Hadoop和关系型数据库间的数据传输工具——Sqoop

x33g5p2x  于2022-07-01 转载在 Hadoop  
字(20.2k)|赞(0)|评价(0)|浏览(488)

Hadoop和关系型数据库间的数据传输工具——Sqoop

一、Sqoop简介以及使用

1.1、产生背景

基于传统关系型数据库的稳定性,还是有很多企业将数据存储在关系型数据库中;早期由于工具的缺乏,Hadoop与传统数据库之间的数据传输非常困难。基于前两个方面的考虑,需要一个在传统关系型数据库和Hadoop之间进行数据传输的项目,Sqoop应运而生。

1.2、Sqoop是什么

Sqoop是一个用于Hadoop结构化数据存储(如关系型数据库)之间进行高效传输大批量数据的工具。它包括以下两个方面:

  • 可以使用Sqoop将数据从关系型数据库管理系统(如MySQL)导入到Hadoop系统(如HDFS、Hive、HBase)中
  • 将数据从Hadoop系统中抽取并导出到关系型数据库(如MySQL)

常见数据库开源工具:

  1. sqoop
  2. datax
  3. kettle
  4. cannal

1.3、底层实现原理

​ Sqoop的核心设计思想是利用MapReduce加快数据传输速度。也就是说Sqoop的导入和导出功能是通过基于Map Task(只有map)的MapReduce作业实现的。所以它是一种批处理方式进行数据传输,难以实现实时的数据进行导入和导出。
官网介绍:
Apache Sqoop™ is a tool designed for efficiently transferring bulk
data between Apache Hadoop and structured datastores such as relational databases.

Sqoop结构图:

1.4、特点

  • 优点:它可以将跨平台的数据进行整合。
  • 缺点:它不是很灵活。

主要执行操作
MysqlHDFSHiveHBaseimportimportimportexportexportMysqlHDFSHiveHBase

sqoop的重要的几个关键词

  • import : 从关系型数据库到hadoop
  • export : 从hadoop到关系型数据库。

二、Sqoop的安装

注意:在安装sqoop之前要配置好本机的Java环境和Hadoop环境

先把spoop的安装包sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz拷贝在系统目录下的 /root/soft下面

2.1、解压配置环境变量

# 解压tar.gz包
[root@master local] tar -zxvf /root/sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz -C /usr/local/

#把sqoop的安装路径修改为sqoop,方便以后配置和调用
[root@master local]# mv  sqoop-1.4.7.bin__hadoop-2.6.0 sqoop
[root@master sqoop]# vim /etc/profile
# 追加内容如下:

export SQOOP_HOME=/usr/local/sqoop
export PATH=$SQOOP_HOME/bin:$PATH

2.2、新建配置文件

[root@master sqoop] mv ./conf/sqoop-env-template.sh ./conf/sqoop-env.sh

2.3、修改配置文件

配置文件:

[root@master sqoop]  vim ./conf/sqoop-env.sh

按照本系统实际安装的Hadoop系列目录配置好下面的路径:

export HADOOP_COMMON_HOME=/usr/local/hadoop
export HADOOP_MAPRED_HOME=/usr/local/hadoop
export HIVE_HOME=/usr/local/hive
export ZOOCFGDIR=/usr/local/zookeeper

2.4、拷贝mysql驱动

因为我们现在通过JDBC让Mysql和HDFS等进行数据的导入导出,所以我们先必须把JDBC的驱动包拷贝到sqoop/lib路径下,如下

[root@master sqoop] cp /root/mysql-connector-java-5.1.18.jar ./lib/

2.5、验证安装:

#查看sqoop的版本
[root@master sqoop] sqoop version

三、Sqoop命令执行

3.1、常见命令执行参数

通过sqoop加不同参数可以执行导入导出,通过sqoop help 可以查看常见的命令行

#常见sqoop参数
[root@master sqoop] sqoop help
  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 #导出
  help               List available commands
  import             Import a table from a database to HDFS  #导入
  import-all-tables  Import tables from a database to HDFS
  import-mainframe   Import mainframe datasets to HDFS
  list-databases     List available databases on a server
  list-tables        List available tables in a database
  version            Display version information

