Sqoop基础知识教程

x33g5p2x  于2020-09-30 发布在 Sqoop  
字(28.8k)|赞(0)|评价(0)|浏览(254)

1.sqoop介绍

apache sqoop是在hadoop生态体系和RDBMS体系之间传送数据的一种工具。来自于Apache软件基金会提供。

sqoop工作机制是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

  • hadoop生态体系包括:HDFS、HIVE、Hbase等
  • RDBMS体系包括:Mysql、Oracle、DB2等
  • sqoop可以理解为:SQL到hadoop和hadoop到SQL

站在Apache立场看待数据流转问题,可以分为数据的导入导出:

import:数据导入。RDBMS--->Hadoop

export:数据导出。Hadoop--->RDBMS

2.sqoop安装

注:安装sqoop的前提是已经具备java和hadoop的环境

2.1 下载并解压

  1. 最新版下载地址:http://mirrors.hust.edu.cn/apache/sqoop/1.4.7/

  2. 上传安装包到虚拟机software目录

  3. 解压sqoop压缩包到指定目录

   tar -zxvf sqoop-1.4.7.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module

2.2 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
  1. 修改配置文件
   #Set path to where bin/hadoop is available
   export HADOOP_COMMON_HOME=/opt/module/hadoop-2.8.4
   
   #Set path to where hadoop-*-core.jar is available
   export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.8.4
   
   #set the path to where bin/hbase is available
   #export HBASE_HOME= 
   
   #Set the path to where bin/hive is available
   export HIVE_HOME=/opt/module/hive-2.3.4
   export HIVE_CONF_DIR=/opt/module/hive-2.3.4/conf
   
   #Se tthe path for where zookeper config dir is
   export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
   export ZOOCFGDIR=/opt/module/zookeeper-3.4.10/conf
   
  1. 设置PATH
   vim /etc/profile
   
   #sqoop
   export SQOOP_HOME=/opt/module/sqoop-1.4.7
   export PATH=$PATH:$SQOOP_HOME/bin

然后重启配置文件

source /etc/profile

2.3 拷贝JDBC驱动

拷贝jdbc驱动到sqoop的lib目录下

$ cp -a mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib

也可以把事先准备好的驱动直接上传到sqoop的lib目录中

**注意:**sqoop-1.4.7版本需要将hive/lib/hive-exec-x.x.x.jar拷贝到sqoop的lib目录下,不然在RDBMS到Hive的过程中会报错:如下

19/12/27 18:04:19 ERROR hive.HiveConfig: Could not load org.apache.hadoop.hive.conf.HiveConf. Make sure HIVE_CONF_DIR is set correctly.
19/12/27 18:04:19 ERROR tool.ImportTool: Import failed: java.io.IOException: java.lang.ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf

2.4 验证sqoop

我们可以通过某一个command来验证sqoop的配置是否正确

[root@bigdata111 lib]# bin/sqoop help
19/12/27 13:27:40 INFO sqoop.Sqoop: Running Sqoop version: 1.4.7
usage: sqoop COMMAND [ARGS]

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

See 'sqoop help COMMAND' for information on a specific command.

去掉警告信息

注释掉bin目录下configure-sqoop 134行到143行的内容,如下

    134 ## Moved to be a runtime check in sqoop.
     135 #if [ ! -d "${HCAT_HOME}" ]; then
    136 #  echo "Warning: $HCAT_HOME does not exist! HCatalog jobs will fail."
    137 #  echo 'Please set $HCAT_HOME to the root of your HCatalog installation.'
    138 #fi
    139 #
    140 #if [ ! -d "${ACCUMULO_HOME}" ]; then
    141 #  echo "Warning: $ACCUMULO_HOME does not exist! Accumulo imports will fail."
    142 #  echo 'Please set $ACCUMULO_HOME to the root of your Accumulo installation.'
    143 #fi

