数据同步工具Sqoop

Posted 爱是与世界平行

tags:

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

1 概述

Apache Sqoop(SQL-to-Hadoop)项目旨在协助RDBMS(Relational Database Management System:关系型数据库管理系统)与Hadoop之间进行高效的大数据交流。用户可以在 Sqoop 的帮助下,轻松地把关系型数据库的数据导入到 Hadoop 与其相关的系统 (如HBase和Hive)中;同时也可以把数据从 Hadoop 系统里抽取并导出到关系型数据库里。

Sqoop是一个在结构化数据和Hadoop之间进行批量数据迁移的工具,结构化数据可以是MySQL、Oracle等RDBMS。Sqoop底层用MapReduce程序实现抽取、转换、加载,MapReduce天生的特性保证了并行化和高容错率,而且相比Kettle等传统ETL工具,任务跑在Hadoop集群上,减少了ETL服务器资源的使用情况。在特定场景下,抽取过程会有很大的性能提升。

Sqoop的导入和导出功能是通过基于Map Task(只有map)的MapReduce作业实现的。所以它是一种批处理方式进行数据传输,难以实现实时的数据进行导入和导出。

官网:sqoop.apache.org/ 官方文档:sqoop.apache.org/docs/1.99.7… GitHub:github.com/apache/sqoo…

1.1 功能

import : RDBMS–>Hadoop

  • 将数据从关系型数据库或大型主机导入到Hadoop平台,导入进程中的输入内容是数据库表或主机数据集。对于数据库,Sqoop将逐行读取表格到Hadoop。对于主机数据集,Sqoop将从每个主机数据集读取记录到HDFS。导入过程的输出是一组文件,其中包含导入的表或数据集的副本。导入过程是并行执行的。因此,输出将在多个文件中产生。

export: Hadoop – > RDBMS

  • 将数据从Hadoop平台导出到关系数据库或大型主机,Sqoop的导出过程会并行地从HDFS读取所需数据,将它们解析为记录,如果导出到数据库,则将它们作为新行插入到目标数据库表中,如果导出到大型主机,则直接形成数据集,供外部应用程序或用户使用。

​ 用户使用Sqoop时,只需要通过简单的命令进行操作,Sqoop会自动化数据传输中的大部分过程。Sqoop使用MapReduce导入和导出数据,提供并行操作和容错功能。 在使用Sqoop的过程中,用户可以定制导入、导出过程的大多数方面,可以控制导入的特定行范围或列,也可以为数据的基于文件的表示以及所使用的文件格式指定特定的分隔符和转义字符。

1.2 特点

  • 优点:它可以将跨平台的数据进行整合。

  • 缺点:它不是很灵活。

  • 并行处理

    Sqoop充分利用了MapReduce的并行特点,以批处理的方式加快数据的传输,同时也借助MapReduce实现了容错。

  • 适用性高

    通过JDBC接口和关系型数据库进行交互,理论上支持JDBC接口的数据库都可以使用Sqoop和Hadoop进行数据交互。

  • 使用简单

    用户通过命令行的方式对Sqoop进行操作,一共只有15条命令。其中13条命令用于数据处理,操作简单,用户可以轻松地完成Hadoop与RDBMS的数据交互。

1.3 CDH部署Sqoop

2 架构

sqoop的底层实现是mapreduce,所以sqoop依赖于hadoop,sqoop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。

2.1 数据导入(RDBMS->Haoop)

  • sqoop会通过jdbc来获取需要的数据库的元数据信息,例如:导入的表的列名,数据类型。
  • 这些数据库的数据类型会被映射成为java的数据类型,根据这些信息,sqoop会生成一个与表名相同的类用来完成序列化工作,保存表中的每一行记录。
  • sqoop开启MapReduce作业
  • 启动的作业在input的过程中,会通过jdbc读取数据表中的内容,这时,会使用sqoop生成的类进行序列化。
  • 最后将这些记录写到hdfs上,在写入hdfs的过程中,同样会使用sqoop生成的类进行反序列化。

2.2 数据导出(Haoop->RDBMS)

