sqoop

Posted 2022-10-29 丶落幕

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相关的知识，希望对你有一定的参考价值。

sqoop

1 Sqoop 简介
2 Sqoop 原理
3 Sqoop 安装
4 Sqoop 的简单使用案例
5 Sqoop 一些常用命令及参数
总结

1 Sqoop 简介

Sqoop 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。

Sqoop2 的最新版本是 1.99.7。请注意，2 与 1 不兼容，且特征不完整，它并不打算用于生产部署。

2 Sqoop 原理

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。

3 Sqoop 安装

安装 Sqoop 的前提是已经具备 Java 和 Hadoop 的环境。

3.1 下载并解压

1.下载地址：

2.上传安装包

3.解压 sqoop 安装包到指定目录

tar -zxvf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/
#改个名字
mv sqoop-1.4.6.bin__hadoop-2.0.4-alpha/ sqoop-1.4.6

3.2 修改配置文件

#进入配置文件目录
cd /opt/sqoop-1.4.6/conf/
#cp配置文件
cp sqoop-env-template.sh sqoop-env.sh
#编辑配置文件
vim sqoop-env.sh

3.3 拷贝 JDBC 驱动

cp mysql-connector-java-5.1.27-bin.jar /opt/sqoop-1.4.6/lib/

3.4 验证 Sqoop

我们可以通过某一个 command 来验证 sqoop 配置是否正确：

bin/sqoop help

3.5 测试 Sqoop 是否能够成功连接数据库

bin/sqoop list-databases --connect jdbc:mysql://hadoop143:3306/ --username root --password root

4 Sqoop 的简单使用案例

4.1 导入数据

在 Sqoop 中，“导入”概念指：从非大数据集群（RDBMS）向大数据集群（HDFS，HIVE， HBASE）中传输数据，叫做：导入，即使用 import 关键字。

4.1.1 RDBMS 到 HDFS

1.确定 Mysql 服务开启正常

2.在 Mysql 中新建一张表并插入一些数据

3.导入数据

全部导入

–delete-target-dir 如果路径存在,会删除

–num-mappers 参数指定map task个数，默认是四个。当指定为1时，可以不用设置split-by参数，不指定num-mappers时，默认为4，当不指定或者num-mappers大于1时，需要指定split-by参数。

bin/sqoop import \\
--connect jdbc:mysql://hadoop143:3306/chen \\
--username root \\
--password root \\
--table dept \\
--target-dir /user/chen/dept \\
--delete-target-dir \\
--num-mappers 1 \\
--fields-terminated-by "\\t"

查询导入

注意: 如果 query 后面的语句用的 “” ,那么 $CONDITIONS 前面要加反斜杠 \\ 转义

bin/sqoop import \\
--connect jdbc:mysql://hadoop143:3306/chen \\
--username root \\
--password root \\
--target-dir /user/chen/dept \\
--delete-target-dir \\
--num-mappers 1 \\
--fields-terminated-by "\\t" \\
--query 'select * from dept where deptno=10 and $CONDITIONS'

导入指定列

bin/sqoop import \\
--connect jdbc:mysql://hadoop143:3306/chen \\
--username root \\
--password root \\
--target-dir /user/chen/dept \\
--delete-target-dir \\
--num-mappers 1 \\
--fields-terminated-by "\\t" \\
--columns deptno,dname \\
--table dept

使用 sqoop 关键字筛选查询导入数据

–columns 可以和 --where一起使用

bin/sqoop import \\
--connect jdbc:mysql://hadoop143:3306/chen \\
--username root \\
--password root \\
--target-dir /user/chen/dept \\
--delete-target-dir \\
--num-mappers 1 \\
--fields-terminated-by "\\t" \\
--table dept \\
--where "deptno=40"

4.1.2 RDBMS 到 Hive

如果版本冲突的话,会报一个找不到方法异常(getpassword),我也不知道怎么解决

所以重新搞了套集群,hadoop141,142,143,变成了hadoop151,152,153

bin/sqoop import \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--delete-target-dir \\
--num-mappers 1 \\
--hive-import \\
--fields-terminated-by "\\t" \\
--hive-overwrite \\
--hive-table dept_hive

