数据库和HDFS之间的搬运工：Sqoop

sqoop简介

sqoop是一款开源的工具，主要用于在hadoop和与传统的数据库之间进行的数据的传递，可以将一个关系型数据库中的数据导入到hadoop的hdfs中，也可以将hdfs的数据导入到关系型数据库中。sqoop的命名由来就是sql to hadoop，它的原理就是将导入或者导出命令翻译成MapReduce来实现，在翻译出的MapReduce中对inputformat和outputformat进行定制。

sqoop安装

安装sqoop首先要安装java和hadoop，当然我这里已经安装好了，大数据组件的安装很简单，可以参考我的其他博客。然后我们安装sqoop，这里我采用的是1.4.5版本的，目前sqoop有2.x版本，但是建议使用1.x。另外我使用的是cdh版本的，其实不光是sqoop，基本上所有大数据组件，个人学习的话，都建议使用cdh版本，会自动帮你规避掉很多问题。下载地址：http://archive.cloudera.com/cdh5/cdh/5/，可以去里面找任意的大数据组件。

我这里已经安装好了，我们来看一下目录结构

我们看到这和其他大数据组件的目录结构是类似的，都是里面带一个bin目录，当然hadoop还有sbin，如果只有bin没有sbin，那么可以认为是把sbin目录的内容合并到bin目录里面去了。然后是conf，配置文件存放的目录，docs是文档，lib则是一些jar包等等。

修改配置文件

cd到conf目录下，修改配置文件。

首先修改sqoop-env.sh，但是我们发现没有这个配置文件，不过有一个template，所以要cp一份，然后将其他组件的HOME目录配进去

如果没有的话就不需要配，比如我这里没有hbase，所以就不配了。配置哪些就支持哪些，不配的话也不影响其他功能的使用，只是在启动的时候会弹出一些警告。另外我们一会儿会通过sqoop导入导出mysql的数据，所以需要一个mysql的驱动包，这里直接去菜鸟教程里面下载即可，然后丢到lib目录里面即可。

我们可以通过一个命令查看，配置是否正确

出现如下，说明配置成功。我们看到上面有一些警告，告诉我们有些东西没有配置，不过不影响我们其他功能的使用。

下面我们来连接一下mysql，注意：我们只是丢了一个mysql的驱动包进去，但是没有进行相关的配置，这就意味着我们需要在连接的时候指定。先来看看我的mysql能不能启动

看到是可以连接的，下面我们来使用sqoop连接一下。

命令：sqoop list-databases --connect jdbc:mysql://localhost:3306/ --username root --password 123456

我们看到mysql的数据库信息被打印了出来，证明连接成功

导入数据

在sqoop中，导入和导出的概念比较绝对。从非大数据集群(比如：RDBMS,关系型数据库)向大数据集群(hadoop,hive,hbase)中传输数据，叫做导入。相反叫做导出。

从RDBMS到HDFS

我们在mysql中创建一张表，然后写入一些数据，使用sqoop导入到hdfs中。

创建db数据库，在db数据库中创建一张girl表，然后写入了6条数据。

然后我们就可以导入数据了，注意：导入是专门指从数据库到hdfs，反过来的话叫做导出。导入有以下几种方式：

全部导入

在linux中如果命令比较长，但是你又想换行执行，那么只需要在结尾加一个\即可
为什么要说这个，因为我们这里的命令就比较长

sqoop import \
--connect jdbc:mysql://localhost:3306/db \
--username root \
--password 密码 \
--table girl \
--target-dir /user/db \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"

解释：
sqoop import，表示导入，如果是从hdfs到mysql呢？对叫导出，是export
--connect，还是jdbc驱动连接，不同的是这次我们指定了数据库
--username 用户名
--password 密码
--table 导mysql的哪张表
--target-dir 导入到hdfs那个目录下，没有会创建
--delete-target-dir 如果--target-dir指定的目录存在，则删除，生产上这个选项不要加，存不存在可以实现校验一下
--num-mappers mapper运行计算数量
--fields-terminated-by 分隔符

