大数据Sqoop快速入门

1 Apache Sqoop

1.1 sqoop 介绍

Apache Sqoop 是在 Hadoop 生态体系和 RDBMS 体系之间传送数据的一种工具。来自于 Apache 软件基金会提供。

Sqoop 工作机制是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。

Hadoop 生态系统包括：HDFS、Hive、Hbase 等
RDBMS 体系包括：Mysql、Oracle、DB2 等
Sqoop 可以理解为：“SQL 到 Hadoop 和 Hadoop 到 SQL”。

站在 Apache 立场看待数据流转问题，可以分为数据的导入导出:
Import：数据导入。RDBMS----->Hadoop hadoop就是自己家，整个生态体系
Export：数据导出。Hadoop---->RDBMS

2． sqoop 安装
安装 sqoop 的前提是已经具备 java 和 hadoop 的环境。
最新稳定版： 1.4.6
配置文件修改：

cd $SQOOP_HOME/conf
mv sqoop-env-template.sh sqoop-env.sh
vi sqoop-env.sh

创建这些hadoop生态体系这些位置:

export HADOOP_COMMON_HOME= /export/servers/hadoop-2.7.5
export HADOOP_MAPRED_HOME= /export/servers/hadoop-2.7.5\
export HIVE_HOME= /export/servers/hive

加入 mysql 的 jdbc 驱动包

cp /hive/lib/mysql-connector-java-5.1.32.jar $SQOOP_HOME/lib/

验证启动

bin/sqoop list-databases \
--connect jdbc:mysql://localhost:3306/ \
--username root --password hadoop

本命令会列出所有 mysql 的数据库。
到这里，整个 Sqoop 安装工作完成。

2 Sqoop 导入

“导入工具”导入单个表从 RDBMS 到 HDFS。表中的每一行被视为 HDFS 的记录。所有记录都存储为文本文件的文本数据
下面的语法用于将数据导入 HDFS。

$ sqoop import (generic-args) (import-args)

Sqoop 测试表数据
在 mysql 中创建数据库 userdb，然后执行参考资料中的 sql 脚本：
创建三张表: emp 雇员表、 emp_add 雇员地址表、emp_conn 雇员联系表。

2.1 全量导入 mysql 表数据到 HDFS

下面的命令用于从 MySQL 数据库服务器中的 emp 表导入 HDFS。

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--delete-target-dir \
--target-dir /sqoopresult \
--table emp 
--m 1

其中--target-dir 可以用来指定导出数据存放至 HDFS 的目录；
mysql jdbc url 请使用ip 地址。
为了验证在 HDFS 导入的数据，请使用以下命令查看导入的数据：
hdfs dfs -cat /sqoopresult/part-m-00000
可以看出它会在 HDFS 上默认用逗号,分隔 emp 表的数据和字段。可以通过--fields-terminated-by '\t'来指定分隔符。
-m:表明需要使用几个map任务并发执行

1201,gopal,manager,50000,TP
1202,manisha,Proof reader,50000,TP
1203,khalil,php dev,30000,AC
1204,prasanth,php dev,30000,AC
1205,kranthi,admin,20000,TP

2.2 全量导入 mysql 表数据到 HIVE

在这里插入图片描述

2.2.1 方式一：先复制表结构到 hive 中再导入数据

肯定是先有表才可以导入数据

将关系型数据的表结构复制到 hive 中

bin/sqoop create-hive-table \
--connect jdbc:mysql://node-1:3306/sqoopdb \
--table emp_add \
--username root \
--password hadoop \
--hive-table test.emp_add_sp

其中：
–table emp_add 为 mysql 中的数据库 sqoopdb 中的表。
–hive-table emp_add_sp 为 hive 中新建的表名称。
从关系数据库导入文件到 hive 中

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/sqoopdb \
--username root \
--password hadoop \
--table emp_add \
--hive-table test.emp_add_sp \
--hive-import \
--m 1

2.2.2 方式二：直接复制表结构数据到 hive 中

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--table emp_conn \
--hive-import \ --m 1 \
--hive-database test;

2.3 导入表数据子集(where 过滤)

–where 可以指定从关系数据库导入数据时的查询条件。它执行在数据库服
务器相应的 SQL 查询，并将结果存储在 HDFS 的目标目录。

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/sqoopdb \
--username root \
--password hadoop \
--where "city ='sec-bad'" \
--target-dir /wherequery \
--table emp_add --m 1

