sqoop 数据抽取到hive语法

Posted 程序工厂

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sqoop 数据抽取到hive语法相关的知识,希望对你有一定的参考价值。

在使用sqoop将数据库中的数据抽取到hive中时创建语法

全量数据导入

就像名字起的那样,全量数据导入就是一次性将所有需要导入的数据,从关系型数据库一次性地导入到Hadoop中(可以是HDFS、Hive等)。全量导入形式使用场景为一次性离线分析场景。用sqoop import命令,具体如下

# 全量数据导入
sqoop import \\
 --connect jdbc:mysql://192.168.xxx.xxx:3316/testdb \\
 --username root \\
 --password 123456 \\
 --query “select * from test_table where \\$CONDITIONS” \\
 --target-dir /user/root/person_all \\ 
 --fields-terminated-by “,” \\
 --hive-drop-import-delims \\
 --null-string “\\\\N” \\
 --null-non-string “\\\\N” \\
 --split-by id \\
 -m 6 \\
参数说明
– querySQL查询语句
– target-dirHDFS目标目录(确保目录不存在,否则会报错,因为Sqoop在导入数据至HDFS时会自己在HDFS上创建目录)
–hive-drop-import- delims删除数据中包含的Hive默认分隔符(^A, ^B, \\n)
–null-stringstring类型空值的替换符(Hive中Null用\\n表示)
–null-non-string非string类型空值的替换符
–split-by数据切片字段(int类型,m>1时必须指定)
-mMapper任务数,默认为4
--hive-drop-import-delims删除数据中含有的默认的分隔符
--fields-terminated-by \\t这个用来指定数据行的分隔符号
--lines-terminated-by '\\n'用来指定数据行间的分隔符
--compression-codec lzo用来指定数据表的压缩格式
--target-dir导入指定的目录中
--check-column指定增量导入时的参考列

增量数据导入

事实上,在生产环境中,系统可能会定期从与业务相关的关系型数据库向Hadoop导入数据,导入数仓后进行后续离线分析。故我们此时不可能再将所有数据重新导一遍,此时我们就需要增量数据导入这一模式了。

增量数据导入分两种,

  1. 基于递增列的增量数据导入(Append方式)
  2. 基于时间列的增量数据导入(LastModified方式)

Append方式

举个栗子,有一个订单表,里面每个订单有一个唯一标识自增列ID,在关系型数据库中以主键形式存在。之前已经将id在0~5201314之间的编号的订单导入到Hadoop中了(这里为HDFS),现在一段时间后我们需要将近期产生的新的订单数据导入Hadoop中(这里为HDFS),以供后续数仓进行分析。此时我们只需要指定–incremental 参数为append,–last-value参数为5201314即可。表示只从id大于5201314后开始导入。

# Append方式的全量数据导入
 sqoop import \\
   --connect jdbc:mysql://192.168.xxx.xxx:3316/testdb \\
   --username root \\
   --password 123456 \\
   --query “select order_id, name from order_table where \\$CONDITIONS” \\
   --target-dir /user/root/orders_all \\ 
   --split-by order_id \\
   -m 6  \\
   --incremental append \\
   --check-column order_id \\
   --last-value 5201314
参数说明
–incremental append基于递增列的增量导入(将递增列值大于阈值的所有数据增量导入Hadoop)
–check-column递增列(int)
–last-value阈值(int)

lastModify方式

此方式要求原有表中有time字段,它能指定一个时间戳,让Sqoop把该时间戳之后的数据导入至Hadoop(这里为HDFS)。因为后续订单可能状态会变化,变化后time字段时间戳也会变化,此时Sqoop依然会将相同状态更改后的订单导入HDFS,当然我们可以指定merge-key参数为orser_id,表示将后续新的记录与原有记录合并。