3.2、直接执行命令

Sqoop运行的时候不需要启动后台进程,直接执行sqoop命令加参数即可.简单举例如下:

# #通过参数用下面查看数据库
[root@master sqoop] sqoop list-databases --connect jdbc:mysql://node2:3306 --username root --password 123123;

3.3、通过文件传递参数(脚本)

在执行sqoop命令时,如果每次执行的命令都相似,那么把相同的参数可以抽取出来,放在一个文本文件中,把执行时的参数加入到这个文本文件为参数即可. 这个文本文件可以用--options-file来指定,平时可以用定时任务来执行这个脚本,避免每次手工操作.

3.2章节中命令中的jdbc连接的参数一般是不变的,可以把它抽取出来放在一个文件中/.../sqoop/config.conf,如下:

list-databases
--connect
jdbc:mysql://localhost:3306
--username
root
--password
123123

那么上面的执行的命令就可以变为:

[root@master sqoop] bin/sqoop --options-file config.conf

为了让配置文件config.txt的可读性更强,可以加入空行和注释,不会影响文件内容的读取,如下:

# 指令: 列出mysql中的所有数据库
list-databases

# 指定连接字符串
--connect
jdbc:mysql://localhost:3306

--username
root

--password
123123

3.4、Import 详解

import是从关系数据库导入到Hadoop,下面是一些通用参数介绍:

3.4.1、通用参数

如下:

ArgumentDescription
–connect指定JDBC连接字符串
--connection-manager指定连接管理类
--driver指定连接的驱动程序
-P从控制台读入密码(可以防止密码显示中控制台)
–password指定访问数据库的密码
–username指定访问数据库的用户名

3.4.1.1、连接数据库

sqoop的设计就是把数据库数据导入HDFS,所以必须指定连接字符串才能访问数据库,这个连接字符串类似于URL,这个连接字符串通过--connect参数指定,它描述了连接的数据库地址和具体的连接数据库,譬如:

#指定连接的服务器地址是database.example.com ,要连接的数据库是employees
[root@master sqoop] sqoop import --connect jdbc:mysql://database.example.com/employees

上面连接命令只是指定数据库,默认情况下数据库都是需要用户名和参数的,在这里可以用--username--password来指定,譬如:

#指定用户名和密码来连接数据库
[root@master sqoop] sqoop import --connect jdbc:mysql://localhost:3306/mysql --username root --password 123123;

3.4.1.2、查看数据库

在Sqoop中,可以通过list-databases参数来查看mysql的数据库,这样在导入之前可以得到所有的数据库的名字,具体案例如下:

# 列出所有数据库
[root@master sqoop] bin/sqoop list-databases --connect jdbc:mysql://localhost:3306 --username root --password 123123;

3.4.1.3、查看所有表

在得到所有数据库的名字后,也可以查看当前数据库中的所有表,可以使用 list-tables参数来进行查看,查看的时候在url连接中一定要指定数据库的名字.

# 列出数据库中所有表
[root@master sqoop] bin/sqoop list-tables --connect jdbc:mysql://node2:3306/qfdb --username root --password 123123;
3.4.2、Import的控制参数

常见Import的控制参数有如下几个:

ArgumentDescription
--append通过追加的方式导入到HDFS
--as-avrodatafile导入为 Avro Data 文件格式
--as-sequencefile导入为 SequenceFiles文件格式
--as-textfile导入为文本格式 (默认值)
--as-parquetfile导入为 Parquet 文件格式
--columns指定要导入的列
--delete-target-dir如果目标文件夹存在,则删除
--fetch-size一次从数据库读取的数量大小
-m,--num-mappersn 用来指定map tasks的数量,用来做并行导入
-e,--query指定要查询的SQL语句
--split-by用来指定分片的列
--table需要导入的表名
--target-dirHDFS 的目标文件夹
--where用来指定导入数据的where条件
-z,--compress是否要压缩
--compression-codec使用Hadoop压缩 (默认是 gzip)

