Sqoop介绍及使用
Apache Sqoop是用来实现结构型数据（如关系数据库）和Hadoop之间进行数据迁移的工具。它充分利用了MapReduce的并行特点以批处理的方式加快数据的传输，同时也借助MapReduce实现了容错。
项目地址：http://sqoop.apache.org/
目前为止，已经演化出了2个版本：sqoop1和sqoop2。
sqoop1的最新版本是1.4.5，sqoop2的最新版本是1.99.3；1.99.3和1.4.5是不兼容的，并且功能尚未开发完成，还不适合在生产环境部署。
sqoop支持的数据库：
|
Database
|
version
|
--direct support?
|
connect string matches
|
|---|---|---|---|
| HSQLDB | 1.8.0+ | No | jdbc:hsqldb:*// |
| MySQL | 5.0+ | Yes | jdbc:mysql:// |
| Oracle | 10.2.0+ | No | jdbc:oracle:*// |
| PostgreSQL | 8.3+ | Yes (import only) | jdbc:postgresql:/ |
guojian@localtest:~/work$ sudo apt-get install sqoop
guojian@localtest:~/work$ sqoop help
usage: sqoop COMMAND [ARGS]Available commands:codegen Generate code to interact with database recordscreate-hive-table Import a table definition into Hiveeval Evaluate a SQL statement and display the resultsexport Export an HDFS directory to a database tablehelp List available commandsimport Import a table from a database to HDFSimport-all-tables Import tables from a database to HDFSjob Work with saved jobslist-databases List available databases on a serverlist-tables List available tables in a databasemerge Merge results of incremental importsmetastore Run a standalone Sqoop metastoreversion Display version informationSee 'sqoop help COMMAND' for information on a specific command.
import是将关系数据库迁移到HDFS上
guojian@localtest:~/work$ sqoop import --connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd --table sds
guojian@localtest:~/work$ hadoop fs -ls /user/guojian/sdsFound 5 items-rw-r--r-- 3 guojian cug_test 0 2014-09-11 16:04 /user/guojian/sds/_SUCCESS-rw-r--r-- 3 guojian cug_test 483 2014-09-11 16:03 /user/guojian/sds/part-m-00000.snappy-rw-r--r-- 3 guojian cug_test 504 2014-09-11 16:04 /user/guojian/sds/part-m-00001.snappy-rw-r--r-- 3 guojian cug_test 1001 2014-09-11 16:03 /user/guojian/sds/part-m-00002.snappy-rw-r--r-- 3 guojian cug_test 952 2014-09-11 16:03 /user/guojian/sds/part-m-00003.snappy
可以通过--m设置并行数据，即map的数据，决定文件的个数。
默认目录是/user/${user.name}/${tablename}，可以通过--target-dir设置hdfs上的目标目录。
如果想要将整个数据库中的表全部导入到hdfs上，可以使用import-all-tables命令。
sqoop import-all-tables –connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd
如果想要指定所需的列，使用如下：
sqoop import --connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd --table sds --columns "SD_ID,CD_ID,LOCATION"
指定导出文件为SequenceFiles，并且将生成的类文件命名为com.ctrip.sds：
sqoop import --connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd --table sds --class-name com.ctrip.sds --as-sequencefile
导入文本时可以指定分隔符：
sqoop import --connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd --table sds --fields-terminated-by '\t' --lines-terminated-by '\n' --optionally-enclosed-by '\"'
可以指定过滤条件：
sqoop import --connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd --table sds --where "sd_id > 100"
export是import的反向过程，将hdfs上的数据导入到关系数据库中
sqoop export --connect jdbc:mysql://192.168.81.176/sqoop --username root -password passwd --table sds --export-dir /user/guojian/sds