  • 首先sqoop通过jdbc访问关系型数据库获取需要导出的信息的元数据信息
  • 根据获取的元数据信息,sqoop生成一个Java类,用来承载数据的传输,该类必须实现序列化
  • 启动MapReduce程序
  • sqoop利用生成的这个类,并行从hdfs中获取数据
  • 每个map作业都会根据读取到的导出表的元数据信息和读取到的数据,生成一批insert 语句,然后多个map作业会并行的向mysql中插入数据。

3 Sqoop常用命令及参数

3.1 常用命令

序号命令说明
1importImportTool将数据导入到集群
2exportExportTool将集群数据导出
3codegenCodeGenTool获取数据库中某张表数据生成Java并打包Jar
4createhive-tableCreateHiveTableTool创建Hive表
5evalEvalSqlTool查看SQL执行结果
6importall-tablesImportAllTablesTool导入某个数据库下所有表到HDFS中
7jobJobTool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。
8list-databasesListDatabasesTool列出所有数据库名
9list-tablesListTablesTool列出某个数据库下所有表
10mergeMergeTool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
11metastoreMetastoreTool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sqoopsite.xml中进行更改。
12helpHelpTool打印sqoop帮助信息
13versionVersionTool打印sqoop版本信息

3.2 常用参数

所谓公用参数,就是大多数命令都支持的参数。

3.2.1 公用参数 – 数据库连接

序号参数说明
1–connect连接关系型数据库的URL
2–connection-manager指定要使用的连接管理类
3–driverHadoop根目录
4–help打印帮助信息
5–password连接数据库的密码
6–username连接数据库的用户名
7–verbose在控制台打印出详细信息

3.2.2 公用参数 – import

序号参数说明
1–enclosed-by给字段值前加上指定的字符
2–escaped-by对字段中的双引号加转义符
3–fields-terminated-by设定每个字段是以什么符号作为结束,默认为逗号
4–lines-terminated-by设定每行记录之间的分隔符,默认是\\n
5–mysql-delimitersMysql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
6–optionally-enclosed-by给带有双引号或单引号的字段值前后加上指定字符

Import的控制参数,常见Import的控制参数有如下几个:

ArgumentDescription
–append通过追加的方式导入到HDFS
–as-avrodatafile导入为 Avro Data 文件格式
–as-sequencefile导入为 SequenceFiles文件格式
–as-textfile导入为文本格式 (默认值)
–as-parquetfile导入为 Parquet 文件格式
–columns指定要导入的列
–delete-target-dir如果目标文件夹存在,则删除
–fetch-size一次从数据库读取的数量大小
-m,–num-mappersn 用来指定map tasks的数量,用来做并行导入
e,–query指定要查询的SQL语句
–split-by用来指定分片的列
–table需要导入的表名
-target-dirHDFS 的目标文件夹
–where用来指定导入数据的where条件
-z,–compress是否要压缩
–compression-codec使用Hadoop压缩 (默认是 gzip)

3.2.3 公用参数 – export

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

3.2.4 公用参数 – hive

序号参数说明
1–hive-delims-replacement用自定义的字符串替换掉数据中的\\r\\n和\\013\\010等字符
2–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
3–map-column-hive生成hive表时,可以更改生成字段的数据类型
4–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
5–hive-partition-value导入数据时,指定某个分区的值
6–hive-homehive的安装目录,可以通过该参数覆盖之前默认配置的目录
7–hive-import将数据从关系数据库中导入到hive表中
8–hive-overwrite覆盖掉在hive表中已经存在的数据
9–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。
10–hive-table后面接要创建的hive表,默认使用MySQL的表名
11–table指定关系数据库的表名