3.4.2.1、指定表导入

数据准备

在本地mysql数据库中新建一个qfdb数据库,sql代码在data/qfdb.sql中,如下:

CREATE TABLE emp(
    empno        INT primary key,
    ename        VARCHAR(50),
    job        VARCHAR(50),
    mgr        INT,
    hiredate    DATE,
    sal        DECIMAL(7,2),
    comm        decimal(7,2),
    deptno        INT
) ;
INSERT INTO emp values(7369,'SMITH','CLERK',7902,'1980-12-17',800,NULL,20);
INSERT INTO emp values(7499,'ALLEN','SALESMAN',7698,'1981-02-20',1600,300,30);
INSERT INTO emp values(7521,'WARD','SALESMAN',7698,'1981-02-22',1250,500,30);
INSERT INTO emp values(7566,'JONES','MANAGER',7839,'1981-04-02',2975,NULL,20);
INSERT INTO emp values(7654,'MARTIN','SALESMAN',7698,'1981-09-28',1250,1400,30);
INSERT INTO emp values(7698,'BLAKE','MANAGER',7839,'1981-05-01',2850,NULL,30);
INSERT INTO emp values(7782,'CLARK','MANAGER',7839,'1981-06-09',2450,NULL,10);
INSERT INTO emp values(7788,'SCOTT','ANALYST',7566,'1987-04-19',3000,NULL,20);
INSERT INTO emp values(7839,'KING','PRESIDENT',NULL,'1981-11-17',5000,NULL,10);
INSERT INTO emp values(7844,'TURNER','SALESMAN',7698,'1981-09-08',1500,0,30);
INSERT INTO emp values(7876,'ADAMS','CLERK',7788,'1987-05-23',1100,NULL,20);
INSERT INTO emp values(7900,'JAMES','CLERK',7698,'1981-12-03',950,NULL,30);
INSERT INTO emp values(7902,'FORD','ANALYST',7566,'1981-12-03',3000,NULL,20);
INSERT INTO emp values(7934,'MILLER','CLERK',7782,'1982-01-23',1300,NULL,10);

sqoop的典型导入都是把关系数据库中的表导入到HDFS中,使用--table参数可以指定具体的表导入到hdfs,譬如用 --table emp,默认情况下是全部字段导入.如下:

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--target-dir hdfs://master:9000/sqoopdata/emp
--delete-target-dir

可以快速使用hdfs的命令查询结果

[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*

3.4.2.2、指定列导入

如果想导入某几列,可以使用 --columns,如下:

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--columns 'empno,mgr' \
--target-dir hdfs://master:9000/sqoopdata/emp \
--delete-target-dir

可以使用下面hdfs命令快速查看结果

[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*

3.4.2.3、指定条件导入

在导入表的时候,也可以通过指定where条件来导入,具体参数使用 --where,譬如要导入员工号大于7800的记录,可以用下面参数:

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--columns 'empno,mgr' \
--where 'empno>7800' \
--target-dir hdfs://master:9000/sqoopdata/5 \
--delete-target-dir

用命令查询结果:

[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*

结果如下:

7839,null
7844,7698
7876,7788
7900,7698
7902,7566
7934,7782

3.4.2.4、指定Sql导入

上面的可以通过表,字段,条件进行导入,但是还不够灵活,其实sqoop还可以通过自定义的sql来进行导入,可以通过--query 参数来进行导入,这样就最大化的用到了Sql的灵活性。如下:

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--query 'select empno,mgr,job from emp WHERE empno>7800 and $CONDITIONS' \
--target-dir hdfs://master:9000/sqoopdata/emp \
--delete-target-dir \
--split-by empno \
-m 1