上例中sqoop数据中的sds表需要先把表结构创建出来，否则export操作会直接失败。
由于sqoop是通过map完成数据的导入，各个map过程是独立的，没有事物的概念，可能会有部分map数据导入失败的情况。为了解决这一问题，sqoop中有一个折中的办法，即是指定中间staging表，成功后再由中间表导入到结果表。
这一功能是通过--staging-table 指定，同时staging表结构也是需要提前创建出来的:
sqoop export --connect jdbc:mysql://192.168.81.176/sqoop --username root -password passwd --table sds --export-dir /user/guojian/sds --staging-table sds_tmp
需要说明的是，在使用--direct，--update-key或者--call存储过程的选项时，staging中间表是不可用的。
验证结果：
（1）数据会首先写到sds_tmp表，导入操作成功后，再由sds_tmp表导入到sds结果表中，同时会清除sds_tmp表。
（2）如果有map失败，则成功的map会将数据写入tmp表，export任务失败，同时tmp表的数据会被保留。
（3）如果tmp中已有数据，则此export操作会直接失败，可以使用--clear-staging-table指定在执行前清除中间表。
export选项：
|
Argument
|
Description
|
|---|---|
--direct |
直接使用mysqlimport工具导入mysql |
--export-dir |
需要export的hdfs数据路径 |
-m,--num-mappers |
并行export的map个数n |
--table |
导出到的目标表 |
--call |
调用存储过程 |
--update-key |
指定需要更新的列名，可以将数据库中已经存在的数据进行更新 |
--update-mode |
更新模式，包括 updateonly (默认）和 allowinsert |
| 前者只允许更新，后者允许新的列数据写入 | |
--input-null-string |
The string to be interpreted as null for string columns |
--input-null-non-string |
The string to be interpreted as null for non-string columns |
--staging-table |
指定中间staging表 |
--clear-staging-table |
执行export前将中间staging表数据清除 |
--batch |
Use batch mode for underlying statement execution. |
create-hive-table将关系数据库表导入到hive表中
| 参数 | 说明 |
| –hive-home |
Hive的安装目录，可以通过该参数覆盖掉默认的hive目录 |
| –hive-overwrite | 覆盖掉在hive表中已经存在的数据 |
| –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 |
| –hive-table | 后面接要创建的hive表 |
| –table | 指定关系数据库表名 |
sqoop create-hive-table --connect jdbc:mysql://192.168.81.176/sqoop --username root -password passwd --table sds --hive-table sds_bak
默认sds_bak是在default数据库的。
这一步需要依赖HCatalog，需要先安装HCatalog，否则报如下错误：
Hive history file=/tmp/guojian/hive_job_log_cfbe2de9-a358-4130-945c-b97c0add649d_1628102887.txtFAILED: ParseException line 1:44 mismatched input ')' expecting Identifier near '(' in column specification
list-databases列出一台server上可用的数据库
sqoop list-databases --connect jdbc:mysql://192.168.81.176/ --username root -password passwd
list-tables列出一个数据库中的表
sqoop list-tables --connect jdbc:mysql://192.168.81.176/sqoop --username root -password passwd
codegen：将关系数据库表映射为一个java文件、java class类、以及相关的jar包
sqoop codegen --connect jdbc:mysql://192.168.81.176/sqoop --username root -password passwd --table sdsNote: /tmp/sqoop-guojian/compile/d58f607b046a061593ba708ec5f3d608/sds.java uses or overrides a deprecated API.Note: Recompile with -Xlint:deprecation for details.guojian@localtest:~/work$ ll /tmp/sqoop-guojian/compile/d58f607b046a061593ba708ec5f3d608/total 48drwxrwxr-x 2 guojian guojian 4096 9月 12 14:15 ./drwxrwxr-x 11 guojian guojian 4096 9月 12 14:15 ../-rw-rw-r-- 1 guojian guojian 11978 9月 12 14:15 sds.class-rw-rw-r-- 1 guojian guojian 4811 9月 12 14:15 sds.jar-rw-rw-r-- 1 guojian guojian 17525 9月 12 14:15 sds.java
merge是将两个数据集合并的工具，对于相同的key会覆盖老的值。
|
参数
|
说明
|
