大数据高级开发工程师——大数据相关工具之一 Sqoop

Posted 2022-01-29 yangwei_sir

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了大数据高级开发工程师——大数据相关工具之一 Sqoop相关的知识，希望对你有一定的参考价值。

文章目录

大数据相关工具
- Sqoop ETL工具

大数据相关工具

Sqoop ETL工具

Sqoop简介

Sqoop是apache旗下的一款 ”Hadoop和关系数据库之间传输数据”的工具
- 导入数据：将 mysql、Oracle 导入数据到 Hadoop 的 HDFS、HIVE、HBASE 等数据存储系统
- 导出数据：从 Hadoop 的文件系统中导出数据到关系数据库

工作机制：
- 将导入和导出的命令翻译成mapreduce程序实现
- 在翻译出的mapreduce中主要是对inputformat和outputformat进行定制

Sqoop1与Sqoop2架构对比

sqoop在发展中的过程中演进出来了两种不同的架构——架构演变史

Sqoop1 架构：
- 版本号：1.4.x
- 使用 sqoop 客户端直接提交方式，CLI 控制台进行访问
- 安全性：命令或脚本中指定用户数据库名及密码

Sqoop2 架构：
- 版本号：1.99.x
- 引入了sqoop server，对connector实现了集中的管理，可以通过 REST API、 JAVA API、 WEB UI 以及CLI 控制台方式进行访问

比较	Sqoop1	Sqoop2
架构	仅仅使用一个 Sqoop 客户端	引入了 Sqoop Server 集中化管理连接，以及 rest api、web ui，引入安全机制
部署	简单，使用 root 权限安装，连接器必须符合 JDBC	架构稍复杂，配置部署更加繁琐
使用	命令方式容易出错，格式紧耦合，无法支持所有数据类型，安全机制不够完善，容易暴露密码	多种交互方式：命令行、WebUI、REST API，连接集中管理，完善的权限管理机制，connector仅仅负责数据的读写。

Sqoop安装部署

Sqoop安装很简单，解压好进行简单的修改就可以使用
安装包下载&解压

wget http://archive.apache.org/dist/sqoop/1.4.7/sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
# 解压
tar -zxvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz -C /bigdata/install/

修改配置文件：

cd /bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0/conf
mv sqoop-env-template.sh sqoop-env.sh
vim sqoop-env.sh

# 根据自己实际的安装目录填写
#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/bigdata/install/hadoop-3.1.4
#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/bigdata/install/hadoop-3.1.4
#set the path to where bin/hbase is available
export HBASE_HOME=/bigdata/install/hbase-2.2.6
#Set the path to where bin/hive is available
export HIVE_HOME=/bigdata/install/hive-3.1.2
#Set the path for where zookeper config dir is
export ZOOCFGDIR=/usr/apps/zookeeper-3.4.14/conf

添加两个必要的jar包：将 java-json.jar，mysql-connector-java-5.1.38.jar 拷贝到sqoop的lib目录下

scp java-json.jar mysql-connector-java-5.1.38.jar hadoop@node03:/bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0/lib

配置 sqoop 的环境变量

sudo vim /etc/profile

export SQOOP_HOME=/bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0
export PATH=$PATH:$SQOOP_HOME/bin

source /etc/profile

执行命令sqoop help 命令，有warning日志

解决方案：

# pwd = /bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0
vim bin/configure-sqoop

再次执行命令sqoop help 命令，一切正常啦！

Sqoop的数据导入

1. 列出所有数据库

# 列出node03主机所有的数据库
sqoop list-databases --connect jdbc:mysql://node03:3306/ --username root --password 123456
# 查看某一个数据库下面的所有数据表
sqoop list-tables --connect jdbc:mysql://node03:3306/mysql --username root --password 123456

2. 准备表数据

初始化数据：

CREATE DATABASE /*!32312 IF NOT EXISTS*/`userdb` /*!40100 DEFAULT CHARACTER SET utf8 */;

