Sqoop
Sqoop简介
Sqoop是大数据生态体系中数据传输层的工具，完成Haoop文件存储体系（HDFS、Hive、Hbase）与关系型数据库（Mysql）之间的数据导入导出。
|
|
Apache Sqoop(TM)是一种旨在有效地在Apache Hadoop和诸如关系数据库等结构化数据存储之间传输大量数据的工具。
Sqoop于2012年3月孵化出来，现在是一个*的Apache项目。最新的稳定版本是1.4.7。
第2章 Sqoop原理
将导入或导出命令翻译成Mapreduce程序来实现。（没有reducetask，不需要，因为sqoop只是读取数据，输出数据，不需要合并计算等操作）
在翻译出的Mapreduce中主要是对InputFormat和OutputFormat进行定制。
第3章 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) 最新版下载地址：http://mirrors.hust.edu.cn/apache/sqoop/
2) 上传安装包sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz到虚拟机中，如我的上传目录是：
/opt/software
3) 解压sqoop安装包到指定目录，如：
|
$ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/ |
3.2、修改配置文件
Sqoop的配置文件与大多数大数据框架类似，在sqoop根目录下的conf目录中。
1) 重命名配置文件
|
$ cp sqoop-env-template.sh sqoop-env.sh $ cp sqoop-site-template.xml sqoop-site.xml |
2) 修改配置文件
sqoop-env.sh
|
export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2 export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2 export HIVE_HOME=/opt/module/apache-hive-1.2.2-bin #export HBASE_HOME=/opt/module/hbase #export ZOOCFGDIR=/opt/module/zookeeper-3.4.10/conf |
3.3、拷贝JDBC驱动
拷贝jdbc驱动到sqoop的lib目录下，如：
|
$ cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/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 出现一些Warning警告（警告信息已省略），并伴随着帮助命令的输出： Available commands: codegen Generate code to interact with database records create-hive-table Import a table definition into Hive eval Evaluate a SQL statement and display the results export Export an HDFS directory to a database table help List available commands import Import a table from a database to HDFS import-all-tables Import tables from a database to HDFS import-mainframe Import datasets from a mainframe server to HDFS job Work with saved jobs list-databases List available databases on a server list-tables List available tables in a database merge Merge results of incremental imports metastore Run a standalone Sqoop metastore version Display version information |
3.5、测试Sqoop是否能够成功连接数据库
|
$ bin/sqoop list-databases --connect jdbc:mysql://hadoop102:3306/ --username root --password 000000 出现如下输出： information_schema metastore mysql performance_schema |
四、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
|
$ mysql -uroot -p123456 mysql> create database company; mysql> create table company.staff(id int(4) primary key not null auto_increment, name varchar(255), sex varchar(255)); mysql> insert into company.staff(name, sex) values('Thomas', 'Male'); mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale'); |
3) 导入数据
（1）全部导入
|
$ bin/sqoop import \ --connect jdbc:mysql://linux01:3306/company \ --username root \ --password 123456 \ --table staff \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" |
如果指定num-mappers>1,那么需要同时配置split-by,以便程序进行maptask切片
|
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 2 \ --split-by id \ --fields-terminated-by "\t" |
（2）查询导入
|
$ bin/sqoop import \ --connect jdbc:mysql://linux01:3306/company \ --username root \ --password 123456 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --query 'select name,sex from staff where id <=1 and $CONDITIONS;' |
提示：must contain '$CONDITIONS' in WHERE clause.
提示：--query选项，不能同时与--table选项使用
（3）导入指定列
|
$ bin/sqoop import \ --connect jdbc:mysql://linux01:3306/company \ --username root \ --password 123456 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --columns id,sex \ --table staff |
--columns id,sex \
--table staff
等同于
--query ‘select id,sex from …’
提示：columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格
4.1.2、RDBMS到Hive
|
$ bin/sqoop import \ --connect jdbc:mysql://linux01:3306/company \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --hive-import \ --fields-terminated-by "\t" \ --hive-overwrite \ --hive-table staff_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
4.2、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（本质都是从HDFS到RDBMS）
|
$ bin/sqoop export \ --connect jdbc:mysql://linux01:3306/company \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --export-dir /user/hive/warehouse/staff_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
hive -f ‘xxxx.sql’ 在不进入hive命令终端的情况下执行xxx.sql脚本中的语句，将结果打印到控制台
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
|
$ touch job_HDFS2RDBMS.opt |
2) 编写sqoop脚本
|
$ vim opt/job_HDFS2RDBMS.opt
export --connect jdbc:mysql://linux01:3306/company --username root --password 123456 --table staff --num-mappers 1 --export-dir /user/hive/warehouse/staff_hive --input-fields-terminated-by "\t" |
3) 执行该脚本
|
$ bin/sqoop --options-file /opt/module/datas/job_HDFS2RDBMS.opt |