Sqoop学习及使用
Sqoop
简介
Sql + Hadoop = Sqoop
Apache Sqoop™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
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中主要是针对InputFormat和outputformat进行定制。
安装
安装之前保证jvm和Hadoop的环境安装完毕
1.下载解压压缩包
2.修改配置文件 conf目录下
1)重命名配置文件
$ mv sqoop-env-template.sh sqoop-env.sh
$ mv sqoop-site-template.xml sqoop-site.xml
2) 修改配置文件
sqoop-env.sh
export HADOOP_COMMON_HOME=/home/admin/modules/hadoop-2.7.2
export HADOOP_MAPRED_HOME=/home/admin/modules/hadoop-2.7.2
export HIVE_HOME=/home/admin/modules/apache-hive-1.2.2-bin
export ZOOKEEPER_HOME=/home/admin/modules/zookeeper-3.4.5
export ZOOCFGDIR=/home/admin/modules/zookeeper-3.4.5
3.拷贝JDBC驱动到Sqoop的lib目录下
4.验证是否成功
$ bin/sqoop help
5.测试是否可以连接MySql数据库
$ bin/sqoop list-databases --connect jdbc:mysql://hadoop132:3306/ --username root --password root
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。使用import关键字
RDBMS到HDFS
1.开启Mysql服务
2.创建Mysql表,并插入数据
$ mysql -uroot -proot
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://hadoop132:3306/company \
--username root \
--password root \
--table staff \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
(2)查询导入(导入指定条件的数据)
$ bin/sqoop import \
--connect jdbc:mysql://hadoop132:3306/company \
--username root \
--password 123456 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--query 'select name,sex from staff where id <=1 and $CONDITIONS;'
注意:$CONDITIONS 必须存在where子句中
如果query后使用的双引号,则$CONDITIONS前必须加转义符,方式shell识别为自己的变量
--query选项不能同时与--table选项使用
(3)导入指定的列
$ bin/sqoop import \
--connect jdbc:mysql://hadoop132:3306/company \
--username root \
--password 123456 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,sex \
--table staff
注意:column中如果涉及到多列,用逗号隔开,分割时不要添加空格
(4)使用Sqoop关键字筛选查询导入数据
$ bin/sqoop import \
--connect jdbc:mysql://hadoop132:3306/company \
--username root \
--password 123456 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table staff \
--where "id=1"
注意: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,多个参数使用空格隔开
RDBMS到hive
$ bin/sqoop import \
--connect jdbc:mysql://hadoop132:3306/company \
--username root \
--password root \
--table staff \
--num-mappers 1 \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table staff_hive
注意:该过程分为两步,第一步将数据导入到HDFS中,第二步将导入的HDFS中的数据迁移到Hive仓库中
第一步默认的路径是:/user/${username}/${tablename}
导出数据
在Sqoop中,“导出”概念是指: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://hadoop132:3306/company \
--username root \
--password root \
--table staff \
--num-mappers 1 \
--export-dir /user/hive/warehouse/staff_hive \
--input-fields-terminated-by "\t"
如果Mysql中的表不存在,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://linux01:3306/company
--username root
--password 123456
--table staff
--num-mappers 1
--export-dir /user/hive/warehouse/staff_hive
--input-fields-terminated-by "\t"
3.执行脚本
$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt
常用命令及参数
常用命令列举
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 |
命令及参数详解
公用参数:数据库连接
序号 | 命令 | 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 | JDBC 的 driver class |
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 | 命令 | 说明 |
---|---|---|
1 | –enclosed-by <char> | 给字段值前后加上指定的字符 |
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。 |
公用参数:export
序号 | 命令 | 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 |
公用参数:hive
序号 | 命令 | 说明 |
---|---|---|