提示：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

4.1.3 RDBMS 到 Hbase

这里sqoop和hbase还是兼容的不好,hbase需要提前建好表,不然会报错

bin/sqoop import \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--columns "deptno,dname,loc" \\
--column-family "info" \\
--hbase-create-table \\
--hbase-row-key "deptno" \\
--hbase-table "hbase_dept" \\
--num-mappers 1 \\
--split-by deptno

提示：sqoop1.4.6 只支持 HBase1.0.1 之前的版本的自动创建 HBase 表的功能

这里只有1步,通过mr直接写入hbase,之前有写过java代码

4.2、导出数据

在 Sqoop 中，“导出”概念指：从大数据集群（HDFS，HIVE，HBASE）向非大数据集群（RDBMS）中传输数据，叫做：导出，即使用 export 关键字。

4.2.1 HIVE/HDFS 到 RDBMS

这里直接truncate了dept表,否则主键重复会报错

bin/sqoop export \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--num-mappers 1 \\
--export-dir /user/hive/warehouse/dept_hive \\
--input-fields-terminated-by "\\t"

提示：Mysql 中如果表不存在，不会自动创建

4.3 脚本打包

使用 opt 格式的文件打包 sqoop 命令，然后执行

1.创建一个.opt 文件

mkdir opttouch opt/job_HDFS2RDBMS.opt

2.编写 sqoop 脚本

export
--connect
jdbc:mysql://hadoop153:3306/chen
--username
root
--password
root
--table
dept
--num-mappers
1
--export-dir
/user/hive/warehouse/dept_hive
--input-fields-terminated-by
"\\t"

3.执行该脚本

bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

5 Sqoop 一些常用命令及参数

5.1 常用命令列举

这里给大家列出来了一部分 Sqoop 操作时的常用参数，以供参考，需要深入学习的可以参看对应类的源代码。

命令	类	说明
import	ImportTool	将数据导入到集群
export	ExportTool	将集群数据导出
codegen	CodeGenTool	获取数据库中某张表数据生成Java 并打包 Jar
create-hive-table	CreateHiveTableTool	创建 Hive 表
eval	EvalSqlTool	查看 SQL 执行结果
import-all-tables	ImportAllTablesTool	导入某个数据库下所有表到 HDFS 中
job	JobTool	用来生成一个 sqoop 的任务，生成后，该任务并不执行，除非使用命令执行该任务。
list-databases	ListDatabasesTool	列出所有数据库名
list-tables	ListTablesTool	列出某个数据库下所有表
merge	MergeTool	将 HDFS 中不同目录下面的数据合在一起，并存放在指定的目录中
metastore	MetastoreTool	记录 sqoop job 的元数据信息，如果不启动 metastore 实例，则默认的元数据存储目录为：~/.sqoop，如果要更改存储目录，可以在配置文件 sqoop-site.xml 中进行更改。
help	HelpTool	打印 sqoop 帮助信息
version	VersionTool	打印 sqoop 版本信息

5.2 命令&参数详解

刚才列举了一些 Sqoop 的常用命令，对于不同的命令，有不同的参数，让我们来一一列举说明。

首先来我们来介绍一下公用的参数，所谓公用参数，就是大多数命令都支持的参数。

5.2.1 公用参数：数据库连接

参数	说明
–connect	连接关系型数据库的 URL
–connection-manager	指定要使用的连接管理类
–driver	Hadoop 根目录
–help	打印帮助信息
–password	连接数据库的密码
–username	连接数据库的用户名
–verbose	在控制台打印出详细信息

5.2.2 公用参数：import

参数	说明
–enclosed-by< char >	给字段值前加上指定的字符
–escaped-by< char >	对字段中的双引号加转义符
–fields-terminated-by< char >	设定每个字段是以什么符号作为结束，默认为逗号
–lines-terminated-by< char >	设定每行记录之间的分隔符，默认是\\n
–mysql-delimiters	Mysql 默认的分隔符设置，字段之间以逗号分隔，行之间以 \\n 分隔，默认转义符是\\，字段值以单引号包裹。
–optionally-enclosed-by< char >