3.2.5 import参数

序号参数说明
1–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。
2–as-avrodatafile将数据导入到一个Avro数据文件中
3–as-sequencefile将数据导入到一个sequence文件中
4–as-textfile将数据导入到一个普通文本文件中
5–boundary-query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。
6–columns <col1, col2, col3>指定要导入的字段
7–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。
8–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
9–inline-lob-limit设定大对象数据类型的最大值
10–m或–num-mappers启动N个map来并行导入数据,默认4个。
11–query或–e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
12–split-by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)
13–table关系数据库的表名
14–target-dir指定HDFS路径
15–warehouse-dir与14参数不能同时使用,导入数据到HDFS时指定的目录
16–where从关系数据库导入数据时的查询条件
17–z或–compress允许压缩
18–compression-codec指定hadoop压缩编码类,默认为gzip(Use Hadoop codec default gzip)
19–null-stringstring类型的列如果null,替换为指定字符串
20–null-non-string非string类型的列如果null,替换为指定字符串
21–check-column作为增量导入判断的列名
22–incrementalmode:append或lastmodified
23–last-value指定某一个值,用于标记增量导入的位置

3.2.6 export参数

序号参数说明
1–direct利用数据库自带的导入导出工具,以便于提高效率
2–export-dir存放数据的HDFS的源目录
3-m或–num-mappers启动N个map来并行导入数据,默认4个
4–table指定导出到哪个RDBMS中的表
5–update-key对某一列的字段进行更新操作
6–update-modeupdateonly allowinsert(默认)
7–input-null-string请参考import该类似参数说明
8–input-null-non-string请参考import该类似参数说明
9–staging-table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。
10–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

3.3 常用参数

参数说明
–connect连接关系型数据库的URL
–username连接数据库的用户名
–password连接数据库的密码
–driverJDBC的driver class
–query或–e <>将查询结果的数据导入,使用时必须伴随参–target-dir,–hcatalog-table,如果查询中有where条件,则条件后必须加上C O N D I T I O N S 关 键 字 。 如 果 使 用 双 引 号 包 含 s q l , 则 CONDITIONS关键字。如果使用双引号包含sql,则CONDITIONS关键字。如果使用双引号包含sql,则CONDITIONS前要加上\\以完成转义:$CONDITIONS
–hcatalog-database指定HCatalog表的数据库名称。如果未指定,default则使用默认数据库名称。提供 --hcatalog-database不带选项–hcatalog-table是错误的。
–hcatalog-table此选项的参数值为HCatalog表名。该–hcatalog-table选项的存在表示导入或导出作业是使用HCatalog表完成的,并且是HCatalog作业的必需选项。
–create-hcatalog-table此选项指定在导入数据时是否应自动创建HCatalog表。表名将与转换为小写的数据库表名相同。
–hcatalog-storage-stanza ‘stored as orc tblproperties (“orc.compress”=“SNAPPY”)’ \\建表时追加存储格式到建表语句中,tblproperties修改表的属性,这里设置orc的压缩格式为SNAPPY
-m指定并行处理的MapReduce任务数量。-m不为1时,需要用split-by指定分片字段进行并行导入,尽量指定int型。
–split-by id如果指定-split by, 必须使用$CONDITIONS关键字, 双引号的查询语句还要加\\
–hcatalog-partition-keys 或 --hcatalog-partition-valueskeys和values必须同时存在,相当于指定静态分区。允许将多个键和值提供为静态分区键。多个选项值之间用,(逗号)分隔。比如:–hcatalog-partition-keys year,month,day 和 --hcatalog-partition-values 1999,12,31
–null-string ‘\\N’ 或 --null-non-string ‘\\N’指定mysql数据为空值时用什么符号存储,null-string针对string类型的NULL值处理,–null-non-string针对非string类型的NULL值处理
–hive-drop-import-delims设置无视字符串中的分割符(hcatalog默认开启)
–fields-terminated-by ‘\\t’设置字段分隔符

4 Sqoop抽取的两种方式

对于Mysql数据的采集,通常使用Sqoop来进行。

通过Sqoop将关系型数据库数据到Hive有两种方式,一种是原生Sqoop API,一种是使用HCatalog API。两种方式略有不同。
HCatalog方式与Sqoop方式的参数基本都是相同,只是个别不一样,都是可以实现Sqoop将数据抽取到Hive。