1 | –hive-delims-replacement<arg> | 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 <map> | 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string |
5 | –hive-partition-value | 导入数据时,指定某个分区的值 |
6 | –hive-home <dir> | 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 |
命令& 参数 import
将关系型数据库中的数据导入到 HDFS(包括 Hive,HBase)中,如果导入的是 Hive,那么
当 Hive 中没有对应表时,则自动创建
- 命令
如:导入数据到 hive 中
$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-import
如:增量导入数据到 hive 中,mode=append
append 导入:
$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3
append 不能与--hive-等参数同时使用(Append mode for hive imports is not yet
supported. Please remove the parameter --append-mode)
如:增量导入数据到 hdfs 中,mode=lastmodified
先导入一部分数据:
$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--delete-target-dir \
--m 1
再增量导入一部分数据:
mysql> insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');
$ bin/sqoop import \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--check-column last_modified \
--incremental lastmodified \
--last-value "2017-09-28 22:20:38" \
--m 1 \
--append
使用 lastmodified 方式导入数据要指定增量数据是要--append(追加)还是要
--merge-key(合并)
last-value 指定的值是会包含于增量导入的数据中
2)参数:
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 <statement> | 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 <statement> | 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 <column-name> | 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 <table-name> | 关系数据库的表名 |
14 | –target-dir <dir> | 指定 HDFS 路径 |
15 | –warehouse-dir <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 codecdefault gzip) |
19 | –null-string <null-string> | string 类型的列如果 null,替换为指定字符串 |
20 | –null-non-string <null-string> | 非 string 类型的列如果 null,替换为指定字符串 |
21 | –check-column <col> | 作为增量导入判断的列名 |
22 | –incremental <mode> | mode:append 或 lastmodified |
23 | –last-value <value> | 指定某一个值,用于标记增量导入的位置 |
命令和参数:export
从 HDFS(包括 Hive 和 HBase)中奖数据导出到关系型数据库中
$ bin/sqoop export \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--export-dir /user/company \
--input-fields-terminated-by "\t" \
--num-mappers 1
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 <dir> | 存放数据的 HDFS 的源目录 |
3 | -m或–num-mappers <n> | 启动 N 个 map 来并行导入数据,默认 4 个 |
4 | –table | <table-name> |
5 | –update-key <col-name> | 对某一列的字段进行更新操作 |
6 | –update-mode <mode> | updateonly allowinsert(默认) |
7 | –input-null-string <null-string> | 请参考 import 该类似参数说明 |
8 | –input-null-non-string <null-string> | 请参考 import 该类似参数说明 |
9 | –staging-table <staging-table-name> | 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 |
命令& 参数:codegen
将关系型数据库中的表映射为一个 Java 类,在该类中有各列对应的各个字段。
$ bin/sqoop codegen \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
序号 | 参数 | 说明 |
---|---|---|
1 | –bindir <dir> | 指定生成的 Java 文件、编译成的 class 文件及将生成文件打包为 jar 的文件输出路径 |
2 | –class-name <name> | 设定生成的 Java 文件指定的名称 |
3 | –outdir <dir> | 生成 Java 文件存放的路径 |
4 | –package-name <name> | 包名,如com.z,就会生成com和 z 两级目录 |
5 | –input-null-non-string <null-str> | 在生成的 Java 文件中,可以将 null 字符串或者不存在的字符串设置为想要设定的值(例如空字符串) |
6 | –input-null-string <null-str> | 将 null 字符串替换成想要替换的值(一般与 5 同时使用) |
7 | –map-column-java <arg> | 数据库字段在生成的 Java 文件中会映射成各种属性,且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型,例如:–map-column-java id=long,name=String |
8 | –null-non-string <null-str> | 在生成 Java 文件时,可以将不存在或者 null 的字符串设置为其他值 |
9 | –null-string <null-str> | 在生成 Java 文件时,将 null字符串设置为其他值(一般与8 同时使用) |