USE `userdb`;

DROP TABLE IF EXISTS `emp`;

CREATE TABLE `emp` (
  `id` INT(11) DEFAULT NULL,
  `name` VARCHAR(100) DEFAULT NULL,
  `deg` VARCHAR(100) DEFAULT NULL,
  `salary` INT(11) DEFAULT NULL,
  `dept` VARCHAR(10) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=latin1;

INSERT  INTO `emp`(`id`,`name`,`deg`,`salary`,`dept`) VALUES (1201,'gopal','manager',50000,'TP'),(1202,'manisha','Proof reader',50000,'TP'),(1203,'khalil','php dev',30000,'AC'),(1204,'prasanth','php dev',30000,'AC'),(1205,'kranthi','admin',20000,'TP');

DROP TABLE IF EXISTS `emp_add`;

CREATE TABLE `emp_add` (
  `id` INT(11) DEFAULT NULL,
  `hno` VARCHAR(100) DEFAULT NULL,
  `street` VARCHAR(100) DEFAULT NULL,
  `city` VARCHAR(100) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=latin1;

INSERT  INTO `emp_add`(`id`,`hno`,`street`,`city`) VALUES (1201,'288A','vgiri','jublee'),(1202,'108I','aoc','sec-bad'),(1203,'144Z','pgutta','hyd'),(1204,'78B','old city','sec-bad'),(1205,'720X','hitec','sec-bad');

DROP TABLE IF EXISTS `emp_conn`;
CREATE TABLE `emp_conn` (
  `id` INT(100) DEFAULT NULL,
  `phno` VARCHAR(100) DEFAULT NULL,
  `email` VARCHAR(100) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=latin1;

INSERT  INTO `emp_conn`(`id`,`phno`,`email`) VALUES (1201,'2356742','gopal@tp.com'),(1202,'1661663','manisha@tp.com'),(1203,'8887776','khalil@ac.com'),(1204,'9988774','prasanth@ac.com'),(1205,'1231231','kranthi@tp.com');

查看数据：

3. 导入数据库表数据到HDFS

使用sqoop命令导入、导出数据前，要先启动hadoop集群。下面的命令用于从MySQL数据库服务器中的emp表导入HDFS：

sqoop import --connect jdbc:mysql://node03:3306/userdb --password 123456 --username root --table emp -m 1
# 参数`--m 1`，表示只启动一个map task进行数据的导入

为了验证在HDFS导入的数据，可以使用以下命令查看导入的数据

hdfs dfs -ls /user/hadoop/emp

Found 2 items
-rw-r--r--   3 hadoop supergroup          0 2022-01-01 21:35 /user/hadoop/emp/_SUCCESS
-rw-r--r--   3 hadoop supergroup        381 2022-01-01 21:35 /user/hadoop/emp/part-m-00000

也可以到 hadoop web 页面查看：

如果要开启多个map task的话，需要在命令中添加--split-by column-name，如下，其中map个数为4

sqoop import --connect jdbc:mysql://node03:3306/userdb --password 123456 --username root --table emp -m 4 --split-by id

4. 导入到HDFS指定目录

在导入表数据到HDFS使用Sqoop导入工具，我们可以指定目标目录。
使用参数 --target-dir 来指定导出目的地，使用参数 --delete-target-dir 来判断导出目录是否存在，如果存在就删掉

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --delete-target-dir --table emp --target-dir /sqoop/emp -m 1

查看导出数据

hdfs dfs -text /sqoop/emp/part-m-00000

# 它会用逗号（，）分隔emp表的数据和字段
1201,gopal,manager,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1202,manisha,Proof reader,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

5. 导入到hdfs指定目录并指定字段之间的分隔符

使用参数 --fields-terminated-by 指定分隔符

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --delete-target-dir --table emp --target-dir /sqoop/emp2 -m 1 --fields-terminated-by '\\t'

