11 辅助系统框架之sqoop数据迁移

11 辅助系统框架之sqoop数据迁移

1.概述

sqoop是apache旗下一款“Hadoop和关系数据库服务器之间传送数据”的工具。
导入数据：MySQL，Oracle导入数据到Hadoop的HDFS、HIVE、HBASE等数据存储系统；
导出数据：从Hadoop的文件系统中导出数据到关系数据库mysql等

通过MR的inputformat和outputformat来实现数据的输入与输出，底层执行的全部都是MR的任务，
只不过这个mr只有map阶段，没有reduce阶段
说白了只是对数据进行抽取，从一个地方，抽取到另外一个地方

2.sqoop1与sqoop2架构对比

一般用sqoop1.x比较多，直接将我们的命令写入到脚本里面去，执行脚本即可
sqoop 1.x 不用安装，解压就能用

sqoop 2.x 架构发生了变化，引入了一个服务端 可以通过代码提交sqoop的任务

3.工作机制

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

4.sqoop实战及原理

4.1 sqoop安装

安装sqoop的前提是已经具备java和hadoop的环境

1、下载并解压

下载地址

http://archive.cloudera.com/cdh5/cdh/5/
sqoop1版本详细下载地址
http://archive.cloudera.com/cdh5/cdh/5/sqoop-1.4.6-cdh5.14.0.tar.gz
sqoop2版本详细下载地址
http://archive.cloudera.com/cdh5/cdh/5/sqoop2-1.99.5-cdh5.14.0.tar.gz

我们这里使用sqoop1的版本，下载之后上传到/export/softwares目录下，然后进行解压

cd /export/softwares
tar -zxvf sqoop-1.4.6-cdh5.14.0.tar.gz -C ../servers/

2、修改配置文件

cd /export/servers/sqoop-1.4.6-cdh5.14.0/conf/
cp sqoop-env-template.sh  sqoop-env.sh
vim sqoop-env.sh

export HADOOP_COMMON_HOME=/export/servers/hadoop-2.6.0-cdh5.14.0
export HADOOP_MAPRED_HOME=/export/servers/hadoop-2.6.0-cdh5.14.0
export HIVE_HOME=/export/servers/hive-1.1.0-cdh5.14.0

3、加入额外的依赖包

sqoop的使用需要添加两个额外的依赖包

一个是mysql的驱动包，
另一个是java-json的的依赖包，不然就会报错
mysql-connector-java-5.1.40.jar
java-json.jar

将这个两个jar包添加到sqoop的lib目录下

4、验证启动

cd /export/servers/sqoop-1.4.6-cdh5.14.0
bin/sqoop-version

5.Sqoop的数据导入

“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（或者Avro、sequence文件等二进制数据）

列举出所有的数据库与表

命令行查看帮助

bin/sqoop list-databases --help

列出win7主机所有的数据库

bin/sqoop list-databases --connect jdbc:mysql://node3:3306/ --username 	root --password 123456

查看某一个数据库下面的所有数据表

bin/sqoop list-tables --connect jdbc:mysql://node3:3306/hive --username root --password 123456

其它导入示例

1）表数据准备

在mysql中有一个库userdb中三个表：emp, emp_add和emp_conn
表emp:

source /export/servers/userdb.sql;

2）导入数据库表数据到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://node3:3306/userdb --password 123456 --username root --table emp -m 1
如果成功执行，那么数据默认会存储再/user/root/目录下
hdfs  dfs  -ls  /user/root/emp

3）导入到HDFS指定目录

在导入表数据到HDFS使用Sqoop导入工具，我们可以指定目标目录。

使用参数 --target-dir来指定导出目的地，
使用参数—delete-target-dir来判断导出目录是否存在，如果存在就删掉
bin/sqoop import  --connect jdbc:mysql://node3:3306/userdb --username root --password 123456 --delete-target-dir --table emp  --target-dir /sqoop/emp -m 1
hdfs dfs -text /sqoop/emp/part-m-00000 (查看导出的数据)

它会用逗号（，）分隔emp表的数据和字段。

4）导入到hdfs指定目录并指定字段之间的分隔符

bin/sqoop import  --connect jdbc:mysql://node3:3306/userdb --username root \
--password 123456 --delete-target-dir --table emp  --target-dir /sqoop/emp2 --m 1\
--fields-terminated-by '\t'

查看文件内容

hdfs dfs -text /sqoop/emp2/part-m-00000

5）导入关系表到HIVE

第一步：拷贝jar包

将我们mysql表当中的数据直接导入到hive表中的话，我们需要将hive的一个叫做hive-exec-1.1.0-cdh5.14.0.jar的jar包拷贝到sqoop的lib目录下

cp /export/servers/hive-1.1.0-cdh5.14.0/lib/hive-exec-1.1.0-cdh5.14.0.jar /export/servers/sqoop-1.4.6-cdh5.14.0/lib/

第二步：准备hive数据库与表

将我们mysql当中的数据导入到hive表当中来

create database sqooptohive;
use sqooptohive;
create external table emp_hive(id int,name string,deg string,salary int ,dept string) row format delimited fields terminated by '\001';