|---|---|
--class-name |
指定merge job使用的类名称 |
--jar-file |
合并时引入的jar包，该jar包是通过Codegen工具生成的jar包 |
--merge-key |
指定作为merge key的列名 |
--new-data |
指定newer数据目录 |
--onto |
指定older数据目录 |
--target-dir |
指定目标输出目录 |
sqoop merge --new-data /user/guojian/sds --onto /user/guojian/sqoop --target-dir /user/guojian/sds_new --jar-file sds.jar --class-name sds --merge-key SD_ID
值得注意的是，--target-dir如果设置为已经存在的目录，sqoop会报错退出。
eval用户可以很快的使用sql语句对数据库进行操作。这使得用户在执行import操作之前检查sql语句是否正确。
sqoop eval --connect jdbc:mysql://192.168.81.176/sqoop --username root -password passwd --query "SELECT SD_ID,CD_ID,LOCATION FROM sds LIMIT 10"
job用来生成sqoop任务。
|
参数
|
说明
|
|---|---|
--create |
创业一个新的sqoop作业. |
--delete |
删除一个sqoop job |
--exec |
执行一个--create保存的作业 |
--show |
显示一个作业的参数 |
--list |
显示所有创建的sqoop作业 |
例子：
sqoop job --create myimportjob -- import --connect jdbc:mysql://192.168.81.176/hivemeta2db --username root -password passwd --table TBLS
guojian@localtest:~/work$ sqoop job --list Available jobs: myimportjobguojian@localtest:~/work$ sqoop job --show myimportjob Job: myimportjob Tool: import Options: ---------------------------- verbose = false db.connect.string = jdbc:mysql://192.168.81.176/hivemeta2db codegen.output.delimiters.escape = 0 codegen.output.delimiters.enclose.required = false codegen.input.delimiters.field = 0 hbase.create.table = false db.require.password = true hdfs.append.dir = false db.table = TBLS import.fetch.size = null accumulo.create.table = false codegen.input.delimiters.escape = 0 codegen.input.delimiters.enclose.required = false db.username = root codegen.output.delimiters.record = 10 import.max.inline.lob.size = 16777216 hbase.bulk.load.enabled = false hcatalog.create.table = false db.clear.staging.table = false codegen.input.delimiters.record = 0 enable.compression = false hive.overwrite.table = false hive.import = false codegen.input.delimiters.enclose = 0 accumulo.batch.size = 10240000 hive.drop.delims = false codegen.output.delimiters.enclose = 0 hdfs.delete-target.dir = false codegen.output.dir = . codegen.auto.compile.dir = true mapreduce.num.mappers = 4 accumulo.max.latency = 5000 import.direct.split.size = 0 codegen.output.delimiters.field = 44 export.new.update = UpdateOnly incremental.mode = None hdfs.file.format = TextFile codegen.compile.dir = /tmp/sqoop-guojian/compile/bd9c7f7b651276067b3f7b341b7fa4cb direct.import = false hive.fail.table.exists = false db.batch = false 执行：
sqoop job -exec myimportjob
metastore配置sqoop job的共享元数据信息，这样多个用户定义和执行sqoop job在这一metastore中。默认存储在~/.sqoop
启动：sqoop metastore
关闭：sqoop metastore --shutdown
metastore文件的存储位置是在conf/sqoop-site.xml中sqoop.metastore.server.location配置，指向本地文件。
metastore可以通过TCP/IP访问，端口号可以通过sqoop.metastore.server.port配置，默认是16000。
客户端可以通过指定sqoop.metastore.client.autoconnect.url或使用--meta-connect，配置为jdbc:hsqldb:hsql://，例如jdbc:hsqldb:hsql://metaserver.example.com:16000/sqoop。
更多说明见http://sqoop.apache.org/docs/1.4.5/SqoopUserGuide.html