Sqoop详解
Sqoop下载及安装
Sqoop目前有两大版本，Sqoop1和Sqoop2，这两个版本都是一直在维护者的，所以使用哪个版本都可以。
这两个版本我都用过，还是感觉Sqoop1用起来比较方便，使用Sqoop1的时候可以将具体的命令全部都写到脚本中，这样看起来是比较清晰的，但是有一个弊端，就是在操作MySQL的时候，MySQL数据库的用户名和密码会明文暴露在这些脚本中，不过一般也没有什么问题，因为在访问生产环境下的MySQL的时候，是需要申请权限的，就算你知道了MySQL的用户名和密码，但是你压根无法访问MySQL的那台机器，所以这样也是安全的，只要运维那边权限控制到位了就没问题。
sqoop2中引入了sqoop server(服务)，集中管理connector(连接)，而sqoop1只是客户端工具。
相对来说，Sqoop1更加简洁，轻量级。
下载地址，这里我们使用1.4.7版本。
Sqoop的安装部署很简单，因为Sqoop1只是一个客户端工具，直接解压，修改一下配置文件就行，不需要启动任何进程。
Sqoop在执行的时候底层会生成MapReduce任务，所以Sqoop需要部署在Hadoop客户端机器上，因为它是依赖于Hadoop的。
修改配置文件的名称
mv sqoop-env-template.sh sqoop-env.sh
将mysql的驱动jar包，添加到sqoop的lib目录下，因为我们需要使用Sqoop操作mysql
cp /root/test_hive/hive3.1.2/lib/mysql-connector-java-8.0.18.jar /root/test_sqoop/sqoop1.4.7/lib/
注意：使用hadoop 3.2.0版本的时候，需要在sqoop的lib目录下增加commons-lang2.6.jar
Sqoop参数
Sqoop通用参数：
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 万能帮助
--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
导入功能相关参数
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> 如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
导出功能相关参数
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
数据导入
数据导入可以分为全表导入和查询导入
全表导入
直接把一个表中的所有数据全部导入到HDFS里面，需要提前配置HADOOP_HOME的环境变量
sqoop import \
--connect jdbc:mysql://ip:port/mall?serverTimezone=UTC \
--username root \
--password xxx \
--table order_item \
--target-dir /sqoop-out1 \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by ','
注意：如果表中没有主键则会报错(因为mapper数默认是4，需要分4个Task。但是info表又没有主键，MapReduce不知道以哪个字段为准来分Task。)
解决办法有三种：
- 可以选择在表中设置主键，默认根据主键字段分task
- 使用–num-mappers 1 ，表示将map任务个数设置为1，sqoop默认是4
- 使用–split-by ，后面跟上一个数字类型的列，会根据这个列分task
查询导入
使用sql语句查询表中满足条件的数据导入到HDFS里面
注意：在使用–query指定sql的时候，则必须包含$CONDITIONS
sqoop import \
--connect jdbc:mysql://ip:port/mall?serverTimezone=UTC \
--username root \
--password xxx \
--target-dir /sqoop-out2 \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by ',' \
--query 'select order_id, goods_id, goods_amount, curr_price from order_item where order_id > 1 and $CONDITIONS;'
注意：–query和–table不能同时指定
问题：sqoop在导入数据的时候针对空值如何处理？
默认情况下MySQL中的null值(无论字段类型是字符串类型还是数字类型)，使用Sqoop导入到HDFS文件中之后，都会显示为字符串null。针对字符串null类型：通过 --null-string '*' 来指定，单引号中指定一个字符即可，这个字符不能是 -- ，因为 -- 是保留关键字
针对非字符串的null类型：通过 --null-non-string '=' 来指定，单引号中指定一个字符即可，这个字符不能是 -- ，因为 -- 是保留关键字
这两个参数可以同时设置，这样在导入数据的时候，针对空值字段，会替换为指定的内容。
例如：可以使用 \N ，因为我们把数据导入到HDFS之后，最终是希望在Hive中查询的，Hive中针对NULL值在底层是使用 \N 存储的。
当然了，我们也可以选择给NULL值指定一个默认的其它字符。
数据导出
从HDFS导出到MySQL，将刚才导入到HDFS中的数据再导出来。
sqoop export \
--connect jdbc:mysql://ip:port/mall?serverTimezone=UTC \
--username root \
--password xxx \
--table order_item \
--export-dir /sqoop-out2 \
--input-fields-terminated-by ','
注意：这里–table指定的表名需要提前创建，sqoop不会自动创建此表。
在导出的时候可以实现插入和更新功能
如果存在就更新，不存在就插入，如果不指定这两个参数，mysql主键冲突时，导出会报错
--update-key order_id,goods_id
--update-mode allowinsert
注意：此时表中必须有一个主键字段