4.1 区别

4.1.1 数据格式区别

Sqoop方式支持的数据格式较少,HCatalog支持的数据格式多,包括RCFile, ORCFile, CSV, JSON和SequenceFile等格式。

4.1.2 数据覆盖

Sqoop方式允许数据覆盖,HCatalog不允许数据覆盖,每次都只是追加。

4.1.3 字段名

Sqoop方式比较随意,不要求源表和目标表字段相同(字段名称和个数都可以不相同),它抽取的方式是将字段按顺序插入,比如目标表有3个字段,源表有一个字段,它会将数据插入到Hive表的第一个字段,其余字段为NULL。但是HCatalog不同,源表和目标表字段名需要相同,字段个数可以不相等,如果字段名不同,抽取数据的时候会报NullPointerException错误。HCatalog抽取数据时,会将字段对应到相同字段名的字段上,哪怕字段个数不相等。

4.2 Sqoop的方式

sqoop import \\
--hive-import \\
--connect 'jdbc:mysql://localhost:3306/test' \\
--username 'root' \\
--password '123456789' \\
--query " select order_no from driver_action where  \\$CONDITIONS" \\
--hive-database test \\
--hive-table driver_action \\
--hive-partition-key pt \\
--hive-partition-value 20190901 \\
--null-string '' \\
--null-non-string '' \\
--num-mappers 1 \\
--target-dir /tmp/test \\
--delete-target-dir

4.3 HCatalog方式

sqoop import \\
--connect jdbc:mysql://localhost:3306/test\\
--username 'root' \\
--password 'root' \\
--query "SELECT order_no FROM driver_action  WHERE \\$CONDITIONS" \\
--hcatalog-database test \\
--hcatalog-table driver_action \\
--hcatalog-partition-keys pt \\
--hcatalog-partition-values 20200104 \\
--hcatalog-storage-stanza 'stored as orcfile tblproperties ("orc.compress"="SNAPPY")' \\
--num-mappers 1

4.4 针对不同字段名,想要使用HCatalog方式将数据插入,可以使用下面的方式

sqoop import \\
--connect jdbc:mysql://localhost:3306/test\\
--username 'root' \\
--password 'root' \\
--query "SELECT order_no_src as order_no_target  FROM driver_action WHERE \\$CONDITIONS" \\
--hcatalog-database test \\
--hcatalog-table driver_action \\
--hcatalog-partition-keys pt \\
--hcatalog-partition-values 20200104 \\
--hcatalog-storage-stanza 'stored as orc tblproperties ("orc.compress"="SNAPPY")' \\
--num-mappers 1

5 Sqoop导入实战

5.1 Mysql到Hive

Sqoop连接MySQL需要MySQL的jar包,上传到Sqoop的lib目录下,CDH下Sqoop目录:/opt/cloudera/parcels/CDH-6.3.2.xxxxxxx/lib/sqoop/lib

测试Sqoop能否连接到MySQL,查看存在的数据库:

sqoop list-databases --connect jdbc:mysql://192.168.0.161:3306/ --username root --password 123456

将关系型数据的表结构复制到hive中,只是复制表的结构,表中的内容没有复制过去。

sqoop create-hive-table -connect jdbc:mysql://localhost:3306/sample -table student -username root -password 123456 -hive-table test

其中–table studentMySQL 中的数据库 sample中的表–hive-table testhive中新建的表名称。

指定分区:

#!/bin/sh

sqoop import 	                                        \\
--connect jdbc:oracle:thin:@127.0.0.1:1521:orcl         \\
--username test                                         \\
--password 123456                                       \\
--columns "viewTime,userid,page_url,referrer_url,ip"    \\
--hive-partition-key "dt"                               \\
--hive-partition-value "2018"                           \\
--query "SELECT viewTime,userid,page_url,referrer_url,ip from page_view  WHERE 1=1 and \\$CONDITIONS" \\
--hive-table test.page_view                             \\
--hive-drop-import-delims                               \\ 
--target-dir "/data/test/page_view"                     \\
--hive-overwrite                                        \\
--null-string '\\\\N'                                     \\
--null-non-string '\\\\N'                                 \\
--hive-import;

