当前位置:网站首页>Sqoop学习笔记

Sqoop学习笔记

2021-02-18 16:47:25 落花桂

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/
    1. 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/
    1. 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/

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
    1. 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、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

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
  version            Display version information
·····

  注:注释掉configure-sqoop 134行到143行的内容,内容如下

 134 ## Moved to be a runtime check in sqoop.
     135 #if [ ! -d "${HCAT_HOME}" ]; then
    136 #  echo "Warning: $HCAT_HOME does not exist! HCatalog jobs will fail."
    137 #  echo 'Please set $HCAT_HOME to the root of your HCatalog installation.'
    138 #fi
    139 #
    140 #if [ ! -d "${ACCUMULO_HOME}" ]; then
    141 #  echo "Warning: $ACCUMULO_HOME does not exist! Accumulo imports will fail."
    142 #  echo 'Please set $ACCUMULO_HOME to the root of your Accumulo installation.'
    143 #fi

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

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。

1.1、RDBMS到HDFS
    1. 确定Mysql服务开启正常
    1. 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');
    1. 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:must contain '$CONDITIONS' in WHERE clause. 注:CONDITIONS 翻译‘条件’
  尖叫提示:如果query后使用的是双引号,则$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。

1.2、RDBMS到Hive
$ 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:从MYSQL到Hive,本质时从MYSQL => HDFS => load To Hive

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。

2.1、HIVE/HDFS到RDBMS
//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中如果表不存在,不会自动创建,自行根据表结构创建
  思考:数据是覆盖还是追加 答案:追加

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
    1. 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"
    1. 执行该脚本
$ bin/sqoop --options-file job_HDFS2RDBMS.opt

五、Sqoop一些常用命令及参数

1、常用命令列举

  这里是一部分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

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。

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
2.2、公用参数:import
序号 参数 说明
1 --enclosed-by 给字段值前加上指定的字符
2 --escaped-by 对字段中的双引号加转义符
3 --fields-terminated-by 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 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 给带有双引号或单引号的字段值前后加上指定字符。
2.3、公用参数:export
序号 参数 说明
1 --input-enclosed-by 对字段值前后加上指定字符
2 --input-escaped-by 对含有转移符的字段做转义处理
3 --input-fields-terminated-by 字段之间的分隔符
4 --input-lines-terminated-by 行之间的分隔符
5 --input-optionally-enclosed-by 给带有双引号或单引号的字段前后加上指定字符
2.4、公用参数:hive
序号 参数 说明
1 --hive-delims-replacement 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 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 导入数据时,指定某个分区的值
6 --hive-home 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。

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)
  注:--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:在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)
  2./user/hive/warehouse 个人配置的目录
  尖叫提示:last-value指定的值是会包含于增量导入的数据中
  如果卡住,在yarn-site.xml中加入以下配置

 <property>
     <name>yarn.nodemanager.resource.memory-mb</name>
     <value>20480</value>
 </property>

 <property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>2048</value>
 </property>

 <property>
     <name>yarn.nodemanager.vmem-pmem-ratio</name>
     <value>2.1</value>
 </property>
    1. 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 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 --m或–num-mappers 启动N个map来并行导入数据,默认4个。
11 --query或--e 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 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 关系数据库的表名
14 --target-dir 指定HDFS路径
15 --warehouse-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 string类型的列如果null,替换为指定字符串
20 --null-non-string 非string类型的列如果null,替换为指定字符串
21 --check-column 作为增量导入判断的列名
22 --incremental mode:append或lastmodified
23 --last-value 指定某一个值,用于标记增量导入的位置
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:(例如)
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"
    1. 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 存放数据的HDFS的源目录
3 -m或--num-mappers 启动N个map来并行导入数据,默认4个
4 --table 指定导出到哪个RDBMS中的表
5 --update-key 对某一列的字段进行更新操作
6 --update-mode updateonly
allowinsert(默认)
7 --input-null-string 请参考import该类似参数说明
8 --input-null-non-string 请参考import该类似参数说明
9 --staging-table 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
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 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 设定生成的Java文件指定的名称
3 --outdir 生成Java文件存放的路径
4 --package-name 包名,如com.z,就会生成com和z两级目录
5 --input-null-non-string 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 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 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 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 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 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
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 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
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:(例如)

$ 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
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:(例如),注意:(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 同上
3 --as-textfile 同上
4 --direct 同上
5 --direct-split-size 同上
6 --inline-lob-limit 同上
7 --m或—num-mappers 同上
8 --warehouse-dir 同上
9 -z或--compress 同上
10 --compression-codec 同上
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:(例如)

$ bin/sqoop job \
 --create myjob -- import-all-tables \
 --connect jdbc:mysql://bigdata113:3306/company \
 --username root \
 --password 000000
$ 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 创建job参数
2 --delete 删除一个job
3 --exec 执行一个job
4 --help 显示job帮助
5 --list 显示job列表
6 --meta-connect 用来连接metastore服务
7 --show 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>
2.12、命令&参数:list-databases

  命令:(例如)

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

  参数:与公用参数一样

2.13、命令&参数:list-tables

  命令:(例如)

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

  参数:与公用参数一样

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
  数据环境:注意: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:(例如)

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 HDFS 待合并的数据目录,合并后在新的数据集中保留
2 --onto HDFS合并后,重复的部分在新的数据集中被覆盖
3 --merge-key
合并键,一般是主键ID
4 --jar-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 对应的表名或对象名,该class类是包含在jar包中的
6 --target-dir 合并后的数据在HDFS里存放的目录
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

版权声明
本文为[落花桂]所创,转载请带上原文链接,感谢
https://www.cnblogs.com/nthforsth/p/14412416.html