10

merge

MergeTool

将HDFS中不同目录下面的数据合在一起,并存放在指定的目录中

11

metastore

MetastoreTool

记录sqoop job的元数据信息,如果不启动metastore实例,则默认的元数据存储目录为:~/.sqoop,如果要更改存储目录,可以在配置文件sqoop-site.xml中进行更改。

12

help

HelpTool

打印sqoop帮助信息

13

version

VersionTool

打印sqoop版本信息

5.2、命令&参数详解

刚才列举了一些Sqoop的常用命令,对于不同的命令,有不同的参数,让我们来一一列举说明。

首先来我们来介绍一下公用的参数,所谓公用参数,就是大多数命令都支持的参数。

5.2.1、公用参数:数据库连接

序号

参数

说明

1

--connect

连接关系型数据库的URL

2

--connection-manager

指定要使用的连接管理类

3

--driver

Hadoop根目录

4

--help

打印帮助信息

5

--password

连接数据库的密码

6

--username

连接数据库的用户名

7

--verbose

在控制台打印出详细信息

5.2.2、公用参数:import

序号

参数

说明

1

--enclosed-by <char>

给字段值前加上指定的字符

2

--escaped-by <char>

对字段中的双引号加转义符

3

--fields-terminated-by <char>

设定每个字段是以什么符号作为结束,默认为逗号

4

--lines-terminated-by <char>

设定每行记录之间的分隔符,默认是\n

5

--mysql-delimiters

Mysql默认的分隔符设置,字段之间以逗号分隔,行之间以\n分隔,默认转义符是\,字段值以单引号包裹。

6

--optionally-enclosed-by <char>

给带有双引号或单引号的字段值前后加上指定字符。

5.2.3、公用参数:export

序号

参数

说明

1

--input-enclosed-by <char>

对字段值前后加上指定字符

2

--input-escaped-by <char>

对含有转移符的字段做转义处理

3

--input-fields-terminated-by <char>

字段之间的分隔符

4

--input-lines-terminated-by <char>

行之间的分隔符

5

--input-optionally-enclosed-by <char>

给带有双引号或单引号的字段前后加上指定字符

5.2.4、公用参数:hive

序号

参数

说明

1

--hive-delims-replacement <arg>

用自定义的字符串替换掉数据中的\r\n和\013 \010等字符

2

--hive-drop-import-delims

在导入数据到hive时,去掉数据中的\r\n\013\010这样的字符

3

--map-column-hive <arg>

生成hive表时,可以更改生成字段的数据类型

4

--hive-partition-key

创建分区,后面直接跟分区名,分区字段的默认类型为string

5

--hive-partition-value <v>

导入数据时,指定某个分区的值

6

--hive-home <dir>

hive的安装目录,可以通过该参数覆盖之前默认配置的目录

7

--hive-import

将数据从关系数据库中导入到hive表中

8

--hive-overwrite

覆盖掉在hive表中已经存在的数据

9

--create-hive-table

默认是false,即,如果目标表已经存在了,那么创建任务失败。

10

--hive-table

后面接要创建的hive表,默认使用MySQL的表名

11

--table

指定关系数据库的表名

公用参数介绍完之后,我们来按照命令介绍命令对应的特有参数。

5.2.5、命令&参数:import

将关系型数据库中的数据导入到HDFS(包括Hive,HBase)中,如果导入的是Hive,那么当Hive中没有对应表时,则自动创建。

1) 命令:

如:导入数据到hive中

$ bin/sqoop import \

--connect jdbc:mysql://bigdata113:3306/Andy \

--username root \

--password 000000 \

--table access \

--hive-import \

--fields-terminated-by "\t"

如:增量导入数据到hive中,mode=append

append导入:

$ bin/sqoop import \

--connect jdbc:mysql://bigdata113:3306/Andy \

--username root \

--password 000000 \

--table aca \

--num-mappers 1 \

--fields-terminated-by "\t" \

--target-dir /user/hive/warehouse/staff_hive \

--check-column id \

--incremental append \

--last-value 10

尖叫提示:append不能与--hive-等参数同时使用(Append mode for hive imports is not yet supported. Please remove the parameter --append-mode)

:--last-value 2 的意思是标记增量的位置为第二行,也就是说,当数据再次导出的时候,从第二行开始算

注:如果 --last-value N , N > MYSQL中最大行数,则HDFS会创建一个空文件。如果N<=0 , 那么就是所有数据

如:增量导入数据到hdfs中,mode=lastmodified(注:卡住)

先在mysql中建表并插入几条数据:

mysql> create table company.staff_timestamp(id int(4), name varchar(255), sex varchar(255), last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);

mysql> insert into company.staff_timestamp (id, name, sex) values(1, 'AAA', 'female');

mysql> insert into company.staff_timestamp (id, name, sex) values(2, 'BBB', 'female');

先导入一部分数据:

$ bin/sqoop import \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--table staff_timestamp \

--delete-target-dir \

--hive-import \

--fields-terminated-by "\t" \

--m 1

再增量导入一部分数据:

mysql> insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');

$ bin/sqoop import \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--table staff_timestamp \