2.4 导入表数据子集(query 查询)

注意事项：
使用 query sql 语句来进行查找不能加参数--table;
并且必须要添加 where 条件;
并且 where 条件后面必须带一个$CONDITIONS 这个字符串;
并且这个sql 语句必须用单引号，不能用双引号;

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--target-dir /wherequery12 \
--query 'select id,name,deg from emp WHERE id>1203 and $CONDITIONS' \
--split-by id \
--fields-terminated-by '\t' \
--m 2

sqoop 命令中，–split-by id 通常配合-m 10 参数使用。用于指定根据哪
个字段进行划分并启动多少个 maptask。

2.5 增量导入

在实际工作当中，数据的导入，很多时候都是只需要导入增量数据即可，并不需要将表中的数据每次都全部导入到 hive 或者 hdfs 当中去，这样会造成数据重复的问题。因此一般都是选用一些字段进行增量的导入， sqoop 支持增量的
导入数据。
增量导入是仅导入新添加的表中的行的技术。
–check-column (col)
用来指定一些列，这些列在增量导入时用来检查这些数据是否作为增量数据
进行导入，和关系型数据库中的自增字段及时间戳类似。
注意:这些被指定的列的类型不能使任意字符类型，如 char、varchar 等类
型都是不可以的，同时-- check-column 可以去指定多个列。
–incremental (mode)
append：追加，比如对大于 last-value 指定的值之后的记录进行追加导入。
lastmodified：最后的修改时间，追加 last-value 指定的日期之后的记录
–last-value (value)
指定自从上次导入后列的最大值（大于该指定的值），也可以自己设定某一值

2.5.1 Append 模式增量导入

执行以下指令先将我们之前的数据导入：

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--target-dir /appendresult \
--table emp --m 1

使用 hadoop fs -cat 查看生成的数据文件，发现数据已经导入到 hdfs 中。
然后在 mysql 的 emp 中插入 2 条增量数据:

insert into `userdb`.`emp` (`id`, `name`, `deg`, `salary`, `dept`) values ('1206', 'allen', 
'admin', '30000', 'tp');
insert into `userdb`.`emp` (`id`, `name`, `deg`, `salary`, `dept`) values ('1207', 'woon', 
'admin', '40000', 'tp');

执行如下的指令，实现增量的导入:

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root --password hadoop \
--table emp --m 1 \
--target-dir /appendresult \
--incremental append \
--check-column id \
--last-value 1205

--last-value 1205最后确定的id,之后向后进行同步

最后验证导入数据目录可以发现多了一个文件里面就是增量数据

2.5.2 Lastmodified 模式增量导入

首先创建一个 customer 表，指定一个时间戳字段：

create table customertest(id int,name varchar(20),last_mod 
timestamp default current_timestamp on update current_timestamp);
此处的时间戳设置为在数据的产生和更新时都会发生改变.  分别插入如下记录:
insert into customertest(id,name) values(1,'neil');
insert into customertest(id,name) values(2,'jack');
insert into customertest(id,name) values(3,'martin');
insert into customertest(id,name) values(4,'tony');
insert into customertest(id,name) values(5,'eric');

执行 sqoop 指令将数据全部导入 hdfs:

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--target-dir /lastmodifiedresult \
--table customertest --m 1

查看此时导出的结果数据：
再次插入一条数据进入 customertest 表
insert into customertest(id,name) values(6,'james')
使用 incremental 的方式进行增量的导入:

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--table customertest \
--target-dir /lastmodifiedresult \
--check-column last_mod \
--incremental lastmodified \
--last-value "2019-05-28 18:42:06" \
--m 1 \
--append

此处已经会导入我们最后插入的一条记录,但是我们却发现此处插入了2 条数据，这是为什么呢？
这是因为采用 lastmodified 模式去处理增量时，会将大于等于 last-value 值的数据当做增量插入。

2.5.3 Lastmodified 模式:append、merge-key

使用 lastmodified 模式进行增量处理要指定增量数据是以 append 模式(附加)还是 merge-key(合并)模式添加
下面演示使用 merge-by 的模式进行增量更新,我们去更新 id 为 1 的 name
字段。
update customertest set name = ‘Neil’ where id = 1;
更新之后，这条数据的时间戳会更新为更新数据时的系统时间.
执行如下指令，把 id 字段作为 merge-key:

bin/sqoop import \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--table customertest \
--target-dir /lastmodifiedresult \
--check-column last_mod \
--incremental lastmodified \
--last-value "2019-05-28 18:42:06" \
--m 1 \
--merge-key id