下面我们就来试一下。

此时我的hdfs上面目前只有一个tmp目录，我们执行之后看看会不会多出一个/user目录

截取一部分，显然命令执行成功了。我们来看一下hdfs目录

多了一个user目录，当然点进去还有个db目录，再进去就能看到文件了，还可以下载。

查询导入

我们上面的全部导入是把整张表都导入进去了，而显然查询导入是用来指定被导入的记录的。

sqoop import \
--connect jdbc:mysql://localhost:3306/db \
--username root \
--password 密码 \
--target-dir /user/db \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--query 'select id, name, age, gender from girl where id <=3 and $CONDITIONS'

我们发现可以最后面指定一个--query，也就是查询语句，要查询的指定记录插入到hdfs中
而且我们还看到--table已经没有了，因为--query中已经指定了
但是查询语句的where中有一个$CONDITIONS，这是干什么的
我们注意一下这个--num-mappers参数，如果记录比较多的话，我们会指定多个mappers
但是我们希望从mysql导入到hdfs中，顺序是保持一致的。所以sqoop要求是加上这个$CONDITIONS的，否则报错

导入成功

导入指定列

其实这个导入指定列，通过上面的查询导入是完全可以实现的，只不过sqoop也单独支持了另外的方式来导入列。

sqoop import \
--connect jdbc:mysql://localhost:3306/db \
--username root \
--password zgghyys123 \
--target-dir /user/db \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,name \
--table girl

如果指定了--xxx，那么顺序是无所谓的，但如果不指定，则必须按照指定的顺序，这个指定的顺序可以去sqoop官网去查
但是个人建议还是指定一下，这样不会因为顺序的问题而出错
另外指定列的时候，多个列之间使用逗号分割，并且逗号前后不能有空格

指定条件导入

sqoop import \
--connect jdbc:mysql://localhost:3306/db \
--username root \
--password 密码 \
--target-dir /user/db \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,name \
--table girl
--where "id=1"

只导入id=1的，我们发现条件可以单独写在--where里面，其实--query可以看做是--columns和--where的组合
但是一旦指定了--columns、--where就不可以再指定--query了，会报错的，因为冲突了

从RBDMS到HIVE

sqoop import \
--connect jdbc:mysql://localhost:3306/db \
--username root \
--password 密码 \
--table girl \
--num-mappers 1 \
--fields-terminated-by "\t" \
--hive-import \
--hive-overwrite \
--hive-table hive_girl

解释
--hive-import 其实到hive里面分为两步，第一步还是导入到hdfs，然后迁移到hive
--hive-overwrite，覆盖
--hive-table 导入到hive的哪张表

我们注意到：此时hive里面是没有任何表的。然后我们执行上面的命令,但是却报错了，我们定位一下

显示我们没有正确设置HIVE_CONF_DIR，显然这是不存在的。解决的办法是：将$HIVE_HOME/lib/hive-exec-**.jar拷贝到sqoop的lib目录里面去。

然后重新执行

执行成功，而且显示的信息分为两步，一个是导入hdfs，然后是迁移到hive。下面看看表有没有被创建

我们看到表已经被创建了，而且记录也是一样的

导出数据

导出数据，从hdfs/hive导入到RDBMS中，sqoop不支持直接从hbase导入到RDBMS，但是支持hdfs和hive，而且导出hdfs和导出hive没有什么区别

sqoop export \
--connect jdbc:mysql://localhost:3306/db \
--username root \
--password 密码 \
--table girl \
--num-mappers 1 \
--export-dir /user/hive/warehouse/hive_girl \
--input-fields-terminated-by "\t"

解释
export 导出
--table 原来是从哪张表导入，现在是导出到哪张表，这里是导出到girl这张表
--export-dir hdfs的路径，将那个文件导入到mysql
--input-fields-terminated-by 指定分隔符，原来的数据是什么分隔的，就指定什么

另外如果表不存在，则不会自动创建表