大数据技术之Sqoop
- 2020 年 3 月 5 日
- 筆記
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: 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 command 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
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。
4.1.1、RDBMS到HDFS
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 $CONDITIONS;' |
|---|
尖叫提示：must contain '$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。
4.1.2、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
4.2、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。
4.2.1、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
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–connectjdbc:mysql://bigdata113:3306/Andy–usernameroot–password000000–tableaca–num-mappers1–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 |
类 |
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rn和 |