由于 merge-key 模式是进行了一次完整的 mapreduce 操作，
因此最终我们在 lastmodifiedresult 文件夹下可以看到生成的为part-r-00000 这样的文件，会发现 id=1 的 name 已经得到修改，同时新增了id=6 的数据。

3 Sqoop 导出

将数据从 Hadoop 生态体系导出到 RDBMS 数据库导出前，目标表必须存在于
目标数据库中。
export 有三种模式：
默认操作是从将文件中的数据使用 INSERT 语句插入到表中。
更新模式：Sqoop 将生成 UPDATE 替换数据库中现有记录的语句。
调用模式：Sqoop 将为每条记录创建一个存储过程调用。
以下是 export 命令语法：
$ sqoop export (generic-args) (export-args)

3.1 默认模式导出 HDFS 数据到 mysql

默认情况下，sqoop export 将每行输入记录转换成一条 INSERT 语句，添加到目标数据库表中。如果数据库中的表具有约束条件（例如，其值必须唯一的主键列）并且已有数据存在，则必须注意避免插入违反这些约束条件的记录。如果INSERT 语句失败，导出过程将失败。此模式主要用于将记录导出到可以接收这些结果的空表中。通常用于全表数据导出。
导出时可以是将 Hive 表中的全部记录或者 HDFS 数据（可以是全部字段也可以部分字段）导出到 Mysql 目标表。

3.1.1 准备 HDFS 数据

在 HDFS 文件系统中“/emp/”目录的下创建一个文件 emp_data.txt：

1201,gopal,manager,50000,TP
1202,manisha,preader,50000,TP
1203,kalil,php dev,30000,AC
1204,prasanth,php dev,30000,AC
1205,kranthi,admin,20000,TP
1206,satishp,grpdes,20000,GR

3.1.2 手动创建 mysql 中的目标表

mysql> USE userdb;
mysql> CREATE TABLE employee ( 
 id INT NOT NULL PRIMARY KEY, 
 name VARCHAR(20), 
 deg VARCHAR(20),
 salary INT,
 dept VARCHAR(10));

3.1.3 执行导出命令

bin/sqoop export \
--connect jdbc:mysql://node-1:3306/userdb \
--username root \
--password hadoop \
--table employee \
--export-dir /emp/emp_data

3.1.4 相关配置参数

--input-fields-terminated-by '\t'
指定文件中的分隔符
--columns
选择列并控制它们的排序。当导出数据文件和目标表字段列顺序完全一致的时候可以不写。否则以逗号为间隔选择和排列各个列。没有被包含在–columns 后面列名或字段要么具备默认值，要么就允许插入空值。否则数据库会拒绝接受 sqoop 导出的数据，导致 Sqoop 作业失败
--export-dir导出目录，在执行导出的时候，必须指定这个参数，同时需要具
备–table 或–call 参数两者之一，–table 是指的导出数据库当中对应的表，
--call 是指的某个存储过程。
--input-null-string --input-null-non-string如果没有指定第一个参数，对于字符串类型的列来说，“NULL”这个字符串就回被翻译成空值，如果没有使用第二个参数，无论是“NULL”字符串还是说空字符串也好，对于非字符串类型的字段来说，这两个类型的空串都会被翻译成空值。比如：
--input-null-string "\\N" --input-null-non-string "\\N"

3.2 更新导出（updateonly 模式）

2.1．参数说明
– update-key，更新标识，即根据某个字段进行更新，例如 id，可以指定多
个更新标识的字段，多个字段之间用逗号分隔。
– updatemod，指定 updateonly（默认模式），仅仅更新已存在的数据记录，
不会插入新纪录。
2.2．准备 HDFS 数据
在 HDFS “/updateonly_1/”目录的下创建一个文件 updateonly_1.txt：
1201,gopal,manager,50000
1202,manisha,preader,50000
1203,kalil,php dev,30000
2.3．手动创建 mysql 中的目标表
mysql> USE userdb;
mysql> CREATE TABLE updateonly (
id INT NOT NULL PRIMARY KEY,
name VARCHAR(20),
deg VARCHAR(20),
salary INT);
2.4．先执行全部导出操作
bin/sqoop export
–connect jdbc:mysql://node-1:3306/userdb
–username root
–password hadoop
–table updateonly
–export-dir /updateonly_1/
2.5．查看此时 mysql 中的数据
可以发现是全量导出，全部的数据
2.6．新增一个文件
updateonly_2.txt 。修改了前三条数据并且新增了一条记录。上传至
/updateonly_2/目录下：
1201,gopal,manager,1212
1202,manisha,preader,1313
1203,kalil,php dev,1414
1204,allen,java,1515
2.7．执行更新导出
bin/sqoop export
–connect jdbc:mysql://node-1:3306/userdb
–username root --password hadoop
–table updateonly
–export-dir /updateonly_2/
–update-key id
–update-mode updateonly
2.8．查看最终结果
虽然导出时候的日志显示导出 4 条记录：
但最终只进行了更新操作