2.5 测试sqoop会否能成功连接数据库

[root@bigdata111 lib]# sqoop list-databases /
> --connect jdbc:mysql://bigdata111:3306 /
> --username root /
> --password 000000
19/12/27 13:28:55 INFO sqoop.Sqoop: Running Sqoop version: 1.4.7
19/12/27 13:28:55 WARN tool.BaseSqoopTool: Setting your password on the command-line is insecure. Consider using -P instead.
19/12/27 13:28:55 INFO manager.MySQLManager: Preparing to use a MySQL streaming resultset.
information_schema
metastore
mysql
performance_schema
sys

3.sqoop导入

在sqoop中,导入的概念指: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

数据准备:

  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> 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');

3.1 全量导入mysql表数据到HDFS

下面命令用于从mysql数据库服务器中的staff表导入HDFS

[root@bigdata111 ~]# sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--delete-target-dir /
--target-dir /company /
--table staff /
--m 1;

其中--target-dir可以用来指定导出数据存放至HDFS目录

注:mysql jdbc url 请使用ip地址

为了验证在HDFS导入的数据,请使用以下命令查看导入的数据

hdfs dfs -cat /company/part-m-00000

可以看出它会在HDFS上默认使用逗号,分割staff表中的数据和字段。可以使用--fields-terminated-by '\t'来指定分隔符。

[root@bigdata111 ~]# hdfs dfs -cat /company/part-m-00000
1,Thomas,Male
2,Catalina,FeMale

3.2 全量导入mysql表数据到HIVE

  1. 方式1:

    1. 先复制表结构到hive中在导入数据
      sqoop create-hive-table 
      --connect jdbc:mysql://bigdata111:3306/company /
      --table staff /
      --username root / 
      --password 000000 / 
      --hive-table myhive.staff_hive;
  其中:

  **--table staff** 为mysql中的数据库company中的表

  **--hive-table staff** 为hive中新建表的名称
  1. 从关系数据库导入文件到hive中
      sqoop import  /
      --connect jdbc:mysql://bigdata111:3306/company /
      --username root /
      --password 000000 / 
      --table staff /
      --hive-table myhive.staff_hive /
      --hive-import /
      --m 1;
  1. 方式2:直接复制表结构数据到hive中
   sqoop import /
   --connect jdbc:mysql://bigdata111:3306/company / 
   --username root /
   --password 000000 / 
   --table staff /
   --hive-import /
   --m 1 /
   --hive-database myhive;

3.3 导入表数据子集(where过滤)

--where 可以指定从关系数据库导入数据时的查询条件。它执行在数据库服务器相应的SQL查询,并将结果存储在HSFS的目标目录

sqoop import /
> --connect jdbc:mysql://bigdata111:3306/company /
> --username root /
> --password 000000 /
> --where 'id>1' /
> --target-dir /company1 /
> --table staff /
> --m 1;

查看数据:

[root@bigdata111 conf]# hdfs dfs -cat /company1/*
2,Catalina,FeMale

3.4 导入表数据子集(query查询)

注意事项:

  1. 使用query sql语句来进行查找不能加参数--table
  2. 并且必须要添加where条件
  3. 并且where条件后面必须带一个$CONDITIONS这个字符串
  4. 并且这个sql语句必须使用单引号,不能用双引号
sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--target-dir /company2 /
--query 'select id,name from staff where id < 3 and $CONDITIONS' /
--split-by id  /
--fields-terminated-by '\t' /
--m 2;

sqoop命令中,--split-by id通常配合--m 10参数使用。用于指定根据哪个字段进行划分并启动多少个maptask

3.5 增量导入

在实际工作当中,数据的导入,很多时候都只是需要导入增量数据即可,并不需要将表中的数据每次都全部导入到hive或者hdfs中去,这样会造成数据重复的问题。因此一般都是选用一些字段进行增量的导入,sqoop支持增量的导入数据。

增量导入是仅导入新添加的表中的行的技术

  1. --check-column(col)

    用来指定一些列,这些列在增量导入时用来检查这些数据是否作为增量数据进行导入,和关系型数据库中的自增字段和时间戳类似。

    **注意:**这些被指定的列的类型不能使用任意字符类型,如char、varcahr等类型都是不可以的,同时--check-column可以指定多个列

  2. --incremental(mode)

    append:追加,比如对大于last-value指定的值之后的记录进行追加导入。

    lastmodiffied:最后的修改时间,追加last-value执行的日期之后的记录

  3. --last-value(value)