--check-column last_modified \

--incremental lastmodified \

--m 1 \

--last-value "2019-05-17 09:50:12" \

--append

--last-value "2019-05-17 07:08:53" \

尖叫提示:使用lastmodified方式导入数据要指定增量数据是要--append(追加)还是要--merge-key(合并)

尖叫提示:Hive中,如果不指定输出路径,可以去看以下两个目录

  1. /user/root(此为用户名)

尖叫提示:last-value指定的值是会包含于增量导入的数据中

yarn-site.xml中加入以下配置

2) 参数:

序号

参数

说明

1

--append

将数据追加到HDFS中已经存在的DataSet中,如果使用该参数,sqoop会把数据先导入到临时文件目录,再合并。

2

--as-avrodatafile

将数据导入到一个Avro数据文件中

3

--as-sequencefile

将数据导入到一个sequence文件中

4

--as-textfile

将数据导入到一个普通文本文件中

5

--boundary-query <statement>

边界查询,导入的数据为该参数的值(一条sql语句)所执行的结果区间内的数据。

6

--columns <col1, col2, col3>

指定要导入的字段

7

--direct

直接导入模式,使用的是关系数据库自带的导入导出工具,以便加快导入导出过程。

8

--direct-split-size

在使用上面direct直接导入的基础上,对导入的流按字节分块,即达到该阈值就产生一个新的文件

9

--inline-lob-limit

设定大对象数据类型的最大值

10

启动N个map来并行导入数据,默认4个。

11

--query或--e <statement>

将查询结果的数据导入,使用时必须伴随参--target-dir,--hive-table,如果查询中有where条件,则条件后必须加上$CONDITIONS关键字

12

--split-by <column-name>

按照某一列来切分表的工作单元,不能与--autoreset-to-one-mapper连用(请参考官方文档)

13

--table <table-name>

关系数据库的表名

14

--target-dir <dir>

指定HDFS路径

15

--warehouse-dir <dir>

与14参数不能同时使用,导入数据到HDFS时指定的目录

16

--where

从关系数据库导入数据时的查询条件

17

--z或--compress

允许压缩

18

--compression-codec

指定hadoop压缩编码类,默认为gzip(Use Hadoop codec default gzip)

19

--null-string <null-string>

string类型的列如果null,替换为指定字符串

20

--null-non-string <null-string>

非string类型的列如果null,替换为指定字符串

21

--check-column <col>

作为增量导入判断的列名

22

--incremental <mode>

mode:append或lastmodified

23

--last-value <value>

指定某一个值,用于标记增量导入的位置

5.2.6、命令&参数:export

从HDFS(包括Hive和HBase)中将数据导出到关系型数据库中。

1) 命令:

如:

bin/sqoop export \

--connect jdbc:mysql://bigdata113:3306/Andy \

--username root \

--password 000000 \

--export-dir /user/hive/warehouse/staff_hive \

--table aca \

--num-mappers 1 \

--input-fields-terminated-by "\t"

2) 参数:

序号

参数

说明

1

--direct

利用数据库自带的导入导出工具,以便于提高效率

2

--export-dir <dir>

存放数据的HDFS的源目录

3

-m或--num-mappers <n>

启动N个map来并行导入数据,默认4个

4

--table <table-name>

指定导出到哪个RDBMS中的表

5

--update-key <col-name>

对某一列的字段进行更新操作

6

--update-mode <mode>

updateonly

allowinsert(默认)

7

--input-null-string <null-string>

请参考import该类似参数说明

8

--input-null-non-string <null-string>

请参考import该类似参数说明

9

--staging-table <staging-table-name>

创建一张临时表,用于存放所有事务的结果,然后将所有事务结果一次性导入到目标表中,防止错误。

10

--clear-staging-table

如果第9个参数非空,则可以在导出操作执行前,清空临时事务结果表

5.2.7、命令&参数:codegen

将关系型数据库中的表映射为一个Java类,在该类中有各列对应的各个字段。

如:

$ bin/sqoop codegen \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--table staff \

--bindir /opt/Desktop/staff \

--class-name Staff \

--fields-terminated-by "\t"

序号

参数

说明

1

--bindir <dir>

指定生成的Java文件、编译成的class文件及将生成文件打包为jar的文件输出路径

2

--class-name <name>

设定生成的Java文件指定的名称

3

--outdir <dir>

生成Java文件存放的路径

4

--package-name <name>

包名,如com.z,就会生成com和z两级目录

5

--input-null-non-string <null-str>

在生成的Java文件中,可以将null字符串或者不存在的字符串设置为想要设定的值(例如空字符串)

6

--input-null-string <null-str>

将null字符串替换成想要替换的值(一般与5同时使用)

7

--map-column-java <arg>

数据库字段在生成的Java文件中会映射成各种属性,且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型,例如:--map-column-java id=long, name=String

8

--null-non-string <null-str>

在生成Java文件时,可以将不存在或者null的字符串设置为其他值

9

--null-string <null-str>

在生成Java文件时,将null字符串设置为其他值(一般与8同时使用)

