[转]Sqoop-1.4.4工具import和export使用详解

FROM : http://shiyanjun.cn/archives/624.html

 

Sqoop可以在HDFS/Hive和关系型数据库之间进行数据的导入导出,其中主要使用了import和export这两个工具。这两个工具非常强大,提供了很多选项帮助我们完成数据的迁移和同步。比如,下面两个潜在的需求:

  1. 业务数据存放在关系数据库中,如果数据量达到一定规模后需要对其进行分析或同统计,单纯使用关系数据库可能会成为瓶颈,这时可以将数据从业务数据库数据导入(import)到Hadoop平台进行离线分析。
  2. 对大规模的数据在Hadoop平台上进行分析以后,可能需要将结果同步到关系数据库中作为业务的辅助数据,这时候需要将Hadoop平台分析后的数据导出(export)到关系数据库。

这里,我们介绍Sqoop完成上述基本应用场景所使用的import和export工具,通过一些简单的例子来说明这两个工具是如何做到的。

工具通用选项

import和export工具有些通用的选项,如下表所示:

选项 含义说明
--connect <jdbc-uri> 指定JDBC连接字符串
--connection-manager <class-name> 指定要使用的连接管理器类
--driver <class-name> 指定要使用的JDBC驱动类
--hadoop-mapred-home <dir> 指定$HADOOP_MAPRED_HOME路径
--help 打印用法帮助信息
--password-file 设置用于存放认证的密码信息文件的路径
-P 从控制台读取输入的密码
--password <password> 设置认证密码
--username <username> 设置认证用户名
--verbose 打印详细的运行信息
--connection-param-file <filename> 可选,指定存储数据库连接参数的属性文件

数据导入工具import

import工具,是将HDFS平台外部的结构化存储系统中的数据导入到Hadoop平台,便于后续分析。我们先看一下import工具的基本选项及其含义,如下表所示:

选项 含义说明
--append 将数据追加到HDFS上一个已存在的数据集上
--as-avrodatafile 将数据导入到Avro数据文件
--as-sequencefile 将数据导入到SequenceFile
--as-textfile 将数据导入到普通文本文件(默认)
--boundary-query <statement> 边界查询,用于创建分片(InputSplit)
--columns <col,col,col…> 从表中导出指定的一组列的数据
--delete-target-dir 如果指定目录存在,则先删除掉
--direct 使用直接导入模式(优化导入速度)
--direct-split-size <n> 分割输入stream的字节大小(在直接导入模式下)
--fetch-size <n> 从数据库中批量读取记录数
--inline-lob-limit <n> 设置内联的LOB对象的大小
-m,--num-mappers <n> 使用n个map任务并行导入数据
-e,--query <statement> 导入的查询语句
--split-by <column-name> 指定按照哪个列去分割数据
--table <table-name> 导入的源表表名
--target-dir <dir> 导入HDFS的目标路径
--warehouse-dir <dir> HDFS存放表的根路径
--where <where clause> 指定导出时所使用的查询条件
-z,--compress 启用压缩
--compression-codec <c> 指定Hadoop的codec方式(默认gzip)
--null-string <null-string> 果指定列为字符串类型,使用指定字符串替换值为null的该类列的值
--null-non-string <null-string> 如果指定列为非字符串类型,使用指定字符串替换值为null的该类列的值

下面,我们通过实例来说明,在实际中如何使用这些选项。

    • 将MySQL数据库中整个表数据导入到Hive表
1 bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-import  -- --default-character-set=utf-8

将MySQL数据库workflow中project表的数据导入到Hive表中。

    • 将MySQL数据库中多表JION后的数据导入到HDFS
1 bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn -P --query 'SELECT users.*, tags.tag FROM users JOIN tags ON (users.id = tags.user_id) WHERE $CONDITIONS' --split-by users.id --target-dir /hive/tag_db/user_tags  -- --default-character-set=utf-8