第三步：开始导入

bin/sqoop import --connect jdbc:mysql://node3:3306/userdb --username root \
--password 123456 --table emp --fields-terminated-by '\001' \
--hive-import --hive-table sqooptohive.emp_hive --hive-overwrite --delete-target-dir --m 1

第四步：hive表数据查看

select * from emp_hive;

6）导入关系表到hive并自动创建hive表

我们也可以通过命令来将我们的mysql的表直接导入到hive表当中去

bin/sqoop import --connect jdbc:mysql://node3:3306/userdb --username root \
--password 123456 --table emp_conn --hive-import -m 1 \
--hive-database sqooptohive;

通过这个命令，我们可以直接将我们mysql表当中的数据以及表结构一起倒入到hive当中去

7）导入表数据子集

我们可以导入表的使用Sqoop导入工具，"where"子句的一个子集。它执行在各自的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。
where子句的语法如下。

--where 
按照条件进行查找，通过—where参数来查找表emp_add当中city字段的值为sec-bad的所有数据导入到hdfs上面去

bin/sqoop import \
--connect jdbc:mysql://node3:3306/userdb \
--username root --password 123456 --table emp_add \
--target-dir /sqoop/emp_add -m 1  --delete-target-dir \
--where "city = 'sec-bad'"

8）sql语句查找导入hdfs

我们还可以通过 –query参数来指定我们的sql语句，通过sql语句来过滤我们的数据进行导入

*使用sql语句来进行查找是不能加参数–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://node3:3306/userdb --username root --password 123456 \
--delete-target-dir -m 1 \
--query 'select phno from emp_conn where 1=1 and  $CONDITIONS' \
--target-dir /sqoop/emp_conn

查看hdfs数据内容

hdfs dfs -text /sqoop/emp_conn/part*

9）增量导入

只导入我们部分需要的数据
现在时间2020-11-20 02:30:00 导入数据时间 2020-11-19 00:00:00 2018-11-19 23:59:59

全量导入，数据太多，对数据库压力比较大
增量导入是仅导入新添加的表中的行的技术。
它需要添加‘incremental’, ‘check-column’, 和 ‘last-value’选项来执行增量导入。
下面的语法用于Sqoop导入命令增量选项。
--incremental 
--check-column 
--last value 

导入emp表当中id大于1202的所有数据
注意：增量导入的时候，一定不能加参数–delete-target-dir否则会报错

bin/sqoop import \
--connect jdbc:mysql://node3:3306/userdb \
--username root \
--password 123456 \
--table emp \
--incremental append \
--check-column id \
--last-value 1202  \
-m 1 \
--target-dir /sqoop/increment

查看数据内容(大于1202的被记录)

hdfs dfs -text /sqoop/increment/part*

因为每次不可能知道记录到了哪个id，如何解决增量导入的问题？？

一般情况下数据仓库都会有以下字段
每个数据都会有一个创建时间，可以根据我们的创建时间来判断是否是我们前一天的数据

每个表都会有三个固定的字段
create_time 
update_time
is_delete
operator

如何解决导入减量数据的问题？？？

什么是减量数据？？？？删除掉的数据  数据不是做真删除  
做假删除，其实就是改变了一些数据的状态，数据的更细时间，同步改变
银行客户  13859687451
变更手机号  13896541235

所有的减量数据都转化为变更数据来处理
第一个：涉及到数据的变更问题，
变更数据一定有更新时间   每天导入数据的时候，需要根据创建时间和更新时间来一起判断
第一条数据 create_time  2018-11-19 12:23:45 
第二条数据 update_time  2018-11-19 15:23:45
根据两个条件来同时进行判断，满足任意一个，都要将数据导入过来

id   create_time             update_time
1    2018-11-15 23:45:15     2018-11-15 23:45:15
1    2018-11-15 23:45:15     2018-11-28 23:45:15
group by  id 来进行操作

都是根据create_time  update_time 来联合进行判断

第二种增量导入通过–where条件来实现
或者我们使用–where来进行控制数据的选取会更加精准

bin/sqoop import \
--connect jdbc:mysql://node3:3306/userdb \
--username root \
--password 123456  \
--table emp \
--incremental append  \
--where "create_time > '2018-06-17 00:00:00' and is_delete='1' and create_time < '2018-06-17 23:59:59'" \
--target-dir /sqoop/incement2 \
--check-column id  \
--m 1

–last-value 2018-06-17 00:00:00

2018-06-18 01:00:00  产生一条数据
2018-06-18 02:00:00   这个不能完成这个任务

sqoop增量与减量导入：

增量数据导入：
每天导入前一天数据 一般都是使用 create_time update_time
增量导入通过记录上一次导入数据的id值，来确定下一次导入的数据

bin/sqoop import \
	--connect jdbc:mysql://192.168.22.22:3306/userdb \
	--username root \
	--password admin \
	--table emp \
	--incremental append \
	--check-column id \
	--last-value 1202  \
	-m 1 \
	--target-dir /sqoop/increment