在使用sqoop导入数据的时候可以指定分区,但是--hive-partition-key--hive-partition-value选项只能指定一个参数,可以使用--hcatalog-partition-keys--hcatalog-partition-values选项指定多个分区字段,用逗号分隔。

导入分区表:

sqoop import \\
--connect jdbc:mysql://single:3306/retail_db \\
--driver com.mysql.jdbc.Driver \\
--username root \\
--password kb10 \\
--query "select order_id,order_status from orders where 
order_date>='2014-07-02' and order_date<'2014-07-03' and \\$CONDITIONS" \\
--hive-import \\
--hive-database sqooptest \\
--hive-table order_partition \\
--hive-partition-key 'order_date' \\
--hive-partition-value '2014-07-02' \\
-m 1

Sqoop将MySQL数据增量导入Hive示例脚本:

#!/bin/bash

export sqoop_home=/usr/bin/sqoop

-- 判断有无传参,有传参使用传参
if [ $# -eq 1 ]
then 
   datestr=$1
else
  datestr=`date -d '-1 day' +%Y  -%m-%d`
fi

start_time=`date +%Y-%m-%d`
year_stat=`date +%Y`
month_stat=`date +%m` 

jdbc_url='jdbc:mysql://hadoop01:3306/nev'
username='root'
password='123456'


$sqoop_home import \\
--connect $jdbc_url \\
--username $username --password $password \\
--query "SELECT  
id,create_date_time,session_id,sid,create_time,seo_source,seo_keywords,
ip,area,country,province,city,origin_channel,user AS user_match,
manual_time,begin_time,end_time,last_customer_msg_time_stamp,
last_agent_msg_time_stamp,reply_msg_count,msg_count,browser_name,os_info,
'$start_time' AS starts_time
FROM web_chat_ems_$year_stat_$month_stat 
WHERE create_time BETWEEN '$datestr 00:00:00'  AND '$start_time 00:00:00' and \\$CONDITIONS" \\
--hcatalog-database itcast_ods \\
--hcatalog-table web_chat_ems \\
--hive-partition-key starts_time \\
--hive-partition-value $datestr \\
-m 100 \\
--split-by id


wait

$sqoop_home import \\
--connect $jdbc_url \\
--username $username --password $password \\
--query "SELECT 
wcte.id,
wcte.referrer,
wcte.from_url,
wcte.landing_page_url,
wcte.url_title,
wcte.platform_description,
wcte.other_params,
wcte.history,
'$start_time' AS start_time
FROM
(SELECT * 
FROM web_chat_ems_$year_stat_$month_stat
WHERE create_time BETWEEN '$datestr 00:00:00'  AND '$start_time 00:00:00') tmp 
JOIN web_chat_text_ems_$year_stat_$month_stat wcte ON  tmp.id = wcte.id and \\$CONDITIONS" \\
--hcatalog-database itcast_ods \\
--hcatalog-table web_chat_text_ems \\
--hive-partition-key start_time \\
--hive-partition-value $datestr \\
-m 100 \\
--split-by id

5.2 mysql数据导入数据仓库Hive的各种方案

采用sqoop向hive中导入原始数据形成ODS层,之后可以在原始数据的基础上进行增量备份数据(定时同步)或者通过canal解析binlog(实时同步)日志进行同步数据。

5.2.1 sqoop向hive中导数据的原理

sqoop在向hive中导入数据时,是先将数据上传到hdfs中,然后创建表,最后再将hdfs中的数据load到表目录下。

我们采用sqoop直接导入hive并自动创建hive表,产生的是hive内部表。

可以通过查看表的位置信息识别(desc formatted table_name;):

  • 内部表数据存储的位置是hive.metastore.warehouse.dir(默认:/user/hive/warehouse),由hive自身管理

  • 外部表的存储位置可以自定义,由HDFS管理,

  • 删除内部表会直接删除元数据(metadata)及存储数据;

  • 删除外部表仅仅会删除元数据,HDFS上的文件并不会被删除。

5.2.2 sqoop导入hive的具体种类

sqoop导入数据到hive其实细分很多种情况:

全量备份(初次导入原始数据)

1.先将数据导入hdfs中,然后在hive中自己建内部表,将数据load进hive中(load完之后hdfs中的数据就会消失)
2.先将数据导入hdfs,然后自己建hive外部表,设置location hdfs的路径,做数据关联(源数据路径不变)
3.将数据直接导入已创建好的hive表中(需要你手动建表)
4.将数据导入hive中,hive表不存在,导入的时候自动创建hive表
5.表如果过多,可以考虑使用import-all-tables工具一次性全库导入,导入的同时自动生成表,但是必须满足以下条件:
    5.1.每个表必须具有主键或使用--autoreset-to-one-mapper选项。
    5.2.会导入每张表的所有列。
    5.3.使用默认拆分列,不能使用WHERE条件

增量备份(后续在原始数据的基础上做数据同步)

1.Append方式,以唯一id为依据,在指定值的基础上导入新数据

2.lastModify方式,以最后修改时间为依据,同步指定时间节点之后修改的数据

5.2.3 sqoop导入的一些参数说明

--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]  设置到hive当中的表名
--hive-drop-import-delims  导入到hive时删除 \\n, \\r, and \\01 
--hive-delims-replacement  导入到hive时用自定义的字符替换掉 \\n, \\r, and \\01 
--hive-partition-key     hive分区的key
--hive-partition-value   hive分区的值
--map-column-hive       类型匹配,sql类型对应到hive类型
--direct 是为了利用某些数据库本身提供的快速导入导出数据的工具,比如mysql的mysqldump
性能比jdbc更好,但是不知大对象的列,使用的时候,那些快速导入的工具的客户端必须的shell脚本的目录下
--columns <列名>   	指定列  
-z, –compress	打开压缩功能
–compression-codec < c >	使用Hadoop的压缩,默认为gzip压缩
–fetch-size < n >	从数据库一次性读入的记录数
–as-avrodatafile	导入数据格式为avro
–as-sequencefile	导入数据格式为sqeuqncefile
–as-textfile	导入数据格式为textfile
--as-parquetfile 	导入数据格式为parquet
--query 'select * from test_table where id>10 and $CONDITIONS' \\$CONDITIONS必须要加上就相当于一个配置参数,sql语句用单引号,用了SQL查询就不能加参数--table )
--target-dir /sqoop/emp/test/ \\ 		(指定导入的目录,若不指定就会导入默认的HDFS存储路径:/user/root/XXX.)
--delete-target-dir  	(如果指定目录存在就删除它,一般都是用在全量导入,增量导入的时候加该参数会报错)
--fields-terminated-by '\\n' \\		(指定字段分割符为',')
--null-string '\\\\N' \\		(string类型空值的替换符(Hive中Null用\\n表示))
--null-non-string '\\\\N' \\		(非string类型空值的替换符)
--split-by id \\	(根据id字段来切分工作单元实现哈希分片,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。)
-m 3 	(使用3个mapper任务,即进程,并发导入)
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。

5.2.4 实际导入代码,已亲测,可直接复制执行(记得换自己的数据库连接)

# 全量备份(将数据导入到HDFS指定目录)
sqoop import --connect jdbc:mysql://11.25.57.18:3306/usercenter_test \\
--username root --password 123456 \\
--query 'select * from useradmin where id>10 and $CONDITIONS' \\
--target-dir /user/root/test/ \\
--delete-target-dir \\
--fields-terminated-by '\\t' \\
--hive-drop-import-delims \\
--null-string '\\\\N' \\
--null-non-string '\\\\N' \\
--split-by id \\
-m 1


# 全量备份(导入已有的hive表)
sqoop import --connect jdbc:mysql://11.25.57.18:3306/usercenter_test \\
--username root --password 123456 --table useradmin \\
--hive-import \\
--hive-database test \\
--hive-table useradmin \\
--fields-terminated-by '\\t' \\
--hive-overwrite \\
--null-string '\\\\N' \\
--null-non-string '\\\\N' \\
--split-by id \\
-m 1 