5.2.3 公用参数：export

参数	说明
–input-enclosed-by < char >	对字段值前后加上指定字符
–input-escaped-by < char >	对含有转移符的字段做转义处理
–input-fields-terminated-by < char >	字段之间的分隔符
–input-lines-terminated-by < char >	行之间的分隔符
–input-optionally-enclosed-by < char >	给带有双引号或单引号的字段前后加上指定字符

5.2.4 公用参数：hive

参数	说明
–hive-delims-replacement < arg >	用自定义的字符串替换掉数据中的\\r\\n和\\013 \\010等字符
–hive-drop-import-delims	在导入数据到 hive 时，去掉数据中的\\r\\n\\013\\010 这样的字符
–map-column-hive < arg >	生成 hive 表时，可以更改生成字段的数据类型
–hive-partition-key	创建分区，后面直接跟分区名，分区字段的默认类型为 string
–hive-partition-value < v >	导入数据时，指定某个分区的值
–hive-home < dir >	hive 的安装目录，可以通过该参数覆盖之前默认配置的目录
–hive-import	将数据从关系数据库中导入到 hive 表中
–hive-overwrite	覆盖掉在 hive 表中已经存在的数据
–create-hive-table	默认是 false，即，如果目标表已经存在了，那么创建任务失败。
–hive-table	后面接要创建的 hive 表,默认使用 MySQL 的表名
–table	指定关系数据库的表名

公用参数介绍完之后，我们来按照命令介绍命令对应的特有参数。

5.2.5 命令&参数：import

将关系型数据库中的数据导入到 HDFS（包括 Hive，HBase）中，如果导入的是 Hive，那么当 Hive 中没有对应表时，则自动创建。

1.命令：

如：导入数据到 hive 中

bin/sqoop import \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--hive-import

如：增量导入数据到 hive 中，mode=append

bin/sqoop import \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--num-mappers 1 \\
--fields-terminated-by "\\t" \\
--target-dir /user/hive/warehouse/dept_hive \\
--check-column deptno \\
--incremental append \\
--last-value 3

尖叫提示：append 不能与–hive-等参数同时使用（Append mode for hive imports is not yet supported. Please remove the parameter --append-mode）

如：增量导入数据到 hdfs 中，mode=lastmodified

先在 mysql 中建表并插入几条数据：

mysql> create table staff_timestamp(id int(4), name varchar(255), sex varchar(255),last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);mysql> insert into staff_timestamp (id, name, sex) values(1, 'AAA', 'female');mysql> insert into staff_timestamp (id, name, sex) values(2, 'BBB', 'female');

先导入一部分数据：

bin/sqoop import \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table staff_timestamp \\
--delete-target-dir \\
--m 1

再增量导入一部分数据：

mysql> insert into staff_timestamp (id, name, sex) values(3, 'CCC', 'female');

bin/sqoop import \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table staff_timestamp \\
--check-column last_modified \\
--incremental lastmodified \\
--last-value "2021-08-11 21:16:21" \\
--m 1 \\
--append