这里,使用了--query选项,不能同时与--table选项使用。而且,变量$CONDITIONS必须在WHERE语句之后,供Sqoop进程运行命令过程中使用。上面的--target-dir指向的其实就是Hive表存储的数据目录。

    • 将MySQL数据库中某个表的数据增量同步到Hive表
1 bin/sqoop job --create your-sync-job -- import --connect jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-import--incremental append --check-column id --last-value 1 -- --default-character-set=utf-8

这里,每次运行增量导入到Hive表之前,都要修改--last-value的值,否则Hive表中会出现重复记录。

    • 将MySQL数据库中某个表的几个字段的数据导入到Hive表
1 bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn --P --table tags --columns 'id,tag' --create-hive-table -target-dir /hive/tag_db/tags -m 1 --hive-table tags --hive-import -- --default-character-set=utf-8

我们这里将MySQL数据库workflow中tags表的id和tag字段的值导入到Hive表tag_db.tags。其中--create-hive-table选项会自动创建Hive表,--hive-import选项会将选择的指定列的数据导入到Hive表。如果在Hive中通过SHOW TABLES无法看到导入的表,可以在conf/hive-site.xml中显式修改如下配置选项:

1 <property>
2      <name>javax.jdo.option.ConnectionURL</name>
3      <value>jdbc:derby:;databaseName=hive_metastore_db;create=true</value>
4 </property>

然后再重新运行,就能看到了。

    • 使用验证配置选项
1 sqoop import --connect jdbc:mysql://db.foo.com/corp --table EMPLOYEES --validate --validator org.apache.sqoop.validation.RowCountValidator --validation-threshold org.apache.sqoop.validation.AbsoluteValidationThreshold --validation-failurehandler org.apache.sqoop.validation.AbortOnFailureHandler

上面这个是官方用户手册上给出的用法,我们在实际中还没用过这个,有感兴趣的可以验证尝试一下。

数据导出工具export

export工具,是将HDFS平台的数据,导出到外部的结构化存储系统中,可能会为一些应用系统提供数据支持。我们看一下export工具的基本选项及其含义,如下表所示:

选项 含义说明
--validate <class-name> 启用数据副本验证功能,仅支持单表拷贝,可以指定验证使用的实现类
--validation-threshold <class-name> 指定验证门限所使用的类
--direct 使用直接导出模式(优化速度)
--export-dir <dir> 导出过程中HDFS源路径
-m,--num-mappers <n> 使用n个map任务并行导出
--table <table-name> 导出的目的表名称
--call <stored-proc-name> 导出数据调用的指定存储过程名
--update-key <col-name> 更新参考的列名称,多个列名使用逗号分隔
--update-mode <mode> 指定更新策略,包括:updateonly(默认)、allowinsert
--input-null-string <null-string> 使用指定字符串,替换字符串类型值为null的列
--input-null-non-string <null-string> 使用指定字符串,替换非字符串类型值为null的列
--staging-table <staging-table-name> 在数据导出到数据库之前,数据临时存放的表名称
--clear-staging-table 清除工作区中临时存放的数据
--batch 使用批量模式导出

下面,我们通过实例来说明,在实际中如何使用这些选项。这里,我们主要结合一个实例,讲解如何将Hive中的数据导入到MySQL数据库。
首先,我们准备几个表,MySQL数据库为tag_db,里面有两个表,定义如下所示:

01 CREATE TABLE tag_db.users (
02   id INT(11) NOT NULL AUTO_INCREMENT,
03   name VARCHAR(100) NOT NULL,
04   PRIMARY KEY (`id`)
05 ) ENGINE=InnoDB DEFAULT CHARSET=utf8;
06  
07 CREATE TABLE tag_db.tags (
08   id INT(11) NOT NULL AUTO_INCREMENT,
09   user_id INT NOT NULL,
10   tag VARCHAR(100) NOT NULL,
11   PRIMARY KEY (`id`)
12 ) ENGINE=InnoDB DEFAULT CHARSET=utf8;