使用id来做增量导入数据：第一个问题就是导入数据不准确，数据最后一个id没法记录
如果要使用增量导入，最好的方式卡时间点
create_time 2019-07-25 00:00:00 2019-07-25 23:59:59

bin/sqoop import \
--connect jdbc:mysql://192.168.22.22:3306/userdb \
--username root \
--password admin  \
--table emp \
--incremental append  \
--where "create_time > '2018-06-17 00:00:00'  and create_time < '2018-06-17 23:59:59'" \
--target-dir /sqoop/incement2 \
--check-column id  \
--m 1

建表的时候：
create_time默认值是当前的创建时间
update_time最开始默认值也是当前创建时间，一旦数据更新，就会变为更新的

//MYSQL5.6新特性
`create_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
`update_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,

减量数据导入：

减量数据怎么解决：删除的数据，假删除，更新操作 需要将更新的数据依据update_time导入过来
一条数据存在多个状态，做拉链表

有一个人去银行办业务，业务系统只有一条数据
第一天 手机号  2019-07-25 13598745612
第二天 手机号  2019-07-26 13598745613
第二天 手机号  2019-07-27 13598745614


业务系统当中，更新语句就行了，数据仓库当中怎么办？？？？

数据仓库当中：（有更新的历史数据：也叫拉链表）

第一天 手机号  2019-07-25 13598745612
第二天 手机号  2019-07-26 13598745613
第二天 手机号  2019-07-27 13598745614

拉链表：依据时间的顺序，给数据进行排序

6.Sqoop的数据导出

hdfs导出到mysql

数据是在HDFS当中的如下目录/sqoop/emp，数据内容如下

1201,gopal,manager,50000,TP,2018-06-17 18:54:32.0,2018-06-17 18:54:32.0,1
1202,manisha,Proof reader,50000,TP,2018-06-15 18:54:32.0,2018-06-17 20:26:08.0,1
1203,khalil,php dev,30000,AC,2018-06-17 18:54:32.0,2018-06-17 18:54:32.0,1
1204,prasanth,php dev,30000,AC,2018-06-17 18:54:32.0,2018-06-17 21:05:52.0,0
1205,kranthi,admin,20000,TP,2018-06-17 18:54:32.0,2018-06-17 18:54:32.0,1

第一步：创建mysql表

truncate table emp_out; （已经有表清空表内数据）


CREATE TABLE `emp_out` (
  `id` INT(11) DEFAULT NULL,
  `name` VARCHAR(100) DEFAULT NULL,
  `deg` VARCHAR(100) DEFAULT NULL,
  `salary` INT(11) DEFAULT NULL,
  `dept` VARCHAR(10) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=utf8;

第二步：执行导出命令

通过export来实现数据的导出，将hdfs的数据导出到mysql当中去

bin/sqoop export \
--connect jdbc:mysql://node3:3306/userdb \
--username root --password 123456 \
--table emp_out \
--export-dir /sqoop/emp \
--input-fields-terminated-by ","

第三步：验证mysql表数据

导出数据的时候，如果导出到一半，报错了怎么办？？？？
一般都是创建mysql的临时表 如果临时表导入成功，再往目的表里面导入

sqoop的job

就是将我们的导入导出到命令，保存起来，下次可以直接调用，没有必要，写脚本就好了

7.java执行shell命令

需求描述：在实际工作中，总会有些时候需要我们通过java代码通过远程连接去linux服务器上面执行一些shell命令，包括一些集群的状态管理，执行任务，集群的可视化界面操作等等，所以我们可以通过java代码来执行linux服务器的shell命令
为了解决上述问题，google公司给提出了对应的解决方案，开源出来了一个jar包叫做sshxcute，通过这个jar包我们可以通过java代码，非常便捷的操作我们的linux服务器了

项目地址如下：
https://code.google.com/archive/p/sshxcute/
使用说明
https://www.ibm.com/developerworks/cn/opensource/os-sshxcute/

第一步：创建maven的java工程并导入jar包

第二步：开发测试用例

package cn.itcast.sshxcute;

import net.neoremind.sshxcute.core.ConnBean;
import net.neoremind.sshxcute.core.SSHExec;
import net.neoremind.sshxcute.exception.TaskExecFailException;
import net.neoremind.sshxcute.task.impl.ExecCommand;

public class XcuteExcute {
    public static void main(String[] args) throws TaskExecFailException {
        //获取SSHExec用于执行我们的shell命令
        SSHExec sshExec = SSHExec.getInstance(new ConnBean("node3", "root", "123456"));
        sshExec.connect();
        //执行命令
        //CustomTask抽象类，要么找子类，要么找这个类有没有方法返回实例
        ExecCommand execCommand = new ExecCommand("echo 1 >> /export/servers/helloworld.txt");
        sshExec.exec(execCommand);
        sshExec.disconnect();
    }
}

总结

sqoop导入导出是一个离线处理的工具
底层使用的都是MR的程序
有没有什么工具，可以实现实时的抽取数据
canal 通过解析binlog可以实现实时的数据抽取
flume 自定义source 代码在github上面 也可以实现近似实时的数据抽取
streamSet 比较强大，可以实现实时的抽取数据