sqoop笔记

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

adoop学习笔记—18.Sqoop框架学习

一、Sqoop基础：连接关系型数据库与Hadoop的桥梁

1.1 Sqoop的基本概念

Hadoop正成为企业用于大数据分析的最热门选择，但想将你的数据移植过去并不容易。Apache Sqoop正在加紧帮助客户将重要数据从数据库移到Hadoop。随着Hadoop和关系型数据库之间的数据移动渐渐变成一个标准的流程，云管理员们能够利用Sqoop的并行批量数据加载能力来简化这一流程，降低编写自定义数据加载脚本的需求。

Apache Sqoop（SQL-to-Hadoop）项目旨在协助 RDBMS 与 Hadoop 之间进行高效的大数据交流。用户可以在 Sqoop 的帮助下，轻松地把关系型数据库的数据导入到 Hadoop 与其相关的系统 (如HBase和Hive)中；同时也可以把数据从 Hadoop 系统里抽取并导出到关系型数据库里。因此，可以说Sqoop就是一个桥梁，连接了关系型数据库与Hadoop。

1.2 Sqoop的基本机制

Sqoop中一大亮点就是可以通过hadoop的mapreduce把数据从关系型数据库中导入数据到HDFS。Sqoop架构非常简单，其整合了Hive、Hbase和Oozie，通过map-reduce任务来传输数据，从而提供并发特性和容错。Sqoop的基本工作流程如下图所示：

Sqoop在import时，需要制定split-by参数。Sqoop根据不同的split-by参数值来进行切分，然后将切分出来的区域分配到不同map中。每个map中再处理数据库中获取的一行一行的值，写入到HDFS中(由此也可知，导入导出的事务是以Mapper任务为单位)。同时split-by根据不同的参数类型有不同的切分方法，如比较简单的int型，Sqoop会取最大和最小split-by字段值，然后根据传入的num-mappers来确定划分几个区域。比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分别为1000和1，而num-mappers为2的话，则会分成两个区域(1,500)和(501-100),同时也会分成2个sql给2个map去进行导入操作，分别为select XXX from table where split-by>=1 and split-by<500和select XXX from table where split-by>=501 and split-by<=1000。最后每个map各自获取各自SQL中的数据进行导入工作。

二、Sqoop实践：MySQL->HDFS/HDFS->MySQL

2.1 Sqoop的安装配置

（1）下载sqoop安装包：这里使用的是1.4.3版本，已经上传至网盘中（http://pan.baidu.com/s/1pJ7gfxh）

（2）解压sqoop安装包：tar -zvxf sqoop-1.4.3.bin__hadoop-1.0.0.tar.gz

（3）设置环境变量：vim /etc/profile ，增加以下内容

export SQOOP_HOME=/usr/local/sqoop
export PATH=.:$HADOOP_HOME/bin:$SQOOP_HOME/bin:$HIVE_HOME/bin:$PIG_HOME/bin:$HBASE_HOME/bin:$ZOOKEEPER_HOME/bin:$JAVA_HOME/bin:$PATH

最后是环境变量生效：source /etc/profile

（4）将mysql的jdbc驱动mysql-connector-java-5.1.10.jar复制到sqoop项目的lib目录下：

cp mysql-connector-java-5.1.10.jar /usr/local/sqoop/lib

（5）重命名配置文件：在${SQOOP_HOME}/conf中执行命令

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

（6）【可选】修改配置文件：vim sqoop-env.sh

#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/usr/local/hadoop/
#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/usr/local/hadoop
#set the path to where bin/hbase is available export
HBASE_HOME=/usr/local/hbase
#Set the path to where bin/hive is available
export HIVE_HOME=/usr/local/hive
#Set the path for where zookeper config dir is
export ZOOCFGDIR=/usr/local/zookeeper

2.2 数据导入：MySQL->HDFS

这里假设我们已经在hadoop-master服务器中安装了MySQL数据库服务，并使用默认端口3306。需要注意的是，sqoop的数据库驱动driver默认只支持mysql和oracle，如果使用sqlserver的话，需要把sqlserver的驱动jar包放在sqoop的lib目录下，然后才能使用drive参数。

（1）MySQL数据源：mysql中的hive数据库的TBLS表，这里使用学习笔记17《Hive框架学习》里边Hive的数据库表。

（2）使用import命令将mysql中的数据导入HDFS：

首先看看import命令的基本格式：

sqoop           ##sqoop命令
import           ##表示导入
--connect jdbc:mysql://ip:3306/sqoop    ##告诉jdbc，连接mysql的url
--username root                                     ##连接mysql的用户名
--password admin                               ##连接mysql的密码
--table mysql1                                        ##从mysql导出的表名称
--fields-terminated-by '\t'                        ##指定输出文件中的行的字段分隔符
-m 1                                                       ##复制过程使用1个map作业
--hive-import                                          ##把mysql表数据复制到hive空间中。如果不使用该选项，意味着复制到hdfs中

