sqoop使用入门

Posted 2021-03-11 youngchaolin

sqoop是apache旗下，用于关系型数据库和hadoop之间传输数据的工具，sqoop可以用在离线分析中，将保存在mysql的业务数据传输到hive数仓，数仓分析完得到结果，再通过sqoop传输到mysql，最后通过web+echart来进行图表展示，更加直观的展示数据指标。

sqoop基础

基本概念

如下图所示，sqoop中有导入和导出的概念，参照物都是hadoop文件系统，其中关系型数据库可以是mysql、oracle和db2，hadoop文件系统中可以是hdfs、hive和hbase等。执行sqoop导入和导出，其本质都是转化成了mr任务去执行。

 

基本架构

目前sqoop提供了两个版本，1.4.x的为sqoop1，1.99x的为sqoop2，前者因为安装简单，得到了大量使用，后者虽然引进了安全机制、web ui，rest api等更加方便使用的特性，但是安装过程繁琐暂时不记录。

以下是sqoop1的结构图，它只提供一个sqoop客户端，使用命令行方式来执行导入/导出任务，最终任务都会被转化为mr，实现数据在hdfs/hbase/hive和rdbms/企业数据仓库之间的转换。

sqoop安装

sqoop的安装相对简单，只需选择对应的sqoop解压到安装目录即可，一般将sqoop安装到已经安装了mysql和hive的节点上。这里mysql版本为5.7.28，hive版本为cdh的1.1.0。

（1）解压sqoop安装包，sqoop版本为1.4.6。

[root@node01 /kkb/soft]# tar -zxvf sqoop-1.4.6-cdh5.14.2.tar.gz -C /kkb/install/

（2）修改sqoop根目录/conf下的sqoop-env.sh文件，配置环境相关的参数。刚安装后需要复制模版文件，命名为sqoop-env.sh，因为此次sqoop安装后要实现关系型数据库跟hadoop、hive和hbase的数据传输，因此在里面配置hadoop、hive和hbase的安装路径。

# Set Hadoop-specific environment variables here.

#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/kkb/install/hadoop-2.6.0-cdh5.14.2

#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/kkb/install/hadoop-2.6.0-cdh5.14.2

#set the path to where bin/hbase is available
export HBASE_HOME=/kkb/install/hbase-1.2.0-cdh5.14.2

#Set the path to where bin/hive is available
export HIVE_HOME=/kkb/install/hive-1.1.0-cdh5.14.2

（3）复制数据库驱动包到sqoop的lib目录，如图拷贝mysql-connector-java-5.1.38.jar和java-json.jar。

（4）配置sqoop环境变量，也可以不配置，直接进入sqoop的bin目录下执行sqoop脚本也行。

sqoop使用

接下来使用安装的sqoop，实现sqoop导入和导出，还可以创建sqoop job来完成作业，另外记录。

下面可以使用sqoop来获取数据库的信息。

# list-databases获取mysql中数据库,list-tables可以查看某个数据库下的表
[root@node01 /kkb/install/sqoop-1.4.6-cdh5.14.2/lib]# sqoop list-databases --connect jdbc:mysql://node01:3306 --username root --password 123456

导入数据到hdfs

（1）不指定导出目录和分隔符。

mysql中提前准备好数据，测试导入到hdfs。使用dbeaver工具，在mysql中创建数据库sqooptest，并建表Person，数据如下。

id|name  |age|score|position|
--|------|---|-----|--------|
 1|messi | 32|   55|前锋      |
 2|herry | 40|   30|前锋      |
 3|clyang| 33|    3|中场      |
 4|ronald| 35|   45|左前锋     |

使用如下命令，将Person表中的数据import到hdfs。

# import 导入
# --connect 指定mysql连接地址，数据库为sqooptest
# --username mysql用户名
# --password mysql密码
# --table 指定要导出的表Person
# --m 指定map task数，默认是4个
[hadoop@node01 ~]$ sqoop import --connect jdbc:mysql://node01:3306/sqooptest --username root --password 123456 --table Person --m 1