10 | –table <table-name> | 对应关系数据库中的表名,生成的 Java 文件中的各个属性与该表的各个字段一一对应 |
命令& 参数:create-hive-table
生成与关系数据库表结构对应的 hive 表结构
$ bin/sqoop create-hive-table \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-table hive_staff
序号 | 参数 | 说明 |
---|---|---|
1 | –hive-home |
|
2 | –hive-overwrite | 覆盖掉在 Hive 表中已经存在的数据 |
3 | –create-hive-table | 默认是 false,如果目标表已经存在了,那么创建任务会失败 |
4 | –hive-table | 后面接要创建的 hive 表 |
5 | –table | 指定关系数据库的表名 |
命令& 参数:eval
可以快速的使用 SQL 语句对关系型数据库进行操作,经常用于在 import 数据之前,了解一
下 SQL 语句是否正确,数据是否正常,并可以将结果显示在控制台。
$ bin/sqoop eval \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--query "SELECT * FROM staff"
序号 | 参数 | 说明 |
---|---|---|
1 | –query 或–e | 后跟查询的 SQL 语句 |
命令& 参数:import-all-tables
可以将 RDBMS 中的所有表导入到 HDFS 中,每一个表都对应一个 HDFS 目录
$ bin/sqoop import-all-tables \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--warehouse-dir /all_tables
序号 | 参数 | 说明 |
---|---|---|
1 | –as-avrodatafile | 这些参数的含义均和 import对应的含义一致 |
2 | –as-sequencefile | |
3 | –as-textfile | |
4 | –direct | |
5 | –direct-split-size <n> | |
6 | –inline-lob-limit <n> | |
7 | –m或—num-mappers <n> | |
8 | –warehouse-dir <dir> | |
9 | -z 或–compress | |
10 | –compression-codec |
命令& 参数:job
用来生成一个 sqoop 任务,生成后不会立即执行,需要手动执行
$ bin/sqoop job \
--create myjob -- import-all-tables \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456
$ bin/sqoop job \
--list
$ bin/sqoop job \
--exec myjob
注意 import-all-tables 和它左边的--之间有一个空格
如果需要连接 metastore,则--meta-connect jdbc:hsqldb:hsql://linux01:16000/sqoop
序号 | 参数 | 说明 |
---|---|---|
1 | –create <job-id> | 创建 job 参数 |
2 | –delete <job-id> | 删除一个 job |
3 | –exec <job-id> | 执行一个 job |
4 | –help | 显示 job 帮助 |
5 | –list | 显示 job 列表 |
6 | –meta-connect <jdbc-uri> | 用来连接 metastore 服务 |
7 | –show <job-id> | 显示一个 job 的信息 |
8 | –verbose | 打印命令运行时的详细信息 |
在执行一个 job 时,如果需要手动输入数据库密码,可以做如下优化
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
<description>If true, allow saved passwords in the metastore.</description>
</property>
命令& 参数:list-databases
$ bin/sqoop list-databases \
--connect jdbc:mysql://linux01:3306/ \
--username root \
--password 123456
命令& 参数:list-tables
$ bin/sqoop list-tables \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456
命令& 参数:merge
将 HDFS 中不同目录下面的数据合并在一起并放入指定目录中
数据环境:
new_staff
1 AAA male
2 BBB male
3 CCC male
4 DDD male
old_staff
1 AAA female
2 CCC female
3 BBB female
6 DDD female
上边数据的列之间的分隔符应该为\t,行与行之间的分割符为\n,如果直接复制,请检查之。
命令:
创建 JavaBean:
$ bin/sqoop codegen \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
开始合并:
$ bin/sqoop merge \
--new-data /test/new/ \
--onto /test/old/ \
--target-dir /test/merged \
--jar-file /home/admin/Desktop/staff/Staff.jar \
--class-name Staff \
--merge-key id
结果:
1 AAA MALE
2 BBB MALE
3 CCC MALE
4 DDD MALE
6 DDD FEMALE
序号 | 参数 | 说明 |
---|---|---|
1 | –new-data 、 |
HDFS 待合并的数据目录,合并后在新的数据集中保留 |
2 | –onto <path> | HDFS 合并后,重复的部分在新的数据集中被覆盖 |
3 | –merge-key <col> | 合并键,一般是主键 ID |
4 | –jar-file <file> | 合并时引入的 jar 包,该 jar包是通过 Codegen 工具生成的 jar 包 |
5 | –class-name <class> | 对应的表名或对象名,该class 类是包含在 jar 包中的 |
6 | –target-dir <path> | 合并后的数据在 HDFS 里存放的目录 |
命令& 参数:metastore
记录了 Sqoop job 的元数据信息,如果不启动该服务,那么默认 job 元数据的存储目录为
~/.sqoop,可在 sqoop-site.xml 中修改。
启动 sqoop 的 metastore 服务
$ bin/sqoop metastore
序号 | 参数 | 说明 |
---|---|---|
1 | –shutdown | 关闭 metastore |
本博客仅为博主学习总结,感谢各大网络平台的资料。蟹蟹!!