大数据技术之 Sqoop
大数据技术之 Sqoop
版本:V1.0
第 1 章 Sqoop 简介
Sqoop 是一款开源的工具,主要用于在 Hadoop(Hive)与传统的数据库(mysql、postgresql...)
间进行数据的传递,可以将一个关系型数据库(例如 : MySQL ,Oracle ,Postgres 等)中的
数据导进到 Hadoop 的 HDFS 中,也可以将 HDFS 的数据导进到关系型数据库中。
Sqoop 项目开始于 2009 年,最早是作为 Hadoop 的一个第三方模块存在,后来为了让使
用者能够快速部署,也为了让开发人员能够更快速的迭代开发,Sqoop 独立成为一个 Apache
项目。
Sqoop2 的最新版本是 1.99.7。请注意,2 与 1 不兼容,且特征不完整,它并不打算用于
生产部署。
第 2 章 Sqoop 原理
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。
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) 下载地址:http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/
2) 上传安装包 sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz 到虚拟机中
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
$ mv sqoop-env-template.sh sqoop-env.sh
2) 修改配置文件
Sqoop 脚本
大数据技术之 Sqoop
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/hive
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
export ZOOCFGDIR=/opt/module/zookeeper-3.4.10
export HBASE_HOME=/opt/module/hbase
3.3 拷贝 JDBC 驱动
拷贝 jdbc 驱动到 sqoop 的 lib 目录下,如:
$
/opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/
3.4 验证 Sqoop
cp
mysql-connector-java-5.1.27-bin.jar
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
create-hive-table
eval
export
help
import
import-all-tables
import-mainframe
job
list-databases
list-tables
merge
metastore
version
Merge results of incremental imports
Run a standalone Sqoop metastore
Display version information
Work with saved jobs
Import a table definition into Hive
Generate code to interact with database records
Evaluate a SQL statement and display the results
Export an HDFS directory to a database table
List available commands
Import a table from a database to HDFS
Import tables from a database to HDFS
Import datasets from a mainframe server to HDFS
List available databases on a server
List available tables in a database
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
oozie
performance_schema
第 4 章 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,
Sqoop 脚本
大数据技术之 Sqoop
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 -p000000
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://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
(2)查询导入
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--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.
如果 query 后使用的是双引号,则$CONDITIONS 前必须加转移符,防止 shell 识别为自己的
变量。
(3)导入指定列
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,sex \
--table staff
Sqoop 脚本
大数据技术之 Sqoop
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)使用 sqoop 关键字筛选查询导入数据
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table staff \
--where "id=1"
4.1.2 RDBMS 到 Hive
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--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,第一步默认的临时目录是/user/atguigu/表名
4.1.3 RDBMS 到 Hbase
$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table company \
--columns "id,name,sex" \
--column-family "info" \
--hbase-create-table \
--hbase-row-key "id" \
--hbase-table "hbase_company" \
--num-mappers 1 \
--split-by id
提示:sqoop1.4.6 只支持 HBase1.0.1 之前的版本的自动创建 HBase 表的功能
解决方案:手动创建 HBase 表
hbase> create 'hbase_company,'info'
(5) 在 HBase 中 scan 这张表得到如下内容
hbase> scan ‘hbase_company’
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
Sqoop 脚本
大数据技术之 Sqoop
(RDBMS)中传输数据,叫做:导出,即使用 export 关键字。
4.2.1 HIVE/HDFS 到 RDBMS
$ bin/sqoop export \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--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
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
$ mkdir opt
$ touch opt/job_HDFS2RDBMS.opt
2) 编写 sqoop 脚本
$ vi opt/job_HDFS2RDBMS.opt
export
--connect
jdbc:mysql://hadoop102:3306/company
--username
root
--password
000000
--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/job_HDFS2RDBMS.opt
第 5 章 Sqoop 一些常用命令及参数
5.1 常用命令列举
这里给大家列出来了一部分 Sqoop 操作时的常用参数,以供参考,需要深入学习的可以参
看对应类的源代码。
序号
命令
类
说明
Sqoop 脚本
import
export
codegen
ImportTool
ExportTool
CodeGenTool
大数据技术之 Sqoop
将数据导入到集群
将集群数据导出
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
1
2
3
4
5
6
7
8
9
10
11
Sqoop 脚本
12
13
help
version
HelpTool
VersionTool
大数据技术之 Sqoop
更改。
打印 sqoop 帮助信息
打印 sqoop 版本信息
5.2 命令&参数详解
刚才列举了一些 Sqoop 的常用命令,对于不同的命令,有不同的参数,让我们来一一列举
说明。
首先来我们来介绍一下公用的参数,所谓公用参数,就是大多数命令都支持的参数。
5.2.1 公用参数:数据库连接
序号
1
2
3
4
5
6
7
参数
--connect
说明
连接关系型数据库的 URL
--connection-manager
指定要使用的连接管理类
--driver
--help
--password
--username
--verbose
Hadoop 根目录
打印帮助信息
连接数据库的密码
连接数据库的用户名
在控制台打印出详细信息
5.2.2 公用参数:import
序号
参数
说明
1
2
3
4
5
Sqoop 脚本
--enclosed-by
--escaped-by
给字段值前加上指定的字符
对字段中的双引号加转义符
--fields-terminated-by 设定每个字段是以什么符号
作为结束,默认为逗号
--lines-terminated-by 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
大数据技术之 Sqoop
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。
5.2.3 公用参数:export
序号
参数
说明
1
2
3
4
5
--input-enclosed-by
对字段值前后加上指定字符
--input-escaped-by
对含有转移符的字段做转义
处理
--input-fields-terminated-by
字段之间的分隔符
--input-lines-terminated-by
行之间的分隔符
--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
5.2.4 公用参数:hive
序号
参数
说明
1
2
3
4
5
Sqoop 脚本
--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
--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
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
导入数据时,指定某个分区的
值