注意:在通过--query来导入数据时,必须要指定--target-dir

如果你想通过并行的方式导入结果,每个map task需要执行sql查询语句的副本,结果会根据sqoop推测的边界条件分区。query必须包含$CONDITIONS。这样每个scoop程序都会被替换为一个独立的条件。同时你必须指定--split-by。分区-m 1 是指定通过一个Mapper来执行流程

查询执行结果

[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*

结果如下:

7839,null,PRESIDENT
7844,7698,SALESMAN
7876,7788,CLERK
7900,7698,CLERK
7902,7566,ANALYST
7934,7782,CLERK

3.4.2.5、单双引号区别

在导入数据时,默认的字符引号是单引号,这样sqoop在解析的时候就安装字面量来解析,不会做转移:例如:

--query 'select empno,mgr,job from emp WHERE empno>7800 and $CONDITIONS'  \

如果使用了双引号,那么Sqoop在解析的时候会做转义的解析,这时候就必须要加转义字符 \ 如下:

--query "select empno,mgr,job from emp WHERE empno>7800 and \$CONDITIONS" \

3.4.2.6、MySql缺主键问题

1、如果mysql的表没有主键,将会报错:

19/12/02 10:39:50 ERROR tool.ImportTool: Import 
failed: No primary key could be found for table u1. Please specify one with 
-- split-by or perform a sequential import with '-m 1'

解决方案:

通过 --split-by 来指定要分片的列

代码如下:

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--query 'select empno,mgr,job from emp WHERE empno>7800 and $CONDITIONS' \
--target-dir hdfs://master:9000/sqoopdata/emp \
--delete-target-dir \
--split-by empno \
-m 1
3.4.3、导入到Hive中

3.4.3.1、说明

​ Sqoop的导入工具的主要功能是将数据上传到HDFS中的文件中。如果您有一个与HDFS集群相关联的Hive,Sqoop还可以通过生成和执行CREATETABLE语句来定义Hive中的数据,从而将数据导入到Hive中。将数据导入到Hive中就像在Sqoop命令行中添加–hive-import选项。

​ 如果Hive表已经存在,则可以指定--hive-overwrite选项,以指示必须替换单元中的现有表。在将数据导入HDFS或省略此步骤之后,Sqoop将生成一个Hive脚本,其中包含使用Hive的类型定义列的CREATE表操作,并生成LOAD Data INPATH语句将数据文件移动到Hive的仓库目录中。

在导入Hive之前先要配置Hadoop的Classpath才可以,否则会报类找不到错误,在/etc/profile末尾添加如下配置:

export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HIVE_HOME/lib/*

#刷新配置
source /etc/profile

3.4.3.2、参数说明

具体的参数如下:

ArgumentDescription
--hive-home覆盖环境配置中的$HIVE_HOME,默认可以不配置
–hive-import指定导入数据到Hive中
--hive-overwrite覆盖当前已有的数据
--create-hive-table是否创建hive表,如果已经存在,则会失败
--hive-table设置要导入的Hive中的表名

3.4.3.3、实际导入案例

具体导入演示代码如下:
提示: 为了看到演示效果,可以先在Hive删除emp表

[root@master sqoop] bin/sqoop import --connect jdbc:mysql://node2:3306/qfdb \
--username root \
--password 123123 \
--table emp \
--hive-import \
--hive-overwrite \
--fields-terminated-by ',' \
-m 1

在Hive中查看表:

hive> show tables;
#结果如下:
OK
emp

可以在Hive中查看数据是否导入:

select * from emp;
#结果如下:
7369    SMITH   CLERK   7902    1980-12-17      800.0   NULL    20
7499    ALLEN   SALESMAN        7698    1981-02-20      1600.0  300.0   30
7521    WARD    SALESMAN        7698    1981-02-22      1250.0  500.0   30
7566    JONES   MANAGER 7839    1981-04-02      2975.0  NULL    20
7654    MARTIN  SALESMAN        7698    1981-09-28      1250.0  1400.0  30
7698    BLAKE   MANAGER 7839    1981-05-01      2850.0  NULL    30
7782    CLARK   MANAGER 7839    1981-06-09      2450.0  NULL    10
7788    SCOTT   ANALYST 7566    1987-04-19      3000.0  NULL    20
7839    KING    PRESIDENT       NULL    1981-11-17      5000.0  NULL    10
7844    TURNER  SALESMAN        7698    1981-09-08      1500.0  0.0     30
7876    ADAMS   CLERK   7788    1987-05-23      1100.0  NULL    20
7900    JAMES   CLERK   7698    1981-12-03      950.0   NULL    30
7902    FORD    ANALYST 7566    1981-12-03      3000.0  NULL    20
7934    MILLER  CLERK   7782    1982-01-23      1300.0  NULL    10

四、Sqoop导入实战

4.1、Sqoop-import

案例1

表没有主键,需要指定map task的个数为1个才能执行

Sqoop导入原理:
​ Sqoop默认是并行的从数据库源导入数据。您可以使用-m或–num-mappers参数指定用于执行导入的map任务(并行进程)的数量。每个参数都取一个整数值,该整数值对应于要使用的并行度。默认情况下,使用四个任务。一些数据库可以通过将这个值增加到8或16来改善性能。

​ 默认情况下,Sqoop将标识表中的主键id列用作拆分列。从数据库中检索分割列的高值和低值,map任务操作整个范围的大小均匀的组件。譬如ID的范围是0-800,那么Sqoop默认运行4个进程,通过执行 SELECT MIN(id), MAX(id) FROM emp找出id的范围,然后把4个任务的id设置范围是(0-200),(200-400),(400-600),(600-800)

但是当一个表没有主键时,上面的切分就无法进行,sqoop导入时就会出错,这时候可以通过-m把mapper的数量设为1,只有也Mapper在运行,这时候就不需要切分,也可以避免主键不存在时候报错的问题.

#错误信息
ERROR tool.ImportTool: Import failed: No primary key could be found for table emp. Please specify one with --split-by or perform a sequential import with '-m 1'.

导入代码:

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp -m 1

4.2、DBMS-HDFS

案例2

表没有主键,使用–split-by指定执行split的字段
问题同上,如果表没有主键,那么还有个办法就是手工指定要拆分的列,通过--split-by来指定

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--split-by empno \
--delete-target-dir \
--target-dir hdfs://master:9000/sqoopdata/emp
-- 出错
Caused by: java.sql.SQLException: null,  message from server: "Host 'master' is not allowed to connect to this MySQL server"

解决方案:

先连接mysql:

[root@master sqoop]# mysql -uroot -p

(执行下面的语句 .:所有库下的所有表 %:任何IP地址或主机都可以连接)

mysql> GRANT ALL PRIVILEGES ON . TO 'root'@'%' IDENTIFIED BY 'mysql' WITH GRANT OPTION;
	FLUSH PRIVILEGES;
	grant all privileges on . to root@"localhost" identified by "mysql" with grant option;
	FLUSH PRIVILEGES;

案例3:条件导入

需要导入的数据不是全部的,而是带条件导入

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--split-by empno \
--where 'empno > 7777' \
--target-dir hdfs://master:9000/sqoopdata/emp

案例4:部分字段导入

:要导入的数据,不想包含全部字段,只需要部分字段

[root@master sqoop] bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--split-by empno \
--query 'select empno,ename,job from emp where empno > 7777 and $CONDITIONS' \
--target-dir hdfs://master:9000/sqoopdata/7

4.3、DBMS-Hive

案例5:将数据导入到hive中

[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb --username root --password 123123 --table emp --hive-import -m 1

五、Sqoop导出

在Sqoop中,使用export进行导出,指的是从HDFS中导出数据到Mysql中:

1、构建mysql的表:

CREATE TABLE `u2` (
  `id` int(11) DEFAULT NULL,
  `age` int(11) DEFAULT '0'
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