    指定自从上次导入后列的最大值(大于该指定的值),也可以自己设定某一值

3.5.1 Append模式增量导入

执行以下指令先将之前的数据导入:

sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root --password 000000 /
--target-dir /company4 /
--table staff /
--m 1;

然后使用hdfs dfs -cat /company4/* 查看生成的数据文件,发现数据已经导入到hdfs中。

然后在使用mysql的staff中插入两条增量数据:

mysql> insert into staff values(3,'ASDF','ASD');
Query OK, 1 row affected (0.00 sec)

mysql> insert into staff values(4,'ASSFDS','AASD');
Query OK, 1 row affected (0.00 sec)

mysql> insert into staff values(5,'BFDS','AASD');
Query OK, 1 row affected (0.01 sec)

mysql> insert into staff values(6,'CFDS','AASD');
Query OK, 1 row affected (0.00 sec)

执行如下指令,实现增量的导入:

sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--table staff /
--target-dir /company4 /
--incremental append /
--check-column id /
--last-value 5;

最后验证导入数据目录,就可以发现多了一个文件,里面就是增量数据

[root@bigdata111 conf]# hadoop fs -ls /company4 
Found 3 items
-rw-r--r--   3 root supergroup          0 2019-12-29 19:25 /company4/_SUCCESS
-rw-r--r--   3 root supergroup         43 2019-12-29 19:25 /company4/part-m-00000
-rw-r--r--   3 root supergroup         12 2019-12-29 19:31 /company4/part-m-00001
[root@bigdata111 conf]# hadoop fs -cat  /company4/part-m-00001
6,CFDS,AASD

3.5.2 Lastnodified模式导入

首先创建一个customer表,指定一个时间戳字段:

create table customertest(id int,name varchar(20),last_mod 
timestamp default current_timestamp on update current_timestamp);

此处的时间戳设置为在数据的产生和更新时都会发生改变。

分别插入如下记录:

insert into customertest(id,name) values(1,'neil');
insert into customertest(id,name) values(2,'jack');
insert into customertest(id,name) values(3,'martin');
insert into customertest(id,name) values(4,'tony');
insert into customertest(id,name) values(5,'eric');

执行sqoop指令将数据全部导入hdfs中:

sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--target-dir /lastmodifiedresult /
--table customertest /
--m 1;

查看此时导出的结果数据:

[root@bigdata111 conf]# hdfs dfs -cat /lastmodifiedresult/* 
1,neil,2019-12-29 19:36:40.0
2,jack,2019-12-29 19:36:40.0
3,martin,2019-12-29 19:36:40.0
4,tony,2019-12-29 19:36:40.0
5,eric,2019-12-29 19:37:11.0

再次插入一条数据进入 customertest 表

insert into customertest(id,name) values(6,'james');

使用incremental方式进行增量的导入:

sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root --password 000000 /
--table customertest --target-dir /lastmodifiedresult /
--check-column last_mod /
--incremental lastmodified /
--last-value '2019-12-29 19:36:40' /
--m 1 /
--append ;

再次查看数据:

[root@bigdata111 conf]# hdfs dfs -cat /lastmodifiedresult/*
1,neil,2019-12-29 19:36:40.0
2,jack,2019-12-29 19:36:40.0
3,martin,2019-12-29 19:36:40.0
4,tony,2019-12-29 19:36:40.0
5,eric,2019-12-29 19:37:11.0
1,neil,2019-12-29 19:36:40.0
2,jack,2019-12-29 19:36:40.0
3,martin,2019-12-29 19:36:40.0
4,tony,2019-12-29 19:36:40.0
5,eric,2019-12-29 19:37:11.0
6,james,2019-12-29 19:43:13.0

此时已经会导入我们最后插入的一条记录,但是我们却也发现此处插入了2条数据,这是为什么呢?

