sqoop入门
大数据技术之Sqoop
一、Sqoop简介
Sqoop是hdfs、hive、hbase和RDBMS结构化数据库之间传输大量数据的工具。
二、Sqoop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。
三、Sqoop安装
安装Sqoop的前提是已经具备Java和Hadoop的环境。
3.1、下载并解压
1) 最新版下载地址：http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/
2) 上传安装包sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz到虚拟机中，如我的上传目录是：/home/admin/softwares/installation
3) 解压sqoop安装包到指定目录，如：
| $ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C ~/modules/ |
3.2、修改配置文件
Sqoop的配置文件与大多数大数据框架类似，在sqoop根目录下的conf目录中。
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 |
3.3、拷贝JDBC驱动
拷贝jdbc驱动到sqoop的lib目录下，如：
| $ cp -a mysql-connector-java-5.1.27-bin.jar ~/modules/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/ |
3.4、验证Sqoop
我们可以通过某一个command来验证sqoop配置是否正确：
| $ bin/sqoop help 出现一些Warning警告（警告信息已省略），并伴随着帮助命令的输出： 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 |
3.5、测试Sqoop是否能够成功连接数据库
| $ bin/sqoop list-databases --connect jdbc:mysql://hadoop102:3306/ --username root --password 123456 出现如下输出： information_schema metastore mysql performance_schema |
四、Sqoop的简单使用案例
4.1、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，即使用import关键字。
4.1.1、RDBMS到HDFS
1) 确定Mysql服务开启正常
2) 在Mysql中新建一张表并插入一些数据
| $ mysql -uroot -p123456 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://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" |
（2）查询导入
| $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/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 $CONDITIONS;' |
重点提示：must contain '$CONDITIONS' in WHERE clause.
重点提示：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。
（3）导入指定列
| $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --columns id,sex \ --table staff |
重点提示：columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格
（4）使用sqoop关键字筛选查询导入数据
| $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --table staff \ --where "id=1" |
重点提示：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，多个参数用空格隔开。
4.1.2、RDBMS到Hive
| $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --hive-import \ --fields-terminated-by "\t" \ --hive-overwrite \ --hive-table staff_hive |
重点提示：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
重点提示：第一步默认的临时目录是/user/admin/表名
4.2、导出数据
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。
4.2.1、HIVE/HDFS到RDBMS
| $ bin/sqoop export \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --export-dir /user/hive/warehouse/staff_hive \ --input-fields-terminated-by "\t" |
重点提示：Mysql中如果表不存在，不会自动创建
4.3、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
| $ vi opt/job_HDFS2RDBMS.opt
export --connect jdbc:mysql://hadoop102:3306/company --username root --password 123456 --table staff --num-mappers 1 --export-dir /user/hive/warehouse/staff_hive --input-fields-terminated-by "\t" |
3) 执行该脚本
| $ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt |
五、Sqoop一些常用命令及参数
5.1、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 |
5.2、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。
5.2.1、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 |
5.2.2、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。 |
5.2.3、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 |
5.2.4、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 |
5.2.5、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://hadoop102:3306/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://hadoop102:3306/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 |
重点提示：append不能与--hive-等参数同时使用（Append mode for hive imports is not yet supported. Please remove theparameter --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 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://hadoop102:3306/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 |
重点提示：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）
重点提示：lastmodified时last-value指定的值是会包含于增量导入的数据中
append时last-value指定的值不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 |
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 |
5.2.6、命令&参数：export
从HDFS（包括Hive和HBase）中将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 123456 \ --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 |
5.2.7、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 123456 \ --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 |
--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 123456 \ --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 |
5.2.9、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 123456 \ --query "SELECT * FROM staff" |
参数：
| 序号 |
参数 |
说明 |
| 1 |
--query或--e |
后跟查询的SQL语句 |
5.2.10、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 123456 \ --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 |
5.2.11、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 123456 $ bin/sqoop job \ --list $ bin/sqoop job \ --exec myjob |
重点提示：注意import-all-tables和它左边的--之间有一个空格
重点提示：如果需要连接metastore，则--meta-connect jdbc:hsqldb:hsql://hadoop102:16000/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 |
重点提示：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
|
|
5.2.12、命令&参数：list-databases
命令：
如：
| $ bin/sqoop list-databases \ --connect jdbc:mysql://hadoop102:3306/ \ --username root \ --password 123456 |
参数：与公用参数一样
5.2.13、命令&参数：list-tables
命令：
如：
| $ bin/sqoop list-tables \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 |
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 |
重点提示：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 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 |
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 |
5.2.15、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 |