[sqoop]导入数据

一、覆盖导入

例如维度表，每次导入的数据需要覆盖上次导入的数据。

hive-overwrite参数：实现覆盖导入

hive-import参数：表示向hive表导入

hive-table参数：指定目标hive库表

sqoop import \
--connect jdbc:mysql://hadoop1:3306/source?useSSL=false \
--username root \
--password 123456 \
--table customer \
--hive-import \
--hive-table ods.customer \
--hive-overwrite

二、增量导入

sqoop提供增量导入模式，用于只导入比已经导入行新的数据行。

--check-column 在确定应该导入哪些行时，指定被检查的列。

--incremental 指定sqoop怎样确定哪些行是新行。有效值是append、lastmodified

--last-value 指定已经导入数据的被检查列的最大值（第一次需要指定，以后会自动生成）

sqoop支持两种类型的增量导入：append和lastmodified。可以使用--incremental参数指定增量导入的类型。

当被导入表的新行具有持续递增的行id值时，应该使用append模式。指定行id为--check-column的列。sqoop导入那些被检查列的值比--last-value给出的值大的数据行。

sqoop支持的另一个表修改策略叫做lastmodified模式。当源表的数据行可能被修改，并且每次修改都会更新一个last-modified列为当前时间戳时，应该使用lastmodified模式。那些被检查的时间戳比--last-value给出的时间戳新的数据行被导入。

增量导入命令执行后，在控制台输出的最后部分，会打印出后续导入需要使用的last-value，当周期性执行导入时，应该用这种方式指定--last-value参数的值，以确保只导入新的活修改过的数据。可以通过一个增量导入的保存作业自动执行这个过程，这是适合重复执行增量导入的方式。（这个值可以从日志看到）。

1）建立sqoop增量导入作业

sqoop job \
--create myjob_1 \
-- \
import \
--connect "jdbc:mysql://hadoop1:3306/source?useSSL=false&user=root&password=123456" \
--table sales_order \
--columns "order_number,customer_number,pruduct_code,order-date,entry_date,order_amount" \
--where "entry_date

说明：
select current_date() 2023-07-12 
entry_date是个时间戳 年-月-日 时:分:秒.毫秒
上面的语句建立一个名为myjob_1的sqoop作业。使用--where参数是为了导入前一天的数据。例如，在2点执行此作业，则不会导入0到2点这个两个小时产生的销售订单数据。

2）查看此时作业中保存的last-value，结果如下显示

sqoop job --show myjob_1 | grep last.value

可以看到，last-value的值为初始的'1900-01-01' 

3）首次执行作业

sqoop job -exec myjob_1

因为last-value的值为'1900-01-01'，所以这次会导入全部数据，查询ods.sals_order，最后结果如下所示

4）查看此时作业中保存的last-value，结果显示如下

sqoop job --show myjob_1 | grep last.value

可以看到，last-value的值为当前最大值'2016-06-30 05:20:47.0' 

5）在Mysql该表增加两条数据

一条7月3日，一条7月4日

6）再次执行sqoop作业，因为last-value的值为'2016-06-30 05:20:47'。所以这次只会导入entry_date比'2016-06-30 05:20:47'大的数据

sqoop job -exec myjob_1

7）查看此时作业中保存的last-value，结果如下所示

因为当前为7月4号，所以只导入了7月3号的数据  

8）实际生产中在shell脚本里直接写sqoop执行语句就行

sqoop job --exec myjob_1