ETL工具sqoop

Posted 2022-04-20 数据是个宝

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了ETL工具sqoop相关的知识，希望对你有一定的参考价值。

ETL工具sqoop

文章目录

ETL工具sqoop

sqoop简介

Sqoop(发音：skup)是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql…)间进行数据的传递，可以将一个关系型数据库（例如： MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
Sqoop项目开始于2009年，最早是作为Hadoop的一个第三方模块存在，后来为了让使用者能够快速部署，也为了让开发人员能够更快速的迭代开发，Sqoop独立成为一个Apache项目。
Sqoop是一个在（MySQL、Oracle）等关系型数据库和大数据平台之间进行批量数据迁移的工具。Sqoop底层能实现将关系型数据库中的数据迁移到大数据平台上是因为sqoop的底层是采用MapReduce程序实现抽取、转换、加载，MapReduce本身就并行化和高容错率，能很好的保证数据的迁移，而且与Kettle等传统ETL工具相比，Sqoop的任务跑在Hadoop集群上，能有效减少ETL服务器资源的使用情况

sqoop安装

一、安装包的获取：

sqoop安装包：
官网：http://archive.apache.org/dist/sqoop/1.4.6/sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz
mysql驱动：
网盘链接：https://pan.baidu.com/s/1-xksqP7DhP3wWIQeKgVi7A
提取码：1111

二、上传安装包到服务器

将sqoop安装包和mysql驱动器上传到集群中

三、进行安装配置

①解压sqoop压缩包

tar -zvxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/

②修改名字

mv sqoop-1.4.6.bin__hadoop-2.0.4-alpha sqoop

③修改配置文件
在sqoop/conf/目录下修改sqoop-env-template.sh的名字

mv sqoop-env-template.sh sqoop-env.sh

向sqoop-env.sh中最后添加如下配置：

export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2
export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2
export HIVE_HOME=/opt/module/hive
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
export ZOOCFGDIR=/opt/module/zookeeper-3.4.10/conf
export HBASE_HOME=/opt/module/hbase

④将jdbc驱动拷贝到sqoop/lib/目录下
cp mysql-connector-java-5.1.27-bin.jar 到 /sqoop/lib/目录下

四、验证sqoop

使用一个command命令检查sqoop是否安装完成
bin/sqoop help
出现一下内容便是安装完成：

测试是否能连接上mysql数据库

bin/sqoop list-databases --connect jdbc:mysql://bigdata01:3306/ --username root --password 123456

如果连接成功会获取到当前mysql数据库中的数据库

sqoop常用命令

sqoop import 导入
--connect jdbc:mysql://127.0.0.1:3306/$db_name 连接数据库
--username root 数据库用户名  
--password root 数据库密码
--target-dir /origin_data/$db_name/db/$1/$db_date HDFS地址
--table db_table 源头数据表
--delete-target-dir HDFS地址存在删除
--num-mappers $2 \\--split-by $3 maptask数量
--input-null-string '\\\\N' 空值转换
--input-null-non-string '\\\\N' 非空字符串替换
--fields-terminated-by "\\t" 字符串分割
--query "$4"' and $CONDITIONS;'
-hive-home <dir> 重写$HIVE_HOME
-hive-import 插入数据到hive当中，使用hive的默认分隔符
-hive-overwrite 重写插入
-create-hive-table 建表，如果表已经存在，该操作会报错
-hive-table <table-name> 设置到hive当中的表名
-hive-drop-import-delims 导入到hive时删除 \\n, \\r, and \\0001
-hive-delims-replacement 导入到hive时用自定义的字符替换掉 \\n, \\r, and \\0001
-hive-partition-key hive分区的key
-hive-partition-value <v> hive分区的值
-map-column-hive <map> 类型匹配，sql类型对应到hive类型

sqoop案例

一、基础操作

列出MySQL中有哪些数据库

bin/sqoop list-databases --connect jdbc:mysql://bigdata01:3306/ --username root --password 123456

结果：

列出MySQL中test数据库下有哪些表

bin/sqoop list-tables --connect jdbc:mysql://bigdata01:3306/test --username root --password 123456

结果：

在hive中etl数据库下创建一张跟mysql中一模一样的表

bin/sqoop create-hive-table --connect jdbc:mysql://bigdata01:3306/test --username root --password 123456 --table student1 --hive-table etl.student1_hive

结果：

表结构与mysql中的student1完全相同

二、导入数据操作

导入数据指的是从非大数据平台（EDBMS）将数据同步到大数据平台（HDFS、Hive、HBASE等）,关键字import

MySQL到HDFS
1.1、准备数据表
首先在mysql中创建一张表

CREATE TABLE `student1` (
  `id` int(11) NOT NULL,
  `name` varchar(32) NOT NULL,
  `sex` varchar(4) NOT NULL,
  `age` int(11) NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