导出后提示保存了4条记录，即刚才mysql中的四条数据。

导出到hdfs后，默认保存位置为/user/hadoop/数据库表名，如下图所示。查看导出的内容，发现跟mysql中的一致，并且字段值之间使用逗号隔开。

（2）指定导出目录和分隔符，mysql中数据依然使用上面的，另外终端执行sqoop命令时可以使用反斜杠‘‘转义字符来隔开各个参数，类似终端中使用scala的竖线‘|‘。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest    
> --username root > --password 123456 > --table Person > --target-dir /sqoop/person   # 指定导出目录
> --delete-target-dir  # 如果导出目录存在，就先删除
> --fields-terminated-by ‘	‘   # 指定字段数据分隔符
> --m 1

导出后，进入指定目录查看，发现成功导出到指定目录，并用制表符分隔开。

（3）导入表的数据子集，可以通过指定where参数，将符合条件的子集导入到hdfs。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root --password 123456 > --table Person > --target-dir /sqoop/person_where > --delete-target-dir > --where "name = ‘messi‘"  # where指定条件
> --m 1 

查看hdfs上数据，结果ok，只导出了name=messi的数据。

（4）可以使用--query，指定sql查询条件过滤数据，再导入到hdfs。 

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --target-dir /sqoop/person_sql > --delete-target-dir > --query ‘select * from Person where age>20 and $CONDITIONS‘  # 指定查询条件，并添加$CONDITIONS变量
> --m 2

执行后，发现报错，提示并行import时，需要指定split-by的字段。

重新指定split-by的字段为表的id字段，再次执行，ok。 

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --target-dir /sqoop/person_sql > --delete-target-dir > --query ‘select * from Person where age>20 and $CONDITIONS‘  
> --split-by ‘id‘ > --m 2

查看hdfs，产生两个maptask文件，可以看出是根据id分组后并行执行的结果。

（5）增量导入，有时候不需要导入表中的全部数据，只需要导入部分数据就可以。如增加行，就导入（append模式），或者某行时间戳有变化，就导入（lastmodified模式）。

append模式：

sqoop命令。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Person > --incremental append  # append模式
> --check-column id  # 检查列为id列
> --last-value 4  # id列上一个记录的值为4
> --target-dir /sqoop/increment > --m 1

mysql中添加一行数据，id为5，添加后执行上面的命令。

id|name  |age|score|position|
--|------|---|-----|--------|
 1|messi | 32|   55|前锋      |
 2|herry | 40|   30|前锋      |
 3|clyang| 33|    3|中场      |
 4|ronald| 35|   45|左前锋     |
 5|kaka  | 45|    2|右前锋     |

执行没有报错，查看hdfs中内容，发现只导入了新增id为5的这行数据。

lastmodified模式：

这个模式是基于时间列的增量数据导入，mysql中新准备一张包含时间列的表和数据，如下所示。

id|name  |salary|time               |
--|------|------|-------------------|
1 |clyang| 12000|2020-01-25 10:00:00|
2 |messi | 23000|2020-01-25 10:30:00|
3 |ronald| 22000|2020-01-25 10:45:00|
4 |herry | 21000|2020-01-25 11:15:00|

sqoop导入命令，使用lastmodified模式来导入新增数据。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Man > --incremental lastmodified  # lasmodified模式
> --check column time   # 检查列为时间列
> --last-value ‘2020-01-25 10:00:00‘  # 指定上一个时间点
> --target-dir /sqoop/increment1 > --m 1

执行完成后，时间点在10点以后的数据，都导入到了hdfs。

现在对表的数据进行修改，新增并修改数据，测试能否导入。

# 修改id=4的salary为8888，并新增一列id=5
id|name  |salary|time               |
--|------|------|-------------------|
1 |clyang| 12000|2020-01-25 10:00:00|
2 |messi | 23000|2020-01-25 10:30:00|
3 |ronald| 22000|2020-01-25 10:45:00|
4 |herry |  8888|2020-01-25 11:15:00|
5 |kaka  |  6666|2020-01-25 11:45:00|

sqoop命令，修改时间执行。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Man > --incremental lastmodified  # lasmodified模式
> --check column time   # 检查列为时间列
> --last-value ‘2020-01-25 10:30:00‘  # 指定上一个时间点
> --target-dir /sqoop/increment1 > --m 1

执行后报错，提示需要添加--append或-merge-key，因为导出目录已经存在了。

20/02/06 11:16:34 ERROR tool.ImportTool: Import failed: --merge-key or --append is required when using --incremental lastmodified and the output directory exists.

