388 lines
12 KiB
Markdown
388 lines
12 KiB
Markdown
# Sqoop基本使用
|
||
|
||
<nav>
|
||
<a href="#一Sqoop-基本命令">一、Sqoop 基本命令</a><br/>
|
||
<a href="#二Sqoop-与-MySQL">二、Sqoop 与 MySQL</a><br/>
|
||
<a href="#三Sqoop-与-HDFS">三、Sqoop 与 HDFS</a><br/>
|
||
<a href="#31-MySQL数据导入到HDFS">3.1 MySQL数据导入到HDFS</a><br/>
|
||
<a href="#32-HDFS数据导出到MySQL">3.2 HDFS数据导出到MySQL</a><br/>
|
||
<a href="#四Sqoop-与-Hive">四、Sqoop 与 Hive</a><br/>
|
||
<a href="#41-MySQL数据导入到Hive">4.1 MySQL数据导入到Hive</a><br/>
|
||
<a href="#42-Hive-导出数据到MySQL">4.2 Hive 导出数据到MySQL</a><br/>
|
||
<a href="#五Sqoop-与-HBase">五、Sqoop 与 HBase</a><br/>
|
||
<a href="#51-MySQL导入数据到HBase">5.1 MySQL导入数据到HBase</a><br/>
|
||
<a href="#六全库导出">六、全库导出</a><br/>
|
||
<a href="#七Sqoop-数据过滤">七、Sqoop 数据过滤</a><br/>
|
||
<a href="#八类型支持">八、类型支持</a><br/>
|
||
</nav>
|
||
|
||
|
||
## 一、Sqoop 基本命令
|
||
|
||
### 1. 查看所有命令
|
||
|
||
```shell
|
||
# sqoop help
|
||
```
|
||
|
||
|
||
|
||
<br/>
|
||
|
||
### 2. 查看某条命令的具体使用方法
|
||
|
||
```shell
|
||
# sqoop help 命令名
|
||
```
|
||
|
||
|
||
|
||
## 二、Sqoop 与 MySQL
|
||
|
||
### 1. 查询MySQL所有数据库
|
||
|
||
通常用于 Sqoop 与 MySQL 连通测试：
|
||
|
||
```shell
|
||
sqoop list-databases \
|
||
--connect jdbc:mysql://hadoop001:3306/ \
|
||
--username root \
|
||
--password root
|
||
```
|
||
|
||
|
||
|
||
<br/>
|
||
|
||
### 2. 查询指定数据库中所有数据表
|
||
|
||
```shell
|
||
sqoop list-tables \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root
|
||
```
|
||
|
||
|
||
|
||
## 三、Sqoop 与 HDFS
|
||
|
||
### 3.1 MySQL数据导入到HDFS
|
||
|
||
#### 1. 导入命令
|
||
|
||
示例：导出 MySQL 数据库中的 `help_keyword` 表到 HDFS 的 `/sqoop` 目录下，如果导入目录存在则先删除再导入，使用 3 个 `map tasks` 并行导入。
|
||
|
||
> 注：help_keyword 是 MySQL 内置的一张字典表，之后的示例均使用这张表。
|
||
|
||
```shell
|
||
sqoop import \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--table help_keyword \ # 待导入的表
|
||
--delete-target-dir \ # 目标目录存在则先删除
|
||
--target-dir /sqoop \ # 导入的目标目录
|
||
--fields-terminated-by '\t' \ # 指定导出数据的分隔符
|
||
-m 3 # 指定并行执行的 map tasks 数量
|
||
```
|
||
|
||
日志输出如下，可以看到输入数据被平均 `split` 为三份，分别由三个 `map task` 进行处理。数据默认以表的主键列作为拆分依据，如果你的表没有主键，有以下两种方案：
|
||
|
||
+ 添加 `-- autoreset-to-one-mapper` 参数，代表只启动一个 `map task`，即不并行执行；