# 全量备份(hive表不存在,导入时自动创建hive表)
sqoop import --connect jdbc:mysql://11.25.57.18:3306/usercenter_test \\
--username root --password 123456 --table users \\
--hive-import \\
--hive-database test1 \\
--create-hive-table \\
--fields-terminated-by '\\t' \\
--null-string '\\\\N' \\
--null-non-string '\\\\N' \\
--split-by id \\
-m 1 


# 全库导入
sqoop import-all-tables "-Dorg.apache.sqoop.splitter.allow_text_splitter=true" \\
--connect jdbc:mysql://11.25.57.18:3306/usercenter_test \\
--username root \\
--password 123456 \\
--hive-import \\
--hive-overwrite \\
--hive-database original_usercenter_test \\
--fields-terminated-by '\\t' \\
--exclude-tables  'drop_table' \\
--as-parquetfile 

#--exclude-tables  'drop_table' \\	(此参数可以 exclude掉不需要import的表(多个表逗号分隔))
#--create-hive-table \\  (不能和as-parquetfile共用)
#--direct \\		(只支持文本格式,不能和as-parquetfile共用)
#--as-textfile \\


# 增量备份lastmodified模式不支持直接导入Hive表(但是可以使用导入HDFS的方法,只不过--target-dir设置成Hive table在HDFS中的关联位置即可)
sqoop import --connect jdbc:mysql://11.25.57.18:3306/usercenter_test \\
--username root --password 123456 --table useradmin \\
--target-dir /user/hive/warehouse/test.db/useradmin \\
--null-string '\\\\N' \\
--null-non-string '\\\\N' \\
--split-by id \\
-m 1 \\
--fields-terminated-by '\\t' \\
--hive-drop-import-delims \\
--incremental lastmodified \\
--check-column CreateTime \\
--last-value '2019-06-04 14:29:01' \\
--append


# 增量备份append模式,可以增量的导入hive表
sqoop import --connect jdbc:mysql://11.25.57.18:3306/usercenter_test \\
--username root --password 123456 --table useradmin \\
--hive-import \\
--hive-database test \\
--hive-table useradmin \\
--hive-drop-import-delims \\
--fields-terminated-by '\\t' \\
--null-string '\\\\N' \\
--null-non-string '\\\\N' \\
--incremental append \\
--check-column id \\
--last-value 18 \\
--split-by id \\
-m 1

5.3 导入数据到orc格式hive指定分区表中

Sqoop需要依赖HCatalog的lib,所以需要配置环境变量$HCAT_HOME,一般从hive目录下即可找到hcatalog的相关路径

  • hive/lib中将hive-hcatalog-core-1.2.2.jar复制到sqoop/lib下
  • cp $HIVE_HOME/lib/hive-shims* $SQOOP_HOME/lib/
  • 在/etc/profile文件中添加
export HCATALOG_HOME=$HIVE_HOME/hcatalog

下面的脚本中需要赋值的变量

$IP mysql所在的服务器IP

$USERNAME mysql用户名

$PWD mysql密码

$MYSQLTABLE mysql表

$date_field 表中的时间字段

$partition_name hive中需要加入的分区字段名

$partition_value hive分区值

5.3.1 sqoop创建并导入数据到hive orc表

sqoop import \\
--connect jdbc:mysql://$IP:3306/$MYSQLDB \\
--username $USERNAME \\
--password $PWD \\
--table $MYSQLTABLE \\
--driver com.mysql.jdbc.Driver \\
--hcatalog-database intelligentCoal \\
--create-hcatalog-table \\
--hcatalog-table t_user_orc \\
--where "date_format($date_field,'%Y-%m-%d')='$partition_value' and \\$CONDITIONS" \\
--hcatalog-partition-keys $partition_name \\
--hcatalog-partition-values $partition_value \\
--hcatalog-storage-stanza 'stored as orc tblproperties ("orc.compress"="SNAPPY")' \\
-m 1