向表中插入数据

insert  into `student1`(`id`,`name`,`sex`,`age`) values (1,'sda','男',12),(2,'efa','女',15),(3,'nnc','女',19),(4,'fri','女',35),(5,'ethan','男',18),(6,'徐象','男',98),(7,'学习','女',18);

1.2、导入数据
1.2.1、全表导入到HDFS

bin/sqoop import \\
--connect jdbc:mysql://bigdata01:3306/test \\
--username root \\
--password 123456 \\
--table student1 \\
--target-dir /test/ \\
--delete-target-dir \\
--fields-terminated-by "\\t" \\
--num-mappers 1

结果

批量导入可以使用shell脚本，我这里仅提供一个范例，需要的同学自行修改脚本内容，并且才去的是全量导入方式，如果只需要进行增量或者变化量的导入此脚本不适用。
批量导入十张表脚本：

#! /bin/bash

sqoop=/opt/module/sqoop/bin/sqoop
#创建一个存放mysql表名的数组
tables=(activity_info activity_order activity_rule activity_sku base_category1 base_province base_region comment_info holiday_info date_info)
#循环遍历执行导入数据
for i in $tables[@]
do

	$sqoop import \\
	--connect jdbc:mysql://bigdata01:3306/gmall \\
	--username root \\
	--password 123456 \\
	--table $i  \\
	--num-mappers 1 \\
	--hive-import \\
	--fields-terminated-by "\\t" \\
	--hive-overwrite \\
	--hive-table etl.$i

done

1.2.2、导入指定的列到HDFS --columns
bash bin/sqoop import \\ --connect jdbc:mysql://bigdata01:3306/test \\ --username root \\ --password 123456 \\ --table student1 \\ --columns id,name,sex \\ --target-dir /test/student1 \\ --delete-target-dir \\ --fields-terminated-by "\\t" \\ --num-mappers 1 \\ --split-by id
结果：

1.2.3、导入指定条件的数据到HDFS --where
内容：从student1表中查询出学生中年龄大于18岁的学生，并导入到HDFS中
bash bin/sqoop import \\ --connect jdbc:mysql://bigdata01:3306/test \\ --username root \\ --password 123456 \\ --table student1 \\ --where 'age>18 and sex="男"' \\ --target-dir /test/student1 \\ --delete-target-dir \\ --fields-terminated-by "\\t" \\ --num-mappers 1 \\ --split-by id
结果：

1.2.4、将查询结果导入到HDFS
内容：从student1表中查询出学生中年龄小于等于25的学生，并导入到HDFS中
注意：如果query后使用的是双引号，则$CONDITIONS前必须加转移符，防止shell识别为自己的变量。
bash bin/sqoop import \\ --connect jdbc:mysql://bigdata01:3306/test \\ --username root \\ --password 123456 \\ --query "select * from student1 where \\$CONDITIONS and age <= 25" \\ --target-dir /test/student1 \\ --delete-target-dir \\ --fields-terminated-by "\\t" \\ --num-mappers 1 \\ --split-by id
结果：

MySQL到Hive
首先要启动hive元数据服务
将MySQL中的test表导入到hive中

bin/sqoop import \\
--connect jdbc:mysql://bigdata01:3306/test\\
--username root \\
--password 123456 \\
--table student1\\
--num-mappers 1 \\
--hive-import \\
--fields-terminated-by "\\t" \\
--hive-overwrite \\
--hive-table student1

结果：

注意:该过程分为两步，第一步将数据导入到HDFS，第二步将导入到HDFS的数据迁移到Hive仓库

MySQL到HBase
首先要启动HBASE服务。同时在HBASE中手动创建表，因为部分版本原因，可能导致sqoop不会在HBASE中自动创建表格
3.1 在HBASE中创建student1_hbase表

3.2 将mysql中的数据同步到HBASE中

bin/sqoop import \\
--connect jdbc:mysql://bigdata01:3306/test \\
--username root \\
--password 123456 \\
--table student1 \\
--where 'id >= 5' \\
--hbase-create-table \\
--hbase-table "student1_hbase" \\
--hbase-row-key "id" \\
--column-family "info" \\
--num-mappers 1 \\
--split-by id

结果：

三、导出数据操作

指定是将数据从大数据平台向非大数据平台同步数据。关键字export

从Hive/HDFS导出数据到MySQL
hive的数据存储在hdfs，因此我们从hive导出到mysql的时候导的路径是hdfs上数据文件的位置。

 bin/sqoop export \\
--connect "jdbc:mysql://bigdata01:3306/etl?useUnicode=true&characterEncoding=utf-8" \\
--username root \\
--password 123456 \\
--table grade \\
--num-mappers 1 \\
--export-dir /user/hive/warehouse/etl.db/grade/ \\
--input-fields-terminated-by "\\t"

以上是关于ETL工具sqoop的主要内容，如果未能解决你的问题，请参考以下文章

sqoop ETL工具

数据处理大数据数据抽取 ETL 工具 DataX KettleSqoop

基于Hadoop生态圈的数据仓库实践 —— ETL