CREATE TABLE `u3` (
  `id` int(11) DEFAULT NULL,
  `name` varchar(20) default NULL,
  `age` int(11) DEFAULT '0'
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

2、HDFS导出到mysql

[root@master sqoop]# sqoop export --connect jdbc:mysql://master:3306/qfdb \
--username root \
--password root \
--table u2 \
--driver com.mysql.jdbc.Driver \
--export-dir '/1906sqoop/u2/*' \
-m 1

# 方法二:
先重新导入数据:
[root@master sqoop]# sqoop import --connect jdbc:mysql://master:3306/qfdb \
--username root \
--password root \
--query 'select id,name,age from stu where id > 6 and $CONDITIONS' \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir '/1906sqoop/u7' \
--split-by id \
-m 1 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '0'

导出语句:
[root@master sqoop]# sqoop export --connect jdbc:mysql://hadoop01:3306/qfdb \
--username root \
--password root \
--table u3 \
--driver com.mysql.jdbc.Driver \
--export-dir '/1906sqoop/u7/*' \
--input-fields-terminated-by '\t' \
--input-null-string '\\N' \
--input-null-non-string '\\N' \
-m 1

要注意以下问题

  • mysql表的编码格式做为utf8,hdfs文件中的列数类型和mysql表中的字段数一样
  • 导出暂不能由hbase表导出mysql关系型数据库中
  • --export-dir是一个hdfs中的目录,它不识别_SUCCESS文件
  • –query导入的时候注意设置问题。
  • 导出数据中有些列值有"null",会报没法解析
  • 导出数据的类型需要和mysql中的一致(能自动转没有问题)

六、Sqoop的Job

6.1、增量导入数据

6.1.1、使用场景
  1. 经常被操作不断产生数据的表,建议增量。
  2. 当某表基数很大,但是变化很小,也建议增量
6.1.2、使用方式
  • query where : 能精确锁定数据范围
  • –incremental : 增量,最后记录值来做的

6.1.2.1、query where方式

通过查询具体日期的方式进行导入

新建一个脚本文件

[root@hadoop01 sqoop-1.4.7] vim ./import.sh

写入以下内容:

#!/bin/bash
# yesterday=`date -d "1 days ago" "+%Y-%m-%d"`
yesterday='2022-02-01'
sqoop import --connect jdbc:mysql://master:3306/sales_source \
--username root \
--password 123123 \
--query "select * from sales_order where DATE(order_date) = '${yesterday}' and \$CONDITIONS" \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir /user/hive/warehouse/sales_order/dt=${yesterday} \
--split-by id \
-m 1 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '0'

通过下面hdfs可以快速查询到结果:

[root@hadoop01 sqoop-1.4.7]# hdfs dfs -cat /user/hive/warehouse/sales_order/dt=2019-01-01/pa*

6.1.2.2 increment的append方式:

#将会手动维护last-value 
[root@hadoop01 sqoop-1.4.7]# sqoop import --connect jdbc:mysql://master:3306/sales_source \
--username root \
--password root \
--table sales_order \
--driver com.mysql.jdbc.Driver \
--target-dir /user/hive/warehouse/sales_order1/dt=2019-12-30 \
--split-by id \
-m 1 \
--check-column order_number \
--incremental append \
--last-value 80000 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '0'

使用下面命令查看:

[root@hadoop01 sqoop-1.4.7]# hdfs dfs -cat /user/hive/warehouse/sales_order1/dt=2019-12-30/pa*

6.2、Job操作

job的好处:

  1. 一次创建,后面不需要创建,可重复执行job即可
  2. 它可以帮我们记录增量导入数据的最后记录值
  3. job的元数据默认存储目录:$HOME/.sqoop/
  4. job的元数据也可以存储于mysql中。

sqoop提供一系列的job语句来操作sqoop。

$ sqoop job (generic-args) (job-args) [-- [subtool-name] (subtool-args)]
$ sqoop-job (generic-args) (job-args) [-- [subtool-name] (subtool-args)]

