大数据框架开发基础之Sqoop(1) 入门
Sqoop是一款开源的工具,主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递,可以将一个关系型数据库(例如 : MySQL ,Oracle ,Postgres等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。
Sqoop的基本认知
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。
安装
Sqoop的安装也很简单,首先我们需要有有一个Sqoop安装包,这个包老夫也提供了。
我们在如下目录中:
drwxr-xr-x 2 corp corp 4096 Dec 19 2017 bin
-rw-rw-r-- 1 corp corp 55089 Dec 19 2017 build.xml
-rw-rw-r-- 1 corp corp 47426 Dec 19 2017 CHANGELOG.txt
-rw-rw-r-- 1 corp corp 9880 Dec 19 2017 COMPILING.txt
drwxr-xr-x 2 corp corp 4096 Dec 19 2017 conf
drwxr-xr-x 5 corp corp 4096 Dec 19 2017 docs
drwxr-xr-x 2 corp corp 4096 Dec 19 2017 ivy
-rw-rw-r-- 1 corp corp 11163 Dec 19 2017 ivy.xml
drwxr-xr-x 2 corp corp 4096 Dec 19 2017 lib
-rw-rw-r-- 1 corp corp 15419 Dec 19 2017 LICENSE.txt
-rw-rw-r-- 1 corp corp 505 Dec 19 2017 NOTICE.txt
-rw-rw-r-- 1 corp corp 18772 Dec 19 2017 pom-old.xml
-rw-rw-r-- 1 corp corp 1096 Dec 19 2017 README.txt
-rw-rw-r-- 1 corp corp 1108073 Dec 19 2017 sqoop-1.4.7.jar
-rw-rw-r-- 1 corp corp 6554 Dec 19 2017 sqoop-patch-review.py
-rw-rw-r-- 1 corp corp 765184 Dec 19 2017 sqoop-test-1.4.7.jar
drwxr-xr-x 7 corp corp 4096 Dec 19 2017 src
drwxr-xr-x 4 corp corp 4096 Dec 19 2017 testdata
我们进入到 conf/ 目录下,先修改文件 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/apache-hive-1.2.1
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
export ZOOCFGDIR=/opt/module/zookeeper-3.4.10
export HBASE_HOME=/opt/module/hbase-1.1.2
再将我们的JDBC的驱动拷贝到 sqoop的 lib/ 下
cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.7/lib/
我们可以通过某一个command来验证sqoop配置是否正确:
bin/sqoop help
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 datasets from a mainframe server to HDFS
job Work with saved jobs
list-databases List available databases on a server
list-tables List available tables in a database
merge Merge results of incremental imports
metastore Run a standalone Sqoop metastore
version Display version information
测试Sqoop能否连接到MySQL
bin/sqoop list-databases --connect jdbc:mysql://hadoop101:3306/ --username root --password 000000
# 出现下面的标识连接成功了
information_schema
amon
azkaban
cm
corp-ci
hive
hue
metastore
mysql
oozie
performance_schema
telecom-customer-service
test
Sqoop的连接案例
导入数据
Note: 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
下面是老夫之前在数据库中就已经存在的数据,在140W+
全部导入
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--table telecom-customer-service \
--target-dir /user/telecom-customer-service \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
查询导入
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--target-dir /user/telecom-customer-service \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--query 'select call1,call2,date_time,duration from telecom-customer-service where id <=1 and $CONDITIONS;'
Note:
提示:must contain '$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。
导入指定列
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--target-dir /user/sun-iot \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,call1,calla_name,call2,call2_name,date_time,duration \
--table telecom-customer-service
删选关键字导入
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--target-dir /user/sun-iot \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table telecom-customer-service \
--where "id=1"
RDBMS到Hive
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--table telecom-customer-service \
--num-mappers 1 \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table sun_iot.telecom_customer_service
Note: 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/corp/表名
RDBMS到Hbase
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--table telecom-customer-service \
--columns "id,call1,call1_name,call2,call2_name,date_time,date_time_ts,duration" \
--column-family "info" \
--hbase-create-table \
--hbase-row-key "id,call1,call2" \
--hbase-table "telecom_customer_service" \
--num-mappers 1
导出
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。
bin/sqoop export \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--table telecom-customer-service \
--num-mappers 1 \
--export-dir /user/hive/warehouse/telecom-customer-service \
--input-fields-terminated-by "\t"
Sqoop一些常用命令及参数
常用命令列举
这里给大家列出来了一部分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 |
---|---|---|---|
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&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,让我们来一一列举说明。
首先来我们来介绍一下公用的参数,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URL |
2 | --connection-manager | 指定要使用的连接管理类 |
3 | --driver | Hadoop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 |
给字段值前加上指定的字符 |
2 | --escaped-by |
对字段中的双引号加转义符 |
3 | --fields-terminated-by |
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 |