再查看数据

hdfs dfs -text /sqoop/emp2/part-m-00000

# 它会用（\\t）分隔emp表的数据和字段
1201	gopal	manager	50000	TP	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1202	manisha	Proof reader	50000	TP	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1203	khalil	php dev	30000	AC	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1204	prasanth	php dev	30000	AC	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1205	kranthi	admin	20000	TP	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1

6. 导入关系表到HIVE

将我们 mysql 表当中的数据直接导入到 hive 表中的话，需要将 hive 的一个叫做 hive-exec-3.1.2.jar 的 jar 包拷贝到 sqoop 的 lib 目录下

cp /bigdata/install/hive-3.1.2/lib/hive-exec-3.1.2.jar /bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0/lib/

准备 hive 表数据，进入 hive 客户端执行以下命令初始化数据

hive (default)> create database sqooptohive;
hive (default)> use sqooptohive;
hive (sqooptohive)> create external table emp_hive(id int,name string,deg string,salary int ,dept string) row format delimited fields terminated by '\\001';

开始使用 sqoop 导入：

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --fields-terminated-by '\\001' --hive-import --hive-table sqooptohive.emp_hive --hive-overwrite --delete-target-dir --m 1

在 hive 中查询数据：

select * from emp_hive;

7. 导入关系表到hive并自动创建hive表

可以通过命令来将我们的 mysql 的表直接导入到 hive 表当中去

# 通过这个命令，我们可以直接将我们mysql表当中的数据以及表结构一起倒入到hive当中去
sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_conn --hive-import -m 1 --hive-database sqooptohive

导入完成后，到 hive 查询数据：

select * from emp_conn;

8. 将mysql表数据导入到hbase当中去

sqoop1的最新版本1.4.7只与hbase 1.x相兼容，因此这里修改 sqoop 的配置文件 sqoop-env.sh，指定 hbase-2.2.2 版本的 HBase
初始化 mysql 表数据

CREATE DATABASE IF NOT EXISTS library;
USE library;
CREATE TABLE book(
id INT(4) PRIMARY KEY NOT NULL AUTO_INCREMENT, 
NAME VARCHAR(255) NOT NULL, 
price VARCHAR(255) NOT NULL);
-- 插入数据
INSERT INTO book(NAME, price) VALUES('Lie Sporting', '30'); 
INSERT INTO book (NAME, price) VALUES('Pride & Prejudice', '70'); 
INSERT INTO book (NAME, price) VALUES('Fall of Giants', '50');

执行如下命令将 mysql 表当中的数据导入到HBase当中去

sqoop import --connect jdbc:mysql://node03:3306/library --username root --password 123456 --table book --columns "id,name,price" --column-family "info" --hbase-create-table --hbase-row-key "id" --hbase-table "hbase_book" --num-mappers 1 --split-by id

HBase当中查看表数据

hbase(main):057:0> scan 'hbase_book'
ROW           COLUMN+CELL                            
 1            column=info:name, timestamp=1550634017823, value=Lie Sporting   
 1            column=info:price, timestamp=1550634017823, value=30       
 2            column=info:name, timestamp=1550634017823, value=Pride & Prejudice 
 2            column=info:price, timestamp=1550634017823, value=70       
 3            column=info:name, timestamp=1550634017823, value=Fall of Giants  
 3            column=info:price, timestamp=1550634017823, value=50

9. 导入表数据子集

可以使用Sqoop工具导入表的“where”子句的一个子集，它执行在各自的数据库服务器相应的SQL查询，并将结果存储在HDFS的目标目录。
通过--where 参数来查找表 emp_add 当中 city 字段的值为 sec-bad 的所有数据导入到 hdfs 上面去

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_add --target-dir /sqoop/emp_add -m 1 --delete-target-dir --where "city = 'sec-bad'"

hdfs 查看数据

hdfs dfs -text /sqoop/emp_add/part-*

1202,108I,aoc,sec-bad,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,78B,old city,sec-bad,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,720X,hitec,sec-bad,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

