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:
- 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。
- 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:
2 |
< name >javax.jdo.option.ConnectionURL</ name > |
3 |
< value >jdbc:derby:;databaseName=hive_metastore_db;create=true</ value > |
然后再重新运行,就能看到了。
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 , |
05 |
) ENGINE=InnoDB DEFAULT CHARSET=utf8; |
07 |
CREATE TABLE tag_db.tags ( |
08 |
id INT (11) NOT NULL AUTO_INCREMENT, |
10 |
tag VARCHAR (100) NOT NULL , |
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:
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( name ) VALUES ( 'jeffery' ); |
2 |
INSERT INTO tag_db.users( name ) VALUES ( 'shirdrn' ); |
3 |
INSERT INTO tag_db.users( name ) VALUES ( 'sulee' ); |
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:
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 ( |
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 AS STRING), 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 |
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) |
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