10

--table <table-name>

对应关系数据库中的表名,生成的Java文件中的各个属性与该表的各个字段一一对应

5.2.8、命令&参数:create-hive-table

生成与关系数据库表结构对应的hive表结构。

命令:

如:仅建表

$ bin/sqoop create-hive-table \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--table staff \

--hive-table hive_staff1

参数:

序号

参数

说明

1

--hive-home <dir>

Hive的安装目录,可以通过该参数覆盖掉默认的Hive目录

2

--hive-overwrite

覆盖掉在Hive表中已经存在的数据

3

--create-hive-table

默认是false,如果目标表已经存在了,那么创建任务会失败

4

--hive-table

后面接要创建的hive表

5

--table

指定关系数据库的表名

5.2.9、命令&参数:eval

可以快速的使用SQL语句对关系型数据库进行操作,经常用于在import数据之前,了解一下SQL语句是否正确,数据是否正常,并可以将结果显示在控制台。

命令:

如:

$ bin/sqoop eval \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--query "SELECT * FROM staff"

参数:

序号

参数

说明

1

--query或--e

后跟查询的SQL语句

5.2.10、命令&参数:import-all-tables

可以将RDBMS中的所有表导入到HDFS中,每一个表都对应一个HDFS目录

命令:

(卡住)

$ bin/sqoop import-all-tables \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--hive-import \

--fields-terminated-by "\t"

参数:

序号

参数

说明

1

--as-avrodatafile

这些参数的含义均和import对应的含义一致

2

--as-sequencefile

3

--as-textfile

4

--direct

5

--direct-split-size <n>

6

--inline-lob-limit <n>

7

--m或―num-mappers <n>

8

--warehouse-dir <dir>

9

-z或--compress

10

--compression-codec

5.2.11、命令&参数:job

用来生成一个sqoop任务,生成后不会立即执行,需要手动执行。

命令:

如:

$ bin/sqoop job \

$ bin/sqoop job \

--list

$ bin/sqoop job \

--exec myjob

尖叫提示:注意import-all-tables和它左边的--之间有一个空格

尖叫提示:如果需要连接metastore,则--meta-connect

执行的结果在HDFS:/user/root/ 目录中,即导出所有表到/user/root中

参数:

序号

参数

说明

1

--create <job-id>

创建job参数

2

--delete <job-id>

删除一个job

3

--exec <job-id>

执行一个job

4

--help

显示job帮助

5

--list

显示job列表

6

--meta-connect <jdbc-uri>

用来连接metastore服务

7

--show <job-id>

显示一个job的信息

8

--verbose

打印命令运行时的详细信息

尖叫提示:在执行一个job时,如果需要手动输入数据库密码,可以做如下优化

<property>

<name>sqoop.metastore.client.record.password</name>

<value>true</value>

<description>If true, allow saved passwords in the metastore.</description>

</property>

5.2.12、命令&参数:list-databases

命令:

如:

$ bin/sqoop list-databases \

--connect jdbc:mysql://bigdata113:3306/ \

--username root \

--password 000000

参数:与公用参数一样

5.2.13、命令&参数:list-tables

命令:

如:

$ bin/sqoop list-tables \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000

参数:与公用参数一样

5.2.14、命令&参数:merge

将HDFS中不同目录下面的数据合并在一起并放入指定目录中

:以下数据自己手动改成\t

new_staff

1 AAA male

2 BBB male

3 CCC male

4 DDD male

old_staff

1 AAA female

2 CCC female

3 BBB female

6 DDD female

尖叫提示:上边数据的列之间的分隔符应该为\t,行与行之间的分割符为\n,如果直接复制,请检查之。

命令:

如:

创建JavaBean:

$ bin/sqoop codegen \

--connect jdbc:mysql://bigdata113:3306/company \

--username root \

--password 000000 \

--table staff \

--bindir /opt/Desktop/staff \

--class-name Staff \

--fields-terminated-by "\t"

开始合并:注:是hdfs路径

$ bin/sqoop merge \

--new-data /test/new/ \

--onto /test/old/ \

--target-dir /test/merged \

--jar-file /opt/Desktop/staff/Staff.jar \

--class-name Staff \

--merge-key id

结果:

1 AAA MALE

2 BBB MALE

3 CCC MALE

4 DDD MALE

6 DDD FEMALE

参数:

序号

参数

说明

1

--new-data <path>

HDFS 待合并的数据目录,合并后在新的数据集中保留

2

--onto <path>

HDFS合并后,重复的部分在新的数据集中被覆盖

3

--merge-key <col>

合并键,一般是主键ID

4

--jar-file <file>

合并时引入的jar包,该jar包是通过Codegen工具生成的jar包

5

--class-name <class>

对应的表名或对象名,该class类是包含在jar包中的

6

--target-dir <path>

合并后的数据在HDFS里存放的目录

5.2.15、命令&参数:metastore

记录了Sqoop job的元数据信息,如果不启动该服务,那么默认job元数据的存储目录为~/.sqoop,可在sqoop-site.xml中修改。

命令:

如:启动sqoop的metastore服务

$ bin/sqoop metastore

参数:

序号

参数

说明

1

--shutdown

关闭metastore

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!