命名添加--append后执行没有报错，查看目录下内容。

继续修改数据测试。

# 修改id为5的数据，并添加id为6的数据
id|name   |salary|time               |
--|-------|------|-------------------|
1 |clyang | 12000|2020-01-25 10:00:00|
2 |messi  | 23000|2020-01-25 10:30:00|
3 |ronald | 22000|2020-01-25 10:45:00|
4 |herry  |  8888|2020-01-25 11:15:00|
5 |kaka   |  9999|2020-01-25 11:50:00|
6 |beckham| 23000|2020-01-25 12:00:00|

测试--merge-key的使用，sqoop命令行最后添加--merge-key id后执行没有报错。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Man > --incremental lastmodified  # lasmodified模式
> --check column time   # 检查列为时间列
> --last-value ‘2020-01-25 10:30:00‘  # 指定上一个时间点
> --target-dir /sqoop/increment1 > --m 1
> --merge-key id

目录下内容发现只有一个文件，并且sqoop里导出的时间在10:30以后，但依然有10点的数据在里面，说明经历了reduce阶段进行合并。

导入数据到hive

导出数据到hive前，需要将hive中的一个包(hive-exec-1.1.0-cdh5.14.2.jar)拷贝到sqoop的lib目录。

[hadoop@node01 /kkb/install/hive-1.1.0-cdh5.14.2/lib]$ cp hive-exec-1.1.0-cdh5.14.2.jar /kkb/install/sqoop-1.4.6-cdh5.14.2/lib/

（1）手动创建hive表后导入

先手动在hive中建一个接收数据的表，这里指定的分隔符和sqoop导出时的分隔符要一致。

# 创建数据库
hive (default)> create database sqooptohive;
OK
Time taken: 0.185 seconds
hive (default)> use sqooptohive;
OK
Time taken: 0.044 seconds
# 创建表
hive (sqooptohive)> create external table person(id int,name string,age int,score int,position string)row format delimited fields terminated by ‘	‘;
OK
Time taken: 0.263 seconds
hive (sqooptohive)> show tables;
OK
tab_name
person

sqoop导出数据到hive表中。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Person > --fields-terminated-by ‘	‘   # 这里需要和hive中分隔指定的一样
> --delete-target-dir > --hive-import   # 导入hive
> --hive-table sqooptohive.person   #hive表
> --hive-overwrite  # 覆盖hive表中已有数据
> --m 1

查看hive表数据，发现导入ok。

（2）导入时自动创建hive表

 也可以不需要提前创建hive表，会自动创建。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Person > --hive-import > --hive-database sqooptohive > --hive-table person1 > --m 1

导入后，发现数据库下多了一个表person1，查看数据ok。

导入数据到hbase

也可以将数据导入到hbase，依然使用sqooptest.Person表，导入前集群需启动zookeeper和hbase。

sqoop命令

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table Person > --hbase-table mysqltohbase  # 指定hbase表名
> --hbase-create-table  # hbase没有表就创建表
> --column-family f1  # 指定列族
> --hbase-row-key id  # 执行rowkey
--m 1

执行完成后，hbase中查看发现新建了一张表，并且成功导入数据。

导出数据 

sqoop导出数据，这里记录从hdfs导出数据，如果是hive导出，也是直接读取hdfs保存目录中的文件进行导出，比较类似。

hdfs中先准备数据

[hadoop@node01 ~]$ hadoop fs -cat /hdfstomysql.txt
20/02/06 14:31:17 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
1 messi 32 50
2 ronald 35 55
3 herry 40 51

mysql中需要先建表，否则会报错。

CREATE TABLE sqooptest.hdfstomysql (
    id INT NOT NULL,
    name varchar(100) NOT NULL,
    age INT NOT NULL,
    score INT NOT NULL
)
ENGINE=InnoDB
DEFAULT CHARSET=utf8
COLLATE=utf8_general_ci;

sqoop命令执行导出。

[hadoop@node01 ~]$ sqoop import > --connect jdbc:mysql://node01:3306/sqooptest 
> --username root > --password 123456 > --table hdfstomysql   # 提前建立好的表
> --export-dir /hdfstomysql.txt  # hdfs中目录文件
> --input-fields-terminated-by " " # 指定文件数据的分隔符

导出后，发现mysql数据表中有了数据，ok。

以上，就是sqoop的使用入门，记录一下以后使用。 

参考博文：

（1）https://blogs.apache.org/sqoop/entry/apache_sqoop_highlights_of_sqoop#comment-1561314193000 

（2）https://www.cnblogs.com/youngchaolin/p/12179320.html