这两个表中存储的是基础数据,同时对应着Hive中如下两个表:

01 CREATE TABLE users (
02   id INT,
03   name STRING
04 );
05  
06 CREATE TABLE tags (
07   id INT,
08   user_id INT,
09   tag STRING
10 );

我们首先在上述MySQL的两个表中插入一些测试数据:

1 INSERT INTO tag_db.users(nameVALUES('jeffery');
2 INSERT INTO tag_db.users(nameVALUES('shirdrn');
3 INSERT INTO tag_db.users(nameVALUES('sulee');
4  
5 INSERT INTO tag_db.tags(user_id, tag) VALUES(1, 'Music');
6 INSERT INTO tag_db.tags(user_id, tag) VALUES(1, 'Programming');
7 INSERT INTO tag_db.tags(user_id, tag) VALUES(2, 'Travel');
8 INSERT INTO tag_db.tags(user_id, tag) VALUES(3, 'Sport');

然后,使用Sqoop的import工具,将MySQL两个表中的数据导入到Hive表,执行如下命令行:

1 bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/tag_db --table users --username shirdrn -P --hive-import -- --default-character-set=utf-8
2 bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/tag_db --table tags --username shirdrn -P --hive-import -- --default-character-set=utf-8

导入成功以后,再在Hive中创建一个用来存储users和tags关联后数据的表:

1 CREATE TABLE user_tags (
2   id STRING,
3   name STRING,
4   tag STRING
5 );

执行如下HQL语句,将关联数据插入user_tags表:

1 FROM users u JOIN tags t ON u.id=t.user_id INSERT INTO TABLE user_tags SELECT CONCAT(CAST(u.id ASSTRING), CAST(t.id AS STRING)), u.name, t.tag;

将users.id与tags.id拼接的字符串,作为新表的唯一字段id,name是用户名,tag是标签名称。
再在MySQL中创建一个对应的user_tags表,如下所示:

1 CREATE TABLE tag_db.user_tags (
2   id varchar(200) NOT NULL,
3   name varchar(100) NOT NULL,
4   tag varchar(100) NOT NULL
5 );

使用Sqoop的export工具,将Hive表user_tags的数据同步到MySQL表tag_db.user_tags中,执行如下命令行:

1 bin/sqoop export --connect jdbc:mysql://10.95.3.49:3306/tag_db --username shirdrn --P --table user_tags --export-dir /hive/user_tags --input-fields-terminated-by '\001' -- --default-character-set=utf-8

执行导出成功后,可以在MySQL的tag_db.user_tags表中看到对应的数据。
如果在导出的时候出现类似如下的错误:

01 14/02/27 17:59:06 INFO mapred.JobClient: Task Id : attempt_201402260008_0057_m_000001_0, Status : FAILED
02 java.io.IOException: Can't export data, please check task tracker logs
03      at org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:112)
04      at org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:39)
05      at org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:145)
06      at org.apache.sqoop.mapreduce.AutoProgressMapper.run(AutoProgressMapper.java:64)
07      at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:764)
08      at org.apache.hadoop.mapred.MapTask.run(MapTask.java:364)
09      at org.apache.hadoop.mapred.Child$4.run(Child.java:255)
10      at java.security.AccessController.doPrivileged(Native Method)
11      at javax.security.auth.Subject.doAs(Subject.java:396)
12      at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1190)
13      at org.apache.hadoop.mapred.Child.main(Child.java:249)
14 Caused by: java.util.NoSuchElementException
15      at java.util.AbstractList$Itr.next(AbstractList.java:350)
16      at user_tags.__loadFromFields(user_tags.java:225)
17      at user_tags.parse(user_tags.java:174)
18      at org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:83)
19      ... 10 more

通过指定字段分隔符选项--input-fields-terminated-by,指定Hive中表字段之间使用的分隔符,供Sqoop读取解析,就不会报错了。

参考链接

posted @ 2015-06-15 19:03  Athrun  阅读(527)  评论(0编辑  收藏  举报