尖叫提示：使用 lastmodified 方式导入数据要指定增量数据是要–append（追加）还是要 --merge-key（合并）

尖叫提示：last-value 指定的值是会包含于增量导入的数据中

2.参数：

参数	说明
–append	将数据追加到 HDFS 中已经存在的 DataSet 中，如果使用该参数，sqoop 会把数据先导入到临时文件目录，再合并。
–as-avrodatafile	将数据导入到一个 Avro 数据文件中
–as-sequencefile	将数据导入到一个 sequence 文件中
–as-textfile	将数据导入到一个普通文本文件中
–boundary-query < statement >	边界查询，导入的数据为该参数的值（一条 sql 语句）所执行的结果区间内的数据。
–columns < col1, col2, col3 >	指定要导入的字段
–direct	直接导入模式，使用的是关系数据库自带的导入导出工具，以便加快导入导出过程。
–direct-split-size	在使用上面 direct 直接导入的基础上，对导入的流按字节分块，即达到该阈值就产生一个新的文件
–inline-lob-limit	设定大对象数据类型的最大值
–m 或–num-mappers	启动 N 个 map 来并行导入数据，默认 4 个。
–query 或–e < statement >	将查询结果的数据导入，使用时必须伴随参–target-dir， --hive-table，如果查询中有 where 条件，则条件后必须加上$CONDITIONS 关键字
–split-by < column-name >	按照某一列来切分表的工作单元，不能与–autoreset-to-one-mapper 连用（请参考官方文档）
–table < table-name >	关系数据库的表名
–target-dir < dir >	指定 HDFS 路径
–warehouse-dir < dir >	与 14 参数不能同时使用，导入数据到 HDFS 时指定的目录
–where	从关系数据库导入数据时的查询条件
–z 或–compress	允许压缩
–compression-codec	指定 hadoop 压缩编码类，默认为 gzip(Use Hadoop codec default gzip)
–null-string < null-string >	string 类型的列如果 null，替换为指定字符串
–null-non-string < null-string >	非 string 类型的列如果 null，替换为指定字符串
–check-column < col >	作为增量导入判断的列名
–incremental < mode >	mode：append 或 lastmodified
–last-value < value >	指定某一个值，用于标记增量导入的位置

5.2.6 命令&参数：export

从 HDFS（包括 Hive 和 HBase）中奖数据导出到关系型数据库中。

1.命令：

bin/sqoop export \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--export-dir /user/hive/warehouse/dept_hive \\
--input-fields-terminated-by "\\t" \\
--num-mappers 1

2.参数：

参数	说明
–direct	利用数据库自带的导入导出工具，以便于提高效率
–export-dir < dir >	存放数据的 HDFS 的源目录
-m 或–num-mappers < n >	启动 N 个 map 来并行导入数据，默认 4 个
–table < table-name >	指定导出到哪个 RDBMS 中的表
–update-key < col-name >	对某一列的字段进行更新操作
–update-mode < mode >	updateonly allowinsert(默认)
–input-null-string < null-string >	请参考 import 该类似参数说明
–input-null-non-string < null-string >	请参考 import 该类似参数说明
–staging-table < staging-table-name >	创建一张临时表，用于存放所有事务的结果，然后将所有事务结果一次性导入到目标表中，防止错误。
–clear-staging-table	如果第 9 个参数非空，则可以在导出操作执行前，清空临时事务结果表

5.2.7 命令&参数：codegen

将关系型数据库中的表映射为一个 Java 类，在该类中有各列对应的各个字段。如：

bin/sqoop codegen \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--bindir /opt/dept \\
--class-name Dept \\
--fields-terminated-by "\\t"

参数	说明
–bindir < dir >	指定生成的 Java 文件、编译成的 class 文件及将生成文件打包为 jar 的文件输出路径
–class-name < name >	设定生成的 Java 文件指定的名称
–outdir < dir >	生成 Java 文件存放的路径
–package-name < name >	包名，如 com.z，就会生成 com 和 z 两级目录
–input-null-non-string < null-str >	在生成的 Java 文件中，可以将 null 字符串或者不存在的字符串设置为想要设定的值（例如空字符串）
–input-null-string < null-str >	将 null 字符串替换成想要替换的值（一般与 5 同时使用）
–map-column-java < arg >	数据库字段在生成的 Java 文件中会映射成各种属性，且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型，例如： --map-column-java id=long, name=String
–null-non-string < null-str >	在生成 Java 文件时，可以将不存在或者 null 的字符串设置为其他值
–null-string < null-str >	在生成 Java 文件时，将 null 字符串设置为其他值（一般与 8 同时使用）
–table < table-name >	对应关系数据库中的表名，生成的 Java 文件中的各个属性与该表的各个字段一一对应

5.2.8 命令&参数：create-hive-table

生成与关系数据库表结构对应的 hive 表结构。

命令：

bin/sqoop create-hive-table \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--hive-table hive_dept