**答案:**这是因为采用lastmodified模式去处理增量时,会将大于等于last-value的值的数据当做增量插入

3.5.3 Lastnodified模式:append、merge-key

使用lastmodified模式进行增量处理要指定增量数据是以append模式(附加)还是merge-key(合并)模式添加

下面演示使用merge-key的模式进行增量更新,我们去更新id为1的name字段。

update customertest set name = 'Neil' where id = 1

更新之后,这条数据的时间戳会更新为更新数据时的系统时间

执行如下指令,把id字段作为merge-key:

sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--table customertest /
--target-dir /lastmodifiedresult /
--check-column last_mod /
--incremental lastmodified /
--last-value '2019-12-29 19:36:40' /
--m 1 /
--merge-key id ;

由于merge-key模式是进行了一次完整的mapreduce操作,因此最终我们在lastmodifiedresult文件夹下可以看到生成为part-r-00000 这样的文件,会发现id=1的name已经得到修改,同时新增了id=6的数据

[root@bigdata111 conf]# hdfs dfs -cat /lastmodifiedresult/*
1,Neil,2019-12-29 19:53:11.0
2,jack,2019-12-29 19:36:40.0
3,martin,2019-12-29 19:36:40.0
4,tony,2019-12-29 19:36:40.0
5,eric,2019-12-29 19:37:11.0
6,james,2019-12-29 19:43:13.0

3.6 RDBMS到hive

sqoop import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--table staff /
--num-mappers 1 /
--hive-import /
--fields-terminated-by "\t" /
--hive-overwrite /
--hive-table staff_hive
  1. 该过程分为两步,第一步将数据导入HDFS,第二步将导入HDFS的数据迁移到HIVE仓库
  2. 从mysql到hive,本质是从MYSQL => HDFS => load To Hive

4.sqoop导出

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。

将数据从hadoop生态体系导出到RDBMS数据库导出前,目标表必须存在于目标数据库中。

export有三种模式:

  1. 默认操作是从将文件中的数据使用insert语句插入到表中
  2. 更新模式:sqoop将生成updatet替换数据库现有记录的语句
  3. 调用模式:sqoop将为每条记录创建一个存储过程的调用

以下是export命令语法:

$ sqoop export (generic-args) (export-args)

4.1 默认模式导出HDFS数据到mysql

默认情况下,sqoop export将每行输入记录转换成一条insert语句,再添加到目标数据库表中。如果数据库中的表具有约束条件(例如,其值必须唯一的主键列)并且已有数据存在,则必须注意避免插入违反这些约束条件的记录。如果insert语句失败,导出过程将会失败。此模式主要用于将记录导出到可以接受这些结果的空表中。通常用于全表数据导出。

导出时可以是将hive表中的全部记录或者HDFS数据(可以是全部字段也可以是部分字段)导出到mysql目标表。

  1. 准备HDFS数据

    在HDFS文件系统中,‘/emp/’的目录下创建一个文件emp_data.txt:

   1201,gopal,manager,50000,TP
   1202,manisha,preader,50000,TP
   1203,kalil,php dev,30000,AC
   1204,prasanth,php dev,30000,AC
   1205,kranthi,admin,20000,TP
   1206,satishp,grpdes,20000,GR
  1. 手动创建mysql中的目标表
    use company;
    CREATE TABLE employee ( 
    id INT NOT NULL PRIMARY KEY, 
    name VARCHAR(20), 
    deg VARCHAR(20),
    salary INT,
    dept VARCHAR(10));
  1. 执行导出命令
   sqoop export /
   > --connect jdbc:mysql://bigdata111:3306/company /
   > --username root /
   > --password 000000 /
   > --table employee /
   > --export-dir /emp/emp_data.txt;
  1. 相关配置参数

    • --input-fields-terminated-by '\t'

      指定文件中的分隔符

    • --columns

      选择列并控制他们的排序。当导出数据文件和目标字段顺序完全一致的时候可以不写。否则以逗号为间隔选择和排列各个列。没有被包含在-columns后面列名或者字段要么具备默认值,要么就允许插入空值。否则数据库会拒绝接受sqoop导出的数据,导致sqoop作业失败

    • --export-dir

      导出目录,在执行导出的时候,必须指定这个参数,同时需要具备--table--call参数两者之一,--table是指导出数据库当中对应的表,--call是指的某个存储过程。