然后看看如何进行实战：这里将mysql中的TBLS表导入到hdfs中（默认导入目录是/user/<username>）

sqoop import --connect jdbc:mysql://hadoop-master:3306/hive --username root --password admin --table TBLS --fields-terminated-by '\t'

最后看看是否成功导入了HDFS中：可以看到TBLS表存入了多个map任务所生成的文件中

（3）刚刚看到了默认是由多个map来进行处理生成，可以设置指定数量的map任务。又由于sqoop默认不是追加方式写入，还可以设置其为追加方式写入已有文件末尾：

sqoop import --connect jdbc:mysql://hadoop0:3306/hive --username root --password admin --table TBLS --fields-terminated-by '\t' --null-string '**' -m 1 --append

（4）还可以将MySQL中的数据导入Hive中（你设定的hive在hdfs中的存储位置，我这里是/hive/）：

首先得删掉刚刚导入到hdfs中的文件数据：
hadoop fs -rmr /user/root/*
然后再通过以下命令导入到hive中：
sqoop import --connect jdbc:mysql://hadoop-master:3306/hive --username root --password admin --table TBLS --fields-terminated-by '\t' -m 1 --append --hive-import

最后看看是否导入到了hive目录（/hive/）中：

（5）还可以对指定数据源进行增量导入：所谓增量打入，就是导入上一次导入后数据源新增的那部分数据，例如：上次导入的数据是id从1~100的数据，那么这次就只导入100以后新增的数据，而不必整体导入，节省了导入时间。下面的命令以TBL_ID字段作为判断标准采用增量导入，并记录上一次的最后一个记录是6，只导入6以后的数据即可。

sqoop import --connect jdbc:mysql://hadoop0:3306/hive --username root --password admin --table TBLS --fields-terminated-by '\t' --null-string '**' -m 1 --append --hive-import --check-column 'TBL_ID' --incremental append --last-value 6

2.3 数据导出：HDFS->MySQL

（1）既然要导出到MySQL，那么首先得要有一张接收从HDFS导出数据的表。这里为了示范，只创建一个最简单的数据表TEST_IDS，只有一个int类型的ID字段。

（2）使用export命令进行将数据从HDFS导出到MySQL中，可以看看export命令的基本格式：

sqoop
export                                       ##表示数据从hive复制到mysql中
--connect jdbc:mysql://ip:3306/sqoop   ##告诉jdbc，连接mysql的url
--username root    ##连接mysql的用户名
--password admin ##连接mysql的密码
--table mysql2                                       ##mysql中的表，即将被导入的表名称
--export-dir '/user/root/warehouse/mysql1' ##hive中被导出的文件目录
--fields-terminated-by '\t' ##hive中被导出的文件字段的分隔符
注意：导出的数据表必须是事先存在的

（3）准备一个符合数据表规范的文件ids并上传到HDFS中，作为导出到MySQL的数据源：这个ids里边只有10个数字

1
2
3
4
5
6
7
8
9
10

（4）export实战：将HDFS中的ids导出到mysql中的TEST_IDS数据表中

sqoop export --connect jdbc:mysql://hadoop-master:3306/hive --username root --password admin --table TEST_IDS --fields-terminated-by '\t' --export-dir '/testdir/input/ids'

最后查看是否导入到了mysql中的TEST_IDS数据表中：

2.4 创建job，运行job

刚刚我们使用了import和export命令进行了常规的导入导出操作，但是每次都要我们使用那么长的命令不太容易记忆。于是，我们可以将其创建为一个job，每次需要使用时只需要记住job名，运行job即可。

这里以导入为例，创建一个job名为myjob1的job：

sqoop job --create myjob1 -- import --connect jdbc:mysql://hadoop-master:3306/hive --username root --password admin --table TBLS --fields-terminated-by '\t' -m 1 --append

可以通过命令查看是否存在job：sqoop job --list

执行刚刚创建的job：

sqoop job --exec myjob1

但是，我们发现上面的设置后还需要我们输入密码，这样便无法做到真正的自动执行job。

于是，我们做一点小小的配置（hive-site.xml）修改：将下面的xml配置的注释移除即可

<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
<description>If true, allow saved passwords in the metastore.
</description>
</property>

移除之后，还需要将刚刚那个job删除掉，重新创建job后才可以无密码自动执行。

sqoop job --delete myjob1
sqoop job --create myjob1 -- import --connect jdbc:mysql://hadoop-master:3306/hive --username root --password admin --table TBLS --fields-terminated-by '\t' -m 1 --append
sqoop job --exec myjob1