大数据工具之Sqoop上手笔记

文章目录

Sqoop的介绍Sqoop安装Sqoop的简单使用案例导入数据RDBMS到HDFSRDBMS到HiveRDBMS到Hbase 导出数据HIVE/HDFS到RDBMS 脚本打包 Sqoop一些常用命令及参数常用命令命令&参数详解公用参数：数据库连接公用参数：import公用参数：export公用参数：hive特有参数：import特有参数：export 参考

Sqoop的介绍

Sqoop是一种旨在在Hadoop与关系数据库或大型机之间传输数据的工具。您可以使用Sqoop从关系数据库管理系统（RDBMS）（例如MySQL或Oracle）或大型机中将数据导入Hadoop分布式文件系统（HDFS），在Hadoop MapReduce中转换数据，然后将数据导出回RDBMS 。

Sqoop依靠数据库描述要导入的数据的模式来自动执行此过程的大部分过程。Sqoop使用MapReduce导入和导出数据，这提供了并行操作以及容错能力。

有了Sqoop，我们不需要再去写繁琐的MR程序，只需要通过命令，让Sqoop框架来帮助我们生成MR程序来实现数据的各种迁移，原理是类似于Hive的。

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。

帮助命令:

Sqoop附带了一个帮助工具。要显示所有可用工具的列表，请键入以下命令：

$ sqoop help usage: sqoop COMMAND [ARGS] 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 import-mainframe Import mainframe datasets to HDFS list-databases List available databases on a server list-tables List available tables in a database version Display version information See 'sqoop help COMMAND' for information on a specific command.

Sqoop安装

Before you can use Sqoop, a release of Hadoop must be installed and configured. Sqoop is currently supporting 4 major Hadoop releases - 0.20, 0.23, 1.0 and 2.0.

安装Sqoop的前提是已经具备Java和Hadoop的环境。

下载并解压

下载地址：http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/

上传安装包sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz到虚拟机中

解压sqoop安装包到指定目录，如：

$ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/

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

2) 修改配置文件sqoop-env.sh

export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2 export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2 export HIVE_HOME=/opt/module/hive export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10 export ZOOCFGDIR=/opt/module/zookeeper-3.4.10 export HBASE_HOME=/opt/module/hbase

注意路径要根据这些软件的安装位置而定

拷贝JDBC驱动

如果要操作mysql或其他关系型数据库，则需要将其JDBC驱动拷贝到sqoop的库中，即lib目录下：

$ cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/

安装成功验证

我们可以通过某一个help command来验证sqoop配置是否正确：

cd 到sqoop安装目录下，然后执行如下命令

$ bin/sqoop help

Sqoop的简单使用案例

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。

RDBMS到HDFS

确定Mysql服务开启正常

在Mysql中新建一张表并插入一些数据

CREATE DATABASE company; CREATE TABLE company.staff( id INT(4) PRIMARY KEY NOT NULL AUTO_INCREMENT, NAME VARCHAR(255), sex VARCHAR(255)); INSERT INTO company.staff(NAME, sex) VALUES('Thomas', 'Male'); INSERT INTO company.staff(NAME, sex) VALUES('Catalina', 'FeMale'); 导入数据

先要启动hdfs

（1）全部导入

bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123 \ --table staff \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t"

可以看到sqoop的作用其实是类似于hive的，都是将输入的指令转换为mapreduce任务：

（2）查询导入

bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --query 'select name,sex from staff where id <=1 and $CONDITIONS;'

and $CONDITIONS 不可省略，因为sqoop会补充当前操作所需的其他条件。

如果不加该关键字，系统会提示：must contain ‘$CONDITIONS’ in WHERE clause.

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://hadoop102:3306/company \ --username root \ --password 123 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --columns id,sex \ --table staff

columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格,原因在于命令行参数是用空格来隔开的

（4）使用sqoop关键字筛选查询导入数据

bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --table staff \ --where "id=1"

RDBMS到Hive

bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123 \ --table staff \ --num-mappers 1 \ --hive-import \ --fields-terminated-by "\t" \ --hive-overwrite \ --hive-table staff_hive

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，第一步默认的临时目录是/user/username/表名

RDBMS到Hbase

bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123 \ --table staff \ --columns "id,name,sex" \ --column-family "info" \ --hbase-create-table \ --hbase-row-key "id" \ --hbase-table "hbase_company" \ --num-mappers 1 \ --split-by id

sqoop1.4.6只支持HBase1.0.1之前的版本的自动创建HBase表的功能

解决方案：手动创建HBase表

hbase> create 'hbase_company,‘info’

hbase> scan ‘hbase_company’

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。

HIVE/HDFS到RDBMS

bin/sqoop export \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123 \ --table staff \ --num-mappers 1 \ --export-dir /user/hive/warehouse/staff_hive \ --input-fields-terminated-by "\t"

提示：Mysql中如果表不存在，不会自动创建

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

$ mkdir opt $ touch opt/job_HDFS2RDBMS.opt

2) 编写sqoop脚本

export --connect jdbc:mysql://hadoop102:3306/company --username root --password 123 --table staff --num-mappers 1 --export-dir /user/hive/warehouse/staff_hive --input-fields-terminated-by "\t"

清空staff表

DELETE FROM company.`staff`;

3) 执行该脚本

bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

Sqoop一些常用命令及参数

常用命令

这里列出来了一部分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1importImportTool将数据导入到集群2exportExportTool将集群数据导出3codegenCodeGenTool获取数据库中某张表数据生成Java并打包Jar4create-hive-tableCreateHiveTableTool创建Hive表5evalEvalSqlTool查看SQL执行结果6import-all-tablesImportAllTablesTool导入某个数据库下所有表到HDFS中7jobJobTool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。8list-databasesListDatabasesTool列出所有数据库名9list-tablesListTablesTool列出某个数据库下所有表10mergeMergeTool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11metastoreMetastoreTool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。12helpHelpTool打印sqoop帮助信息13versionVersionTool打印sqoop版本信息

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。

首先是公用的参数，所谓公用参数，就是大多数命令都支持的参数。

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URL2–connection-manager指定要使用的连接管理类3–driverHadoop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

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\n5–mysql-delimitersMysql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。

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

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string5–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

除了公有参数，还有各个命令对应的特有参数。

特有参数：import

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lastmodified23–last-value 指定某一个值，用于标记增量导入的位置

特有参数：export

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

参考

sqoop的官网http://sqoop.apache.org/

其他的参数和命令介绍参见http://sqoop.apache.org/docs/1.4.7/SqoopUserGuide.html

尚硅谷sqoop教程http://www.atguigu.com/download_detail.shtml?v=59