参数	说明
–hive-home < dir >	Hive 的安装目录，可以通过该参数覆盖掉默认的 Hive 目录
–hive-overwrite	覆盖掉在 Hive 表中已经存在的数据
–create-hive-table	默认是 false，如果目标表已经存在了，那么创建任务会失败
–hive-table	后面接要创建的 hive 表
–table	指定关系数据库的表名

5.2.9 命令&参数：eval

可以快速的使用 SQL 语句对关系型数据库进行操作，经常用于在 import 数据之前，了解一下 SQL 语句是否正确，数据是否正常，并可以将结果显示在控制台。

命令：

bin/sqoop eval \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--query "SELECT * FROM dept"

参数	说明
–query 或–e	后跟查询的 SQL 语句

5.2.10 命令&参数：import-all-tables

可以将 RDBMS 中的所有表导入到 HDFS 中，每一个表都对应一个 HDFS 目录

命令：

bin/sqoop import-all-tables \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--warehouse-dir /all_tables

这些参数的含义均和 import 对应的含义一致

5.2.11 命令&参数：job

用来生成一个 sqoop 任务，生成后不会立即执行，需要手动执行。

命令：

bin/sqoop job \\
--create myjob -- import-all-tables \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root

查看job

bin/sqoop job --list

执行job

bin/sqoop job --exec myjob

尖叫提示：注意 import-all-tables 和它左边的–之间有一个空格

尖叫提示：如果需要连接 metastore，则–meta-connect jdbc:hsqldb:hsql://hadoop151:16000/sqoop

参数：

参数	说明
–create < job-id >	创建 job 参数
–delete < job-id >	删除一个 job
–exec < job-id >	执行一个 job
–help	显示 job 帮助
–list	显示 job 列表
–meta-connect < jdbc-uri >	用来连接 metastore 服务
–show < job-id >	显示一个 job 的信息
–verbose	打印命令运行时的详细信息

尖叫提示：在执行一个 job 时，如果需要手动输入数据库密码，可以做如下优化

<property>    
	<name>sqoop.metastore.client.record.password</name>    
	<value>true</value>    
	<description>If true, allow saved passwords in the metastore.</description>
</property>

5.2.12 命令&参数：list-databases

命令：

bin/sqoop list-databases \\
--connect jdbc:mysql://hadoop153:3306/ \\
--username root \\
--password root

参数：与公用参数一样

5.2.13 命令&参数：list-tables

命令：

bin/sqoop list-tables \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root

参数：与公用参数一样

5.2.14 命令&参数：merge

将 HDFS 中不同目录下面的数据合并在一起并放入指定目录中

数据环境：

#new_staff
1 AAA male
2 BBB male
3 CCC male
4 DDD male
#old_staff
1 AAA female
2 CCC female
3 BBB female
6 DDD female

尖叫提示：上边数据的列之间的分隔符应该为\\t，行与行之间的分割符为\\n，如果直接复制，请检查之。(复制下来变空格了,就按空格切)

命令：

创建 JavaBean：

bin/sqoop codegen \\
--connect jdbc:mysql://hadoop153:3306/chen \\
--username root \\
--password root \\
--table dept \\
--bindir /opt/dept \\
--class-name Dept \\
--fields-terminated-by " "

开始合并：

bin/sqoop merge \\
--new-data /test/new/ \\
--onto /test/old/ \\
--target-dir /test/merged \\
--jar-file /opt/dept/Dept.jar \\
--class-name Dept \\
--merge-key deptno

结果：

1 AAA MALE
2 BBB MALE
3 CCC MALE
4 DDD MALE
6 DDD FEMALE

参数：

参数	说明
–new-data < path >	HDFS 待合并的数据目录，合并后在新的数据集中保留
–onto < path >	HDFS 合并后，重复的部分在新的数据集中被覆盖
–merge-key < col >	合并键，一般是主键 ID
–jar-file < file >	合并时引入的 jar 包，该 jar 包是通过 Codegen 工具生成的 jar 包
–class-name < class >	对应的表名或对象名，该 class 类是包含在 jar 包中的
–target-dir < path >	合并后的数据在 HDFS 里存放的目录