|
||
+ 若仍希望并行执行，则可以使用 `--split-by <column-name>` 指明拆分数据的参考列。
|
||
|
||
|
||
|
||
#### 2. 导入验证
|
||
|
||
```shell
|
||
# 查看导入后的目录
|
||
hadoop fs -ls -R /sqoop
|
||
# 查看导入内容
|
||
hadoop fs -text /sqoop/part-m-00000
|
||
```
|
||
|
||
查看 HDFS 导入目录,可以看到表中数据被分为 3 部分进行存储，这是由指定的并行度决定的。
|
||
|
||
|
||
|
||
<br/>
|
||
|
||
### 3.2 HDFS数据导出到MySQL
|
||
|
||
```shell
|
||
sqoop export \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--table help_keyword_from_hdfs \ # 导出数据存储在 MySQL 的 help_keyword_from_hdf 的表中
|
||
--export-dir /sqoop \
|
||
--input-fields-terminated-by '\t'\
|
||
--m 3
|
||
```
|
||
|
||
表必须预先创建，建表语句如下：
|
||
|
||
```sql
|
||
CREATE TABLE help_keyword_from_hdfs LIKE help_keyword ;
|
||
```
|
||
|
||
|
||
|
||
## 四、Sqoop 与 Hive
|
||
|
||
### 4.1 MySQL数据导入到Hive
|
||
|
||
Sqoop 导入数据到 Hive 是通过先将数据导入到 HDFS 上的临时目录，然后再将数据从 HDFS 上 `Load` 到 Hive 中，最后将临时目录删除。可以使用 `target-dir` 来指定临时目录。
|
||
|
||
#### 1. 导入命令
|
||
|
||
```shell
|
||
sqoop import \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--table help_keyword \ # 待导入的表
|
||
--delete-target-dir \ # 如果临时目录存在删除
|
||
--target-dir /sqoop_hive \ # 临时目录位置
|
||
--hive-database sqoop_test \ # 导入到 Hive 的 sqoop_test 数据库，数据库需要预先创建。不指定则默认为 default 库
|
||
--hive-import \ # 导入到 Hive
|
||
--hive-overwrite \ # 如果 Hive 表中有数据则覆盖，这会清除表中原有的数据，然后再写入
|
||
-m 3 # 并行度
|
||
```
|
||
|
||
导入到 Hive 中的 `sqoop_test` 数据库需要预先创建，不指定则默认使用 Hive 中的 `default` 库。
|
||
|
||
```shell
|
||
# 查看 hive 中的所有数据库
|
||
hive> SHOW DATABASES;
|
||
# 创建 sqoop_test 数据库
|
||
hive> CREATE DATABASE sqoop_test;
|
||
```
|
||
|
||
#### 2. 导入验证
|
||
|
||
```shell
|
||
# 查看 sqoop_test 数据库的所有表
|
||
hive> SHOW TABLES IN sqoop_test;
|
||
# 查看表中数据
|
||
hive> SELECT * FROM sqoop_test.help_keyword;
|
||
```
|
||
|
||
|
||
|
||
#### 3. 可能出现的问题
|
||
|
||
|
||
|
||
<br/>
|
||
|
||
如果执行报错 `java.io.IOException: java.lang.ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf`，则需将 Hive 安装目录下 `lib` 下的 `hive-exec-**.jar` 放到 sqoop 的 `lib` 。
|
||
|
||
```shell
|
||
[root@hadoop001 lib]# ll hive-exec-*
|
||
-rw-r--r--. 1 1106 4001 19632031 11 月 13 21:45 hive-exec-1.1.0-cdh5.15.2.jar
|
||
[root@hadoop001 lib]# cp hive-exec-1.1.0-cdh5.15.2.jar ${SQOOP_HOME}/lib
