sqoop抽取mysql数据到hive

对于sqoop，我之前只是知道作用，并未对其进行研究。

最近设计基础架构的过程中，其中一环需要用到sqoop，用来导数据，涉及全量和增量，于是花时间学习了一下。

这里讨论sqoop导数据的全量和增量的功能，以及遇到的一些问题。

下面的案例是：使用sqoop将mysql的数据导入hive中，数据来自天气数据。

制造数据源

通过NiFi采集天气数据，保存到mysql。

具体的采集流程并非本文重点，这里就不做描述了，如有兴趣，可参考 NiFi数据流实例二。

创建mysql库表

修改mysql字符集

由于数据中有中文，防止mysql出现乱码问题，这里需要把mysql的字符集修改成utf8。

根据我的了解，mysql还有一个utf8mb4，具体区别请自行查阅资料。

修改/etc/my.cnf文件，对应添加如下内容：

[mysqld]
character-set-server=utf8
collation-server=utf8_general_ci 

[mysql]
default-character-set = utf8

[mysql.server]
default-character-set = utf8

[mysqld_safe]
default-character-set = utf8

[client]
default-character-set = utf8

保存之后，重启mysql：systemctl restart mysqld。

创建库表

创建数据库：

CREATE DATABASE xwd CHARACTER SET utf8 COLLATE utf8_general_ci;

创建表：

CREATE TABLE IF NOT EXISTS xwd.tianqi (
id int NOT NULL AUTO_INCREMENT PRIMARY KEY,
insert_time timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
location VARCHAR(100),
loc datetime,
cloud VARCHAR(100),
cond_txt VARCHAR(100),
tmp VARCHAR(100),
wind_dir VARCHAR(100)
)CHARACTER SET utf8 COLLATE utf8_general_ci;

插入数据示例：

INSERT INTO xwd.tianqi(location,loc,cloud,cond_txt,tmp,wind_dir) VALUES('北京','2019-03-09 08:58','91','阴','8','东南风');

这些工作完成后，就可以设计NiFi的数据流了，然后启动数据流，天气数据就会不断的插入mysql的表中了。

到这里，数据源就准备完成了。

创建hive库表

创建hive库表，用来存储来自mysql的数据。

sqoop可以自行创建hive表，不过我不太喜欢。

创建数据库：

create database xwd;

创建表：

CREATE TABLE xwd.tianqi(
id int,
insert_time timestamp,
location string, 
loc timestamp, 
cloud string, 
cond_txt string, 
tmp string, 
wind_dir string)
partitioned by (dt string)
STORED AS TEXTFILE;

这里以日期分区。

使用sqoop导数据

全量导入

全量导入，只在第一次导入数据时使用，也就是说是一次性的。

sqoop命令如下：

sqoop import \
--connect jdbc:mysql://192.168.1.195:3306/xwd \
--username root \
--password xwd123456 \
--table tianqi \
--delete-target-dir \
--hive-import \
--hive-table xwd.tianqi \
--hive-partition-key dt \
--hive-partition-value `date +%F`

注意，使用HDFS的管理员用户执行命令，否则会出现没有权限访问的错误。

参数说明：

参数	说明
--connect	指定jdbc url
--username	数据库用户名，这里是mysql的用户名
--password	数据库用户密码，这里是mysql的用户密码
--table	要导出的表名，这里是mysql表名
--delete-target-dir	删除hdfs上的output目录，否则再次执行导入命令，会报错
--hive-import	指定导入hive
--hive-table	要导入的hive表
--hive-partition-key	hive的分区字段
--hive-partition-value	分区字段的值，这里是获取的系统时间

增量导入

增量导入数据，需要定期导入，所以使用sqoop-job功能记录命令，然后，设置定时执行sqoop-job。

创建sqoop-job的命令如下：

sqoop job --create tianqi_incremental_import -- import \
--connect jdbc:mysql://192.168.1.195:3306/xwd \
--username root \
--password xwd123456 \
--table tianqi \
--incremental lastmodified \
--check-column insert_time \
--last-value "2019-03-09 14:59:21" \
--merge-key id \
--hive-import \
--hive-table xwd.tianqi \
--hive-partition-key dt \
--hive-partition-value `date +%F`

执行sqoop-job

sqoop job --exec tianqi_incremental_import

使用HDFS的管理员用户执行命令，否则会出现没有权限访问的错误。

新增参数说明：

参数	说明
--incremental	指定增量模式，可选append或者lastmodified，append不能用于hive
--check-column	指定检查的列，也就是参考的增量列
--last-value	指定增量列的最新数据
--merge-key	指定参考的需要合并的列

注意一

在执行sqoop-job时，会提示输入密码，这个密码是源数据库的密码，这里就是mysql密码。

想要避免输入密码，有两种方法：

1. 添加sqoop配置，在sqoop元数据中记录密码，这样就只需要在第一次执行sqoop-job的时候输入密码了，配置如下：

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

2. 使用--password-file参数，指定密码文件。

注意二

--last-value这个参数只需要指定一次即可，也就是说，只需要设置第一次增量导入的位置，一般是最新数据的某个字段（通常是时间戳），然后sqoop会在之后的增量导入自动识别最新的位置，因为sqoop会把信息存储在元数据中。

sqoop的元数据一般在执行用户的用户目录下，名为.sqoop。

遇到的问题

在使用sqoop时遇到的一些问题记录如下。

问题一

描述

hdfs上的output目录已存在。

org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://192.168.1.195:8020/user/hdfs/tianqi already exists

解决

在sqoop命令中追加参数：--delete-target-dir。

问题二

描述

Java jre的问题。

ERROR Could not register mbeans java.security.AccessControlException: access denied ("javax.management.MBeanTrustPermission" "register")

解决

编辑/lib/security/java.policy，在grant {}里追加内容：

grant {
　　permission javax.management.MBeanTrustPermission "register";
};

问题三

描述

Hadoop的kms问题。

ERROR hdfs.KeyProviderCache: Could not find uri with key [dfs.encryption.key.provider.uri] to create a keyProvider !!

解决

未解决，据说不启用 KMS 的话，不用理会这个问题。

问题四

描述

sqoop和hive使用的jar包版本不一致。

ERROR exec.TaskRunner: Error in executeTask
java.lang.NoSuchMethodError: com.fasterxml.jackson.databind.ObjectMapper.readerFor(Ljava/lang/Class;)Lcom/fasterxml/jackson/databind/ObjectReader;

解决

有三个jar包版本不一致：jackson-annotations-2.6.0.jar，jackson-core-2.6.5.jar，jackson-databind-2.6.5.jar。
将$SQOOP_HOME/lib/下的这三个jar文件备份到其他地方，再把$HIVE_HOME/lib/下的三个对应文件拷贝至 $SQOOP_HOME/lib 目录中，重新运行sqoop 作业，导入成功。