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 |
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string |
5 | --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 |
公用参数介绍完之后,我们来按照命令介绍命令对应的特有参数。
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。
1) 命令:
如:导入数据到hive中
bin/sqoop import \
--connect jdbc:mysql://hadoop101:3306/sun-iot \
--username root \
--password 000000 \
--table staff \
--hive-import
如:增量导入数据到hive中,mode=append
bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3
尖叫提示: 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
# 先在mysql中建表并插入几条数据:
mysql> create table company.staff_timestamp(id int(4), name varchar(255), sex varchar(255), last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);
mysql> insert into company.staff_timestamp (id, name, sex) values(1, 'AAA', 'female');
mysql> insert into company.staff_timestamp (id, name, sex) values(2, 'BBB', 'female');
# 先导入一部分数据:
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--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://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff_timestamp \
--check-column last_modified \
--incremental lastmodified \
--last-value "2017-09-28 22:20:38" \
--m 1 \
--append
尖叫提示: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)
尖叫提示: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 |
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lastmodified |
23 | --last-value |
指定某一个值,用于标记增量导入的位置 |
命令&参数:export
从HDFS(包括Hive和HBase)中奖数据导出到关系型数据库中。
1) 命令:
如:
$ bin/sqoop export \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--export-dir /user/company \
--input-fields-terminated-by "\t" \
--num-mappers 1
2) 参数:
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 |
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。
如:
$ bin/sqoop codegen \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
序号 | 参数 | 说明 |
---|---|---|
1 | --bindir |
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 |
设定生成的Java文件指定的名称 |
3 | --outdir |
生成Java文件存放的路径 |
4 | --package-name |
包名,如com.z,就会生成com和z两级目录 |
5 | --input-null-non-string |
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 |
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 |
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 |
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 |
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 |
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 |
5.2.8 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。
命令:
如:
bin/sqoop create-hive-table \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--hive-table hive_staff
参数:
序号 | 参数 | 说明 |
---|---|---|
1 | --hive-home |
Hive的安装目录,可以通过该参数覆盖掉默认的Hive目录 |
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。
命令:
如:
bin/sqoop eval \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--query "SELECT * FROM staff"
参数:
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
命令:
如:
bin/sqoop import-all-tables \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--warehouse-dir /all_tables
参数:
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 |
|
6 | --inline-lob-limit |
|
7 | --m或—num-mappers |
|
8 | --warehouse-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。
命令:
如:
bin/sqoop job \
--create myjob -- import-all-tables \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000
$ bin/sqoop job \
--list
$ bin/sqoop job \
--exec myjob
尖叫提示: 注意import-all-tables和它左边的--之间有一个空格
尖叫提示: 如果需要连接metastore,则--meta-connect jdbc:hsqldb:hsql://linux01:16000/sqoop
参数:
序号 | 参数 | 说明 |
---|---|---|
1 | --create |
创建job参数 |
2 | --delete |
删除一个job |
3 | --exec |
执行一个job |
4 | --help | 显示job帮助 |
5 | --list | 显示job列表 |
6 | --meta-connect |
用来连接metastore服务 |
7 | --show |
显示一个job的信息 |
8 | --verbose | 打印命令运行时的详细信息 |
尖叫提示: 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
命令:
如:
bin/sqoop list-databases \
--connect jdbc:mysql://hadoop102:3306/ \
--username root \
--password 000000
参数:与公用参数一样
命令&参数:list-tables
命令:
如:
bin/sqoop list-tables \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000
参数:与公用参数一样
5.2.14 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
尖叫提示: 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:
如:
创建JavaBean:
$ bin/sqoop codegen \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--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
参数:
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 |
HDFS合并后,重复的部分在新的数据集中被覆盖 |
3 | --merge-key | |
合并键,一般是主键ID | ||
4 | --jar-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 |
对应的表名或对象名,该class类是包含在jar包中的 |
6 | --target-dir |
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。
命令:
如:启动sqoop的metastore服务
bin/sqoop metastore
参数:
序号 | 参数 | 说明 |
---|---|---|
1 | --shutdown | 关闭metastore |