    • --input-null-string--input-null-non-string

      如果没有指定第一个参数,对于字符串类型的列表来说,null这个字符串就会被翻译成空值,如果没有使用第二个参数,无论是null字符串还是说空字符串也好,对于非字符串类型的字段拉说,这两个类型的空串都会被翻译成空值。比如:

     --input-null-string "//N" --input-null-non-string "//N"

4.2 更新导出(updateonly模式)

  1. 参数说明

    --update-key,更新标识,即根据某个字段进行更新,例如id,可以指定多个更新标识的字段,多个字段之间用逗号分隔。

    updatemod,指定updateonly(默认模式),仅仅更新已存在的数据记录,不会插入新纪录。

  2. 准备HDFS数据

    在hdfs ’updateonly‘目录下创建一个文件uptateonly.txt

   1201,gopal,manager,50000
   1202,manisha,preader,50000
   1203,kalil,php dev,300
  1. 手动创建mysql中的目标表
   CREATE TABLE updateonly ( 
    id INT NOT NULL PRIMARY KEY, 
    name VARCHAR(20), 
    deg VARCHAR(20),
    salary INT);
  1. 先执行全部导出操作
   sqoop export /
   --connect jdbc:mysql://bigdata111:3306/company /
   --username root  /
   --password 000000 /
   --table updateonly /
   --export-dir /updateonly_1;
  1. 此时mysql中的数据

    可以发现是全量导出,全部的数据

   mysql> select * from updateonly;
   +------+---------+---------+--------+
   | id   | name    | deg     | salary |
   +------+---------+---------+--------+
   | 1201 | gopal   | manager |  50000 |
   | 1202 | manisha | preader |  50000 |
   | 1203 | kalil   | php dev |    300 |
   +------+---------+---------+--------+
   3 rows in set (0.00 sec)
  1. 新增一个文件

    updateonly_2.txt。修改了前三条数据并且新增了一条记录。上传至/updateonly2目录下

   1201,gopal,manager,1212
   1202,manisha,preader,1313
   1203,kalil,php dev,1414
   1204,allen,java,1515
  1. 执行更新导出
   sqoop export /
   --connect jdbc:mysql://bigdata111/company /
   --username root /
   --password 000000 /
   --table updateonly /
   --export-dir /updateonly_2 /
   --update-key id /
   --update-mode updateonly;
  1. 查看最终结果

    虽然导出时候的日志显示导出 4 条记录

   19/12/30 12:23:39 INFO mapreduce.ExportJobBase: Transferred 871 bytes in 28.7377 seconds (30.3086 bytes/sec)
   19/12/30 12:23:39 INFO mapreduce.ExportJobBase: Exported 4 records.

但最终只进行了更新操作

   mysql> select * from updateonly;
   +------+---------+---------+--------+
   | id   | name    | deg     | salary |
   +------+---------+---------+--------+
   | 1201 | gopal   | manager |   1212 |
   | 1202 | manisha | preader |   1313 |
   | 1203 | kalil   | php dev |   1414 |
   +------+---------+---------+--------+
   3 rows in set (0.00 sec)

4.3 更新导出(allowinsert模式)

  1. 参数说明

    --update-key,更新表示,即根据某个字段进行更新,例如id,可以指定多个更新标识的字段,多个字段之间用逗号分隔。

    --updatemod,指定allowinsert,更新已存在的数据记录,同时插入新纪录。实质上是一个insert & update的操作

  2. 准备HDFS数据

    在HDFS的allowinsert_1目录下创建一个文件allowinsert_1.txt

   1201,gopal,manager,50000
   1202,manisha,preader,50000
   1203,kalil,php dev,300
  1. 手动创建mysql中的目标表
    CREATE TABLE allowinsert ( 
    id INT NOT NULL PRIMARY KEY, 
    name VARCHAR(20), 
    deg VARCHAR(20),
    salary INT);
  1. 先执行全部导出操作
   sqoop export /
   --connect jdbc:mysql://bigdata111:3306/company /
   --username root /
   --password 000000 /
   --table allowinsert /
   --export-dir /allowinsert_1;
  1. 查看此时mysql中的数据