|
||
```
|
||
|
||
<br/>
|
||
|
||
### 4.2 Hive 导出数据到MySQL
|
||
|
||
由于 Hive 的数据是存储在 HDFS 上的，所以 Hive 导入数据到 MySQL，实际上就是 HDFS 导入数据到 MySQL。
|
||
|
||
#### 1. 查看Hive表在HDFS的存储位置
|
||
|
||
```shell
|
||
# 进入对应的数据库
|
||
hive> use sqoop_test;
|
||
# 查看表信息
|
||
hive> desc formatted help_keyword;
|
||
```
|
||
|
||
`Location` 属性为其存储位置：
|
||
|
||
|
||
|
||
这里可以查看一下这个目录，文件结构如下：
|
||
|
||
|
||
|
||
#### 3.2 执行导出命令
|
||
|
||
```shell
|
||
sqoop export \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--table help_keyword_from_hive \
|
||
--export-dir /user/hive/warehouse/sqoop_test.db/help_keyword \
|
||
-input-fields-terminated-by '\001' \ # 需要注意的是 hive 中默认的分隔符为 \001
|
||
--m 3
|
||
```
|
||
MySQL 中的表需要预先创建：
|
||
|
||
```sql
|
||
CREATE TABLE help_keyword_from_hive LIKE help_keyword ;
|
||
```
|
||
|
||
|
||
|
||
## 五、Sqoop 与 HBase
|
||
|
||
> 本小节只讲解从 RDBMS 导入数据到 HBase，因为暂时没有命令能够从 HBase 直接导出数据到 RDBMS。
|
||
|
||
### 5.1 MySQL导入数据到HBase
|
||
|
||
#### 1. 导入数据
|
||
|
||
将 `help_keyword` 表中数据导入到 HBase 上的 `help_keyword_hbase` 表中，使用原表的主键 `help_keyword_id` 作为 `RowKey`，原表的所有列都会在 `keywordInfo` 列族下，目前只支持全部导入到一个列族下，不支持分别指定列族。
|
||
|
||
```shell
|
||
sqoop import \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--table help_keyword \ # 待导入的表
|
||
--hbase-table help_keyword_hbase \ # hbase 表名称，表需要预先创建
|
||
--column-family keywordInfo \ # 所有列导入到 keywordInfo 列族下
|
||
--hbase-row-key help_keyword_id # 使用原表的 help_keyword_id 作为 RowKey
|
||
```
|
||
|
||
导入的 HBase 表需要预先创建：
|
||
|
||
```shell
|
||
# 查看所有表
|
||
hbase> list
|
||
# 创建表
|
||
hbase> create 'help_keyword_hbase', 'keywordInfo'
|
||
# 查看表信息
|
||
hbase> desc 'help_keyword_hbase'
|
||
```
|
||
|
||
#### 2. 导入验证
|
||
|
||
使用 `scan` 查看表数据：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
## 六、全库导出
|
||
|
||
Sqoop 支持通过 `import-all-tables` 命令进行全库导出到 HDFS/Hive，但需要注意有以下两个限制：
|
||
|
||
+ 所有表必须有主键；或者使用 `--autoreset-to-one-mapper`，代表只启动一个 `map task`;
|
||
+ 你不能使用非默认的分割列，也不能通过 WHERE 子句添加任何限制。
|
||
|
||
> 第二点解释得比较拗口，这里列出官方原本的说明：
|
||
>
|
||
> + You must not intend to use non-default splitting column, nor impose any conditions via a `WHERE` clause.