where选项根据需求自行添加或者不加,不加where的效果和 --where “1=1 and $CONDITIONS” \\ 一样

5.3.2 sqoop导入数据到已存在的hive orc表

sqoop import \\
--connect jdbc:mysql://$IP:3306/$MYSQLDB \\
--username $USERNAME \\
--password $PWD \\
--table $MYSQLTABLE \\
--driver com.mysql.jdbc.Driver \\
--hcatalog-database intelligentCoal \\
--hcatalog-table t_user_orc \\
--where "date_format($date_field,'%Y-%m-%d')='$partition_value' and \\$CONDITIONS" \\
--hcatalog-partition-keys $partition_name \\
--hcatalog-partition-values $partition_value \\
--hcatalog-storage-stanza 'stored as orc tblproperties ("orc.compress"="SNAPPY")' \\
-m 1

若不指定字段类型,MySQL中的varchar数据抽取至hive中也会是varchar类型,但是varchar类型在hive中操作会出现各种问题

1.抽取时长文本、含有特殊字符的文本抽取不全

2.hive操作orc表varchar类型的字段造成乱码

解决:抽取数据时指定字段类型(xxx是你要改成String类型的column)

-map-column-hive xxx=String,xxxx=String
connectJDBC连接信息
usernameJDBC验证用户名
passwordJDBC验证密码
table要导入的源表名
driver指定JDBC驱动
create-hcatalog-table指定需要创建表,若不指定则默认不创建,注意若指定创建的表已存在将会报错
hcatalog-table要导出的目标表名
hcatalog-storage-stanza指定存储格式,该参数值会拼接到create table的命令中。默认:stored as rcfile
hcatalog-partition-keys指定分区字段,多个字段请用逗号隔开(hive-partition-key的加强版)
hcatalog-partition-values指定分区值,多分区值请用逗号隔开(hive-partition-value的加强)

5.4 HCatalog方式与Sqoop方式两者的区别

(1)数据格式

Sqoop方式支持的数据格式较少,HCatalog支持的较多,比如Sqoop方式不支持ORC格式的表,但是HCatalog支持。

(2)数据增加形式

Sqoop方式允许数据覆盖,HCatalog不允许数据覆盖,每次都只是追加。

(3)字段一致性

Sqoop方式比较随意,不要求源表和目标表字段相同(字段名称和个数都可以不相同),它抽取的方式是将字段按顺序插入,比如目标表有三个字段,源表只有一个字段,它会将数据插入到Hive表的第一个字段,其余字段为NULL。但是HCatalog不同,源表和目标表字段名需要相同,字段个数可以不相等,如果字段名不同,抽取数据的时候会报NullPointerException错误。HCatalog抽取数据时,会将字段对应到相同字段名的字段上,哪怕字段个数不相等。

6 Sqoop优化

6.1 -m与split-by的优化

  1. 小量数据时(200M左右) :最好使用一个map,快且减少小文件。
  2. 大量数据时:要特别考虑数据的特征,对于split- by最完美的情况是有一个:均匀分布的数字(如自增列)或时间字段,且这个字段还有索引(最好字段是int、tinyin),这样在抽取时使得并发的每个sq1处理相近的数据量,并且sqoop附加的where条件可以使用索引。
  3. split-by id,-m 2, 数据量1-100。第 一个mapper:(0,50]第二个mapper: (50, 100],对于m要综合考虑数据量、I0、源数据库的性能、集群的资源等等。一种简单的考虑是最大不超过yarn.上分配给这个用户的vcore个数,最小“数据量/m”要够一个128MB的文件。如果条件允许可以先设置一个值跑着试试,然后观察源数据库负载、集群I0以及运行时长等,再进行相应调整。

6.2 --fetch-size n

一次取mysq1中批量读取的数据条数。建议优化如下:

  1. 考虑一条数据的量。(如果2个字段和200个字段的–fetch-size不能一样)
  2. 考虑数据库的性能
  3. 考虑网络速度
  4. 最好的状态是一 次–fetch-si ze能满足一个mapper

附录A:Sqoop与DataX对比

A.1 Sqoop特点

Sqoop主要特点: