Sqoop1.4.6 增量导入HDFS

一、 增量导入模式简介

Sqoop提供将新数据导入，而已经导入的数据不再执行导入操作，即增量导入操作。使用以下参数：

--check-column (col)	指定一个“标志列”用于判断增量导入的数据范围，该列不能是字符型，最好是数字或者日期型（这个很好理解吧）。
--incremental (mode)	指定增量模式，包含“追加模式” append 和“最后修改模式” lastmodified （该模式更满足常见需求）。
--last-value (value)	指定“标志列”上次导入的上界。如果“标志列”是最后修改时间，则--last-value为上次执行导入脚本的时间。

结合Saved Jobs机制，可以实现重复调度增量更新Job时 --last-value 字段的自动更新赋值，再结合cron或者oozie的定时调度，可实现真正意义的增量更新。

二、 增量job的创建和执行 

创建增量更新job：

sqoop job --create myjob -- import --connect jdbc:Oracle:thin:@192.168.0.138:1521:orcl  --username ora --password oraalk --table FBI_SQOOPTEST --hive-import --target-dir /usr/input --incremental append --check-column ID --last-value 0

执行Job：

sqoop job --exec myjob

注：数据库里有主键的表才可以读取，这个是我测试的结果

在执行job时会有数据库密码的校验：

$ sqoop job --exec myjob
Enter password:
...

sqoop-metastore命令可以检查你配置sqoop数据连接的正确性，所有要更改配置在sqoop-site.xml中：

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

当这个值为真的时候才会保存密码。
配置更改过要重新建任务才会生效，把之前的任务删除：

sqoop job --delete myjob

重复上述操作，执行时不用输入数据库密码校验。

三、 结果查看

到hdfs目录下查看文件数据：

hdfs dfs -cat /usr/input/*
56,hua,hanyun,男,开通,2013-12-02,0,1
58,feng,123456,男,开通,2013-11-22,0,0
59,test,123456,男,开通,2014-03-05,58,0
60,user1,123456,男,开通,2014-06-26,66,0
61,user2,123,男,开通,2013-12-13,56,0
62,user3,123456,男,开通,2013-12-14,0,0
64,kai.zhou,123456,null,null,2014-03-05,65,0
65,test1,111,男,未开通,null,0,0
66,test2,111,男,未开通,null,0,0
67,test3,113,男,未开通,null,0,0

为了测试只导入新增的数据，把hdfs上的数据都删除

hdfs dfs -rmr /usr/input/*

接下来到oracle里插入一条数据，再执行任务：

sqoop job --exec myjob

再查看只有新增的一条数据：

68,test3,113,男,未开通,null,0,0

四、 总结

Sqoop的“Saved Jobs”机制对于增量导入类Job，自动记录了上一次的执行内容，并自动将该时间赋值给下一次执行的--last-value参数！也就是说，我们只需要通过crontab设定定期执行该job即可，job中的--last-value将被“Saved Jobs”机制自动更新以实现真正意义的增量导入。

五、 使用lastmodified，增量导入

使用lastmodified增量导入，指定列--check-column后面需要接的是一个时间戳列，然后再使用--last-value后接最近的一个时间，以此实现修改操作的导入。使用方法同append类似，这里不详说。
注意：不管是使用哪种模式导入，--check-column、--incremental和--last-value三个参数在命令中都必须同时使用。