|
||
|
||
全库导出到 HDFS：
|
||
|
||
```shell
|
||
sqoop import-all-tables \
|
||
--connect jdbc:mysql://hadoop001:3306/数据库名 \
|
||
--username root \
|
||
--password root \
|
||
--warehouse-dir /sqoop_all \ # 每个表会单独导出到一个目录，需要用此参数指明所有目录的父目录
|
||
--fields-terminated-by '\t' \
|
||
-m 3
|
||
```
|
||
|
||
全库导出到 Hive：
|
||
|
||
```shell
|
||
sqoop import-all-tables -Dorg.apache.sqoop.splitter.allow_text_splitter=true \
|
||
--connect jdbc:mysql://hadoop001:3306/数据库名 \
|
||
--username root \
|
||
--password root \
|
||
--hive-database sqoop_test \ # 导出到 Hive 对应的库
|
||
--hive-import \
|
||
--hive-overwrite \
|
||
-m 3
|
||
```
|
||
|
||
|
||
|
||
## 七、Sqoop 数据过滤
|
||
|
||
### 7.1 query参数
|
||
|
||
Sqoop 支持使用 `query` 参数定义查询 SQL，从而可以导出任何想要的结果集。使用示例如下：
|
||
|
||
```shell
|
||
sqoop import \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--query 'select * from help_keyword where $CONDITIONS and help_keyword_id < 50' \
|
||
--delete-target-dir \
|
||
--target-dir /sqoop_hive \
|
||
--hive-database sqoop_test \ # 指定导入目标数据库 不指定则默认使用 Hive 中的 default 库
|
||
--hive-table filter_help_keyword \ # 指定导入目标表
|
||
--split-by help_keyword_id \ # 指定用于 split 的列
|
||
--hive-import \ # 导入到 Hive
|
||
--hive-overwrite \ 、
|
||
-m 3
|
||
```
|
||
|
||
在使用 `query` 进行数据过滤时，需要注意以下三点：
|
||
|
||
+ 必须用 `--hive-table` 指明目标表；
|
||
+ 如果并行度 `-m` 不为 1 或者没有指定 `--autoreset-to-one-mapper`，则需要用 ` --split-by ` 指明参考列；
|
||
+ SQL 的 `where` 字句必须包含 `$CONDITIONS`，这是固定写法，作用是动态替换。
|
||
|
||
|
||
|
||
### 7.2 增量导入
|
||
|
||
```shell
|
||
sqoop import \
|
||
--connect jdbc:mysql://hadoop001:3306/mysql \
|
||
--username root \
|
||
--password root \
|
||
--table help_keyword \
|
||
--target-dir /sqoop_hive \
|
||
--hive-database sqoop_test \
|
||
--incremental append \ # 指明模式
|
||
--check-column help_keyword_id \ # 指明用于增量导入的参考列
|
||
--last-value 300 \ # 指定参考列上次导入的最大值
|
||
--hive-import \
|
||
-m 3
|
||
```
|
||
|
||
`incremental` 参数有以下两个可选的选项：
|
||
|
||
+ **append**：要求参考列的值必须是递增的，所有大于 `last-value` 的值都会被导入；
|
||
+ **lastmodified**：要求参考列的值必须是 `timestamp` 类型，且插入数据时候要在参考列插入当前时间戳，更新数据时也要更新参考列的时间戳，所有时间晚于 ``last-value`` 的数据都会被导入。
|
||
|
||
通过上面的解释我们可以看出来，其实 Sqoop 的增量导入并没有太多神器的地方，就是依靠维护的参考列来判断哪些是增量数据。当然我们也可以使用上面介绍的 `query` 参数来进行手动的增量导出，这样反而更加灵活。
|
||
|
||
|
||
|
||
## 八、类型支持
|
||
|
||
Sqoop 默认支持数据库的大多数字段类型，但是某些特殊类型是不支持的。遇到不支持的类型，程序会抛出异常 `Hive does not support the SQL type for column xxx` 异常，此时可以通过下面两个参数进行强制类型转换：
|
||
|
||
+ **--map-column-java\<mapping>** ：重写 SQL 到 Java 类型的映射；
|
||
+ **--map-column-hive \<mapping>** ： 重写 Hive 到 Java 类型的映射。
|
||
|
||
示例如下，将原先 `id` 字段强制转为 String 类型，`value` 字段强制转为 Integer 类型：
|
||
|
||
```
|
||
$ sqoop import ... --map-column-java id=String,value=Integer
|
||
```
|
||
|
||
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
[Sqoop User Guide (v1.4.7)](http://sqoop.apache.org/docs/1.4.7/SqoopUserGuide.html)
|