# 将时间列大于等于阈值的数据增量导入HDFS
 sqoop import \\
   --connect jdbc:mysql://192.168.xxx.xxx:3316/testdb \\
   --username root \\
   --password transwarp \\
   --query “select order_id, name from order_table where \\$CONDITIONS” \\
   --target-dir /user/root/order_all \\ 
   --split-by id \\
   -m 4  \\
   --incremental lastmodified \\
   --merge-key order_id \\
   --check-column time \\
   # remember this date !!!
   --last-value “2014-11-09 21:00:00” 
参数说明
–incremental lastmodified基于时间列的增量导入(将时间列大于等于阈值的所有数据增量导入Hadoop)
–check-column时间列(int)
–last-value阈值(int)
–merge-key合并列(主键,合并键值相同的记录)

并发导入参数如何设置?

我们知道通过 -m 参数能够设置导入数据的 map 任务数量,即指定了 -m 即表示导入方式为并发导入,这时我们必须同时指定 - -split-by 参数指定根据哪一列来实现哈希分片,从而将不同分片的数据分发到不同 map 任务上去跑,避免数据倾斜。

  • 生产环境中,为了防止主库被Sqoop抽崩,我们一般从备库中抽取数据。
  • 一般RDBMS的导出速度控制在60~80MB/s,每个 map 任务的处理速度5~10MB/s 估算,即 -m 参数一般设置4~8,表示启动 4~8 个map 任务并发抽取。

对换行等特殊字符的替换或者删除

Argument    Description注释
--hive-home <dir>Override $HIVE_HOME覆盖 $HIVE_HOME
--hive-importImport tables into Hive (Uses Hive’s default delimiters if none are set.)将表导入 Hive(如果没有设置,则使用 Hive 的默认分隔符。)
--hive-overwriteOverwrite existing data in the Hive table.覆盖 Hive 表中的现有数据。
-create-hive-table If set, then the job will fail if the target hive table exits. By default this property is false.

如果设置,那么如果目标配置单元,作业将失败 

表退出。默认情况下,此属性为 false。

--hive-table <table-name>Sets the table name to use when importing to Hive.设置导入到 Hive 时要使用的表名。
--hive-drop-import-delimsDrops \\n, \\r, and \\01 from string fields when importing to Hive. 导入到 Hive 时,从字符串字段中删除 \\n、  \\r和 \\01。
--hive-delims-replacementReplace \\n, \\r, and \\01 from string fields with user defined string when importing to Hive. 导入到 Hive 时,将字符串字段中的\\n、  \\r和 \\01替换 为用户定义的字符串。
--hive-partition-key Name of a hive field to partition are sharded on要分区的 hive 字段的名称被分片
--hive-partition-value <v>

 String-value that serves as partition key for this imported into hive in this job.

在此作业中用作此导入到配置单元的分区键的字符串值。
--map-column-hive <map>Override default mapping from SQL type to Hive type for configured columns.为配置的列覆盖从 SQL 类型到 Hive 类型的默认映射。

使用方法,

1、在原有sqoop语句中添加 --hive-delims-replacement “ ” 可以将如mysql中取到的\\n, \\r, and \\01等特殊字符替换为自定义的字符,此处用了空格

2、在原有sqoop语句中添加 --hive-drop-import-delims 可以将如mysql中取到的\\n, \\r, and \\01等特殊字符丢弃


版权声明:本文为CSDN博主「grootblockchain」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

摘抄自:https://blog.csdn.net/CaptainJava/article/details/82625858

摘抄自:https://blog.csdn.net/qq_35495339/article/details/95619461

以上是关于sqoop 数据抽取到hive语法的主要内容,如果未能解决你的问题,请参考以下文章

sqoop的数据抽取过程记录

sqoop抽取oracle数据至hive并建表

SQOOP增量抽取时,在HIVE中实现类似Oracle的merge操作

sqoop从oracle数据库抽取数据,导入到hive

oozie4.3.0+sqoop1.4.6实现mysql到hive的增量抽取

hive增量抽取方案