10. sql语句查找导入hdfs

还可以通过 --query 参数来指定我们的 sql 语句，通过 sql 语句来过滤我们的数据进行导入

import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --delete-target-dir -m 1 --query 'select phno from emp_conn where 1=1 and  $CONDITIONS' --target-dir /sqoop/emp_conn

hdfs 查看数据

hdfs dfs -text /sqoop/emp_conn/part-*

2356742
1661663
8887776
9988774
1231231

注意：使用sql语句来进行查找是不能加参数–table，并且必须要添加where条件，并且where条件后面必须带一个$CONDITIONS 这个字符串，并且这个sql语句必须用单引号，不能用双引号。

11. 增量导入

在实际工作当中，数据的导入，很多时候都是只需要导入增量数据即可，并不需要将表中的数据全部导入到hive或者hdfs当中去。全部导入会出现重复的数据的状况，所以我们一般都是选用一些字段进行增量的导入，为了支持增量的导入，sqoop也给我们考虑到了这种情况并且支持增量的导入数据。
增量导入是仅导入新添加的表中的行的技术。
它需要添加 incremental，check-column 和 last-value 选项来执行增量导入。语法如下：

--incremental <Append>       			//基于递增列的增量导入           
--check-column <column name> 			//递增列
--last-value <last check column value> 	//阈值

方式一：使用上面的选项来实现
- 注意：增量导入的时候，一定不能加参数 --delete-target-dir 否则会报错

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --incremental append --check-column id --last-value 1202 -m 1 --target-dir /sqoop/increment

# 查看
hdfs dfs -text /sqoop/increment/part*

1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

方式二：通过 --where 条件来实现

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --incremental append --where "create_time > '2021-12-30 00:00:00' and is_delete='1' and create_time < '2022-01-02 23:59:59'" --target-dir /sqoop/increment2 --check-column id --m 1

# 查看
hdfs dfs -text /sqoop/increment2/part*

1201,gopal,manager,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1202,manisha,Proof reader,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

Sqoop的数据导出

1. 将数据从HDFS把文件导出到RDBMS数据库

导出前，目标表必须存在于目标数据库中。
默认操作是将文件中的数据使用 INSERT 语句插入到表中，更新模式下，是生成 UPDATE 语句更新表数据。
数据是在HDFS当中的如下目录/sqoop/emp，数据内容如下：

1201,gopal,manager,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1202,manisha,Proof reader,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

创建 mysql 表

use userdb;

CREATE TABLE `emp_out` (
 `id` INT(11) DEFAULT NULL,
 `name` VARCHAR(100) DEFAULT NULL,
 `deg` VARCHAR(100) DEFAULT NULL,
 `salary` INT(11) DEFAULT NULL,
 `dept` VARCHAR(10) DEFAULT NULL,
 `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
 `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
 `is_delete` BIGINT(20) DEFAULT '1' 
) ENGINE=INNODB DEFAULT CHARSET=utf8;

执行导出命令：

sqoop export --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_out --export-dir /sqoop/emp --input-fields-terminated-by ","

验证：去 mysql 表查询数据

Sqoop常用命令及参数详解

1. 常用命令列表

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

2. 数据库连接公共参数

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	JDBC的driver class
–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

3. import 公共参数

参数	说明
–enclosed-by <char>	给字段值前后加上指定的字符
–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>	给带有双引号或单引号的字段值前后加上指定字符。

4. export 公共参数

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. hive 公共参数

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 <map>	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以上是关于大数据高级开发工程师——大数据相关工具之一 Sqoop的主要内容，如果未能解决你的问题，请参考以下文章大数据批处理之Hive详解大数据需要掌握哪些技能大数据培训班哪里好？学大数据的都需要考哪些证书？大数据高级开发工程师——数据采集框架Flume 大数据高级开发工程师——Spark学习笔记 (c)2006-2024 SYSTEM All Rights Reserved IT常识