3．更新导出（allowinsert 模式）
3.1．参数说明
– update-key，更新标识，即根据某个字段进行更新，例如 id，可以指定多
个更新标识的字段，多个字段之间用逗号分隔。
– updatemod，指定 allowinsert，更新已存在的数据记录，同时插入新纪录。实质上是一个 insert & update 的操作。
3.2．准备 HDFS 数据
在 HDFS “/allowinsert_1/”目录的下创建一个文件 allowinsert_1.txt：
1201,gopal,manager,50000
1202,manisha,preader,50000
1203,kalil,php dev,30000
3.3．手动创建 mysql 中的目标表
mysql> USE userdb;
mysql> CREATE TABLE allowinsert (
id INT NOT NULL PRIMARY KEY,
name VARCHAR(20),
deg VARCHAR(20),
salary INT);
3.4．先执行全部导出操作
bin/sqoop export
–connect jdbc:mysql://node-1:3306/userdb
–username root
–password hadoop
–table allowinsert
–export-dir /allowinsert_1/
3.5．查看此时 mysql 中的数据
可以发现是全量导出，全部的数据
3.6．新增一个文件
allowinsert_2.txt。修改了前三条数据并且新增了一条记录。上传至/
allowinsert_2/目录下：
1201,gopal,manager,1212
1202,manisha,preader,1313
1203,kalil,php dev,1414
1204,allen,java,1515
3.7．执行更新导出
bin/sqoop export
–connect jdbc:mysql://node-1:3306/userdb
–username root --password hadoop
–table allowinsert
–export-dir /allowinsert_2/
–update-key id
–update-mode allowinsert
3.8．查看最终结果
导出时候的日志显示导出 4 条记录：
数据进行更新操作的同时也进行了新增的操作

4 Sqoop job 作业

1． job 语法
$ sqoop job (generic-args) (job-args)
[-- [subtool-name] (subtool-args)]
$ sqoop-job (generic-args) (job-args)
[-- [subtool-name] (subtool-args)]
2．创建 job
在这里，我们创建一个名为 itcastjob，这可以从 RDBMS 表的数据导入到
HDFS 作业。
下面的命令用于创建一个从 DB 数据库的 emp 表导入到 HDFS 文件的作业。
bin/sqoop job --create itcastjob – import --connect jdbc:mysql://node-
1:3306/userdb
–username root
–password hadoop
–target-dir /sqoopresult333
–table emp --m 1
注意 import 前要有空格

3．验证 job
‘–list’ 参数是用来验证保存的作业。下面的命令用来验证保存 Sqoop 作业的
列表。
bin/sqoop job --list
4．检查 job
‘–show’ 参数用于检查或验证特定的工作，及其详细信息。以下命令和样本
输出用来验证一个名为 itcastjob 的作业。
bin/sqoop job --show itcastjob
5．执行 job
‘–exec’ 选项用于执行保存的作业。下面的命令用于执行保存的作业称为
itcastjob。
bin/sqoop job --exec itcastjob
6．免密执行 job
sqoop 在创建 job 时，使用–password-file 参数，可以避免输入 mysql 密码，
如果使用–password 将出现警告，并且每次都要手动输入密码才能执行 job，sqoop
规定密码文件必须存放在 HDFS 上，并且权限必须是 400。
并且检查 sqoop 的 sqoop-site.xml 是否存在如下配置：

sqoop.metastore.client.record.password
true
If true, allow saved passwords in the metastore.

bin/sqoop job --create itcastjob1 – import --connect jdbc:mysql://cdh-
1:3306/userdb
–username root
–password-file /input/sqoop/pwd/itcastmysql.pwd
–target-dir /sqoopresult333
–table emp --m 1

5 Apache Sqoop 小结