使用方法:

usage: sqoop job [GENERIC-ARGS] [JOB-ARGS] [-- [<tool-name>] [TOOL-ARGS]]

Job management arguments:
   --create <job-id>            Create a new saved job
   --delete <job-id>            Delete a saved job
   --exec <job-id>              Run a saved job
   --help                       Print usage instructions
   --list                       List saved jobs
   --meta-connect <jdbc-uri>    Specify JDBC connect string for the metastore
   --show <job-id>              Show the parameters for a saved job
   --verbose                    Print more information while working

列出sqoop的job:

[root@master sqoop] sqoop job --list

创建一个sqoop的job:

[root@master sqoop]# sqoop job --create job1 -- import  --connect jdbc:mysql://master:3306/qfdb \
--username root \
--password root \
--table u2 \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir '/sqoop/job/job1' \
--split-by id \
-m 1

执行sqoop的job:

#如报错json包找不到,则需要手动添加
sqoop job --exec job1

执行的时候回让输入密码:
输入该节点用户的对应的密码即可
# 1、配置客户端记住密码(sqoop-site.xml)追加
<property>
    <name>sqoop.metastore.client.record.password</name>
    <value>true</value>
</property>

# 2、将密码配置到hdfs的某个文件,我们指向该密码文件
说明:在创建Job时,使用--password-file参数,而且非--passoword。主要原因是在执行Job时使用--password参数将有警告,并且需要输入密码才能执行Job。当我们采用--password-file参数时,执行Job无需输入数据库密码。
[root@master sqoop]# echo -n "root" > sqoop.pwd
[root@master sqoop]# hdfs dfs -rm sqoop.pwd /input/sqoop.pwd
[root@master sqoop]# hdfs dfs -put sqoop.pwd /input
[root@master sqoop]# hdfs dfs -chmod 400 /input/sqoop.pwd
[root@master sqoop]# hdfs dfs -ls /input
-r-------- 1 hadoop supergroup 6 2018-01-15 18:38 /input/sqoop.pwd

查看sqoop的job:

[root@master sqoop] sqoop job --show sq1

删除sqoop的job:

[root@master sqoop] sqoop job --delete sq1

问题:

1、创建job报错:19/12/02 23:29:17 ERROR sqoop.Sqoop: Got exception running Sqoop: java.lang.NullPointerException
java.lang.NullPointerException
        at org.json.JSONObject.<init>(JSONObject.java:144)

解决办法:
添加java-json.jar包到sqoop的lib目录中。
如果上述办法没有办法解决,请注意hcatlog的版本是否过高,过高将其hcatlog包剔除sqoop的lib目录即可。

2、报错:Caused by: java.lang.ClassNotFoundException: org.json.JSONObject
解决办法:
添加java-json.jar包到sqoop的lib目录中。

6.3、metastore服务

metastore服务是元数据服务,用于存储sqoop的job相关信息,将信息保存于关系型数据库中。

优点:

  1. job信息更加有保障
  2. 多个client之间共享job信息。

(1)在MySQL中创建Sqoop的元数据存储数据库 (如果有root可以用root)

create database sqoop;  
create user 'sqoop'@'%' identified by 'sqoop';    
grant all privileges on sqoop.* to 'sqoop'@'%';    
flush privileges;

(2)配置Sqoop的元数据存储参数

​ 在$SQOOP_HOME/conf/sqoop-site.xml中添加以下的参数,在/code/sqoop-site.xml也可以查阅。

sqoop.metastore.server.location:指定元数据服务器位置,初始化建表时需要。
sqoop.metastore.client.autoconnect.url:客户端自动连接的数据库的URL。
sqoop.metastore.client.autoconnect.username:连接数据库的用户名。
sqoop.metastore.client.enable.autoconnect:启用客户端自动连接数据库。
sqoop.metastore.client.record.password:在数据库中保存密码,不需要密码即可执行sqoop job脚本。
sqoop.metastore.client.autoconnect.password:连接数据库的密码。

  <property>
    <name>sqoop.metastore.client.enable.autoconnect</name>
    <value>false</value>
    <description>If true, Sqoop will connect to a local metastore
      for job management when no other metastore arguments are
      provided.
    </description>
  </property>

  <property>
    <name>sqoop.metastore.client.autoconnect.url</name>
    <value>jdbc:mysql://192.168.10.103:3306/sqoop</value>
  </property>
  <property>
    <name>sqoop.metastore.client.autoconnect.username</name>
    <value>root</value>
  </property>
  <property>
    <name>sqoop.metastore.client.autoconnect.password</name>
    <value>123456</value>
  </property>

  <property>
    <name>sqoop.metastore.client.record.password</name>
    <value>true</value>
  </property>

  <property>
    <name>sqoop.metastore.server.location</name>
    <value>/usr/local/sqoop/sqoop-metastore/shared.db</value>
  </property>

  <property>
    <name>sqoop.metastore.server.port</name>
    <value>16000</value>
  </property>

(3)重启Sqoop服务

​ 保存配置并重启完成后,MySQL的sqoop库中有了一个名为SQOOP_ROOT的空表。

#启动:
[root@master sqoop]# sqoop metastore &

#查看进程:
[root@master sqoop]# jps
sqoop

#关闭:
[root@master sqoop]# sqoop metastore --shutdown

(4)预装载SQOOP表

insert into SQOOP_ROOT values (NULL, 'sqoop.hsqldb.job.storage.version', '0');

(5)job相关操作

[root@master sqoop]# sqoop job --list  ###需要加--meta-connect

创建job:
[root@master sqoop]# sqoop job --create sq3 --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' -- import  --connect jdbc:mysql://hadoop01:3306/test \
--username root \
--password root \
--table user_info \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir '/1906sqoop/u9' \
--split-by id \
-m 1

列出job:
[root@master sqoop]# sqoop job --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' --list

执行job:
[root@master sqoop]# sqoop job --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' --exec sq3

执行job并打印详细信息:
[root@master sqoop]# sqoop job --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' --exec sq3 -verbose

​ 此时并不会返回先前已经创建的myjob_incremental_import作业,因为此时MySQL中没有元数据信息。该命令执行完成后,MySQL的sqoop库中有了一个名为SQOOP_SESSIONS的空表,该表存储sqoop job相关信息。

(6)将表的存储引擎修改为MYISAM(如job信息存储到mysql的SQOOP_SESSIONS则不用执行如下)

alter table SQOOP_ROOT engine=myisam;  
alter table SQOOP_SESSIONS engine=myisam;

因为每次执行增量抽取后都会更新last_value值,如果使用Innodb可能引起事务锁超时错误。

七、Sqoop优化

7.1、-m与split-by的优化

  1. 小量数据时(200M左右) :最好使用一一个map,快且减少小文件。
  2. 大量数据时:要特别考虑数据的特征,对于split- by最完美的情况是有一个:均匀分布的数字(如自增列)或时间字段,且这个字段还有索引(最好字段是int、tinyin),这样在抽取时使得并发的每个sq1处理相近的数据量,并且sqoop附加的where条件可以使用索引。
  3. split-by id,-m 2, 数据量1-100。第 一个mapper:(0,50]第二个mapper: (50, 100],对于m要综合考虑数据量、I0、源数据库的性能、集群的资源等等。一种简单的考虑是最大不超过yarn.上分配给这个用户的vcore个数,最小“数据量/m”要够一个128MB的文件。如果条件允许可以先设置一个值跑着试试,然后观察源数据库负载、集群I0以及运行时长等,再进行相应调整。

7.2、 --fetch-size n

一次取mysq1中批量读取的数据条数。建议优化如下:

  1. 考虑一条数据的量。(如果2个字段和200个字段的–fetch-size不能一-样)
  2. 考虑数据库的性能
  3. 考虑网络速度
  4. 最好的状态是一 次–fetch-si ze能满足-一个mapper

相关文章