    可以发现是全量导出,全部的数据

   mysql> select * from allowinsert;
   +------+---------+---------+--------+
   | id   | name    | deg     | salary |
   +------+---------+---------+--------+
   | 1201 | gopal   | manager |  50000 |
   | 1202 | manisha | preader |  50000 |
   | 1203 | kalil   | php dev |  30000 |
   +------+---------+---------+--------+
   3 rows in set (0.00 sec)
   
  1. 新增一个文件

    allowinsert_2.txt。修改了前三条数据并且新增了一条记录。上传至/
    allowinsert_2/目录下

   1201,gopal,manager,1212
   1202,manisha,preader,1313
   1203,kalil,php dev,1414
   1204,allen,java,15
  1. 执行更新导出
   sqoop export /
   --connect jdbc:mysql://bigdata111:3306/company /
   --username root /
   --password 000000 /
   --table allowinsert /
   --export-dir /allowinsert_2 /
   --update-key id /
   --update-mode allowinsert ;
  1. 查看最终结果

    导出时候的日志显示导出 4 条记录:

   19/12/30 11:08:21 INFO mapreduce.ExportJobBase: Transferred 872 bytes in 27.09 seconds (32.189 bytes/sec)
   19/12/30 11:08:21 INFO mapreduce.ExportJobBase: Exported 4 records.

数据进行更新操作的同时也进行了新增的操作

   mysql> select * from allowinsert;
   +------+---------+---------+--------+
   | id   | name    | deg     | salary |
   +------+---------+---------+--------+
   | 1201 | gopal   | manager |   1212 |
   | 1202 | manisha | preader |   1313 |
   | 1203 | kalil   | php dev |   1414 |
   | 1204 | allen   | java    |     15 |
   +------+---------+---------+--------+
   4 rows in set (0.00 sec)
   

4.4 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
   $ touch job_HDFS2RDBMS.opt
  1. 编写sqoop脚本
   $ vi ./job_HDFS2RDBMS.opt
   #以下命令是从staff_hive中追加导入到mysql的aca表中
   
   export
   --connect
   jdbc:mysql://bigdata113:3306/Andy
   --username
   root
   --password
   000000
   --table
   aca
   --num-mappers
   1
   --export-dir
   /user/hive/warehouse/staff_hive
   --input-fields-terminated-by
   "\t"
  1. 执行该脚本
   $ bin/sqoop --options-file job_HDFS2RDBMS.opt

测试失败:

19/12/30 18:29:19 ERROR mapreduce.ExportJobBase: Export job failed!
19/12/30 18:29:19 ERROR tool.ExportTool: Error during export: 
Export job failed!
	at org.apache.sqoop.mapreduce.ExportJobBase.runExport(ExportJobBase.java:445)
	at org.apache.sqoop.manager.SqlManager.exportTable(SqlManager.java:931)
	at org.apache.sqoop.tool.ExportTool.exportTable(ExportTool.java:80)
	at org.apache.sqoop.tool.ExportTool.run(ExportTool.java:99)
	at org.apache.sqoop.Sqoop.run(Sqoop.java:147)
	at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:76)
	at org.apache.sqoop.Sqoop.runSqoop(Sqoop.java:183)
	at org.apache.sqoop.Sqoop.runTool(Sqoop.java:234)
	at org.apache.sqoop.Sqoop.runTool(Sqoop.java:243)
	at org.apache.sqoop.Sqoop.main(Sqoop.java:252)

已排除问题项:表结构

5.sqoop job作业

5.1 job语法

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

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

5.2 创建job

在这里,我们创建一个名为songjob,这可以从RDDBMS表的数据导入到HDFS作业。

下面的命令用于创建一个从DB数据库的emp表导入到HDFS文件的作业

sqoop job --create songjob -- import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password 000000 /
--target-dir /emp /
--table updateonly /
--m 1;

测试失败:

Warning: /opt/module/sqoop-1.4.7/../hbase does not exist! HBase imports will fail.
Please set $HBASE_HOME to the root of your HBase installation.
19/12/30 14:14:42 INFO sqoop.Sqoop: Running Sqoop version: 1.4.7
19/12/30 14:14:42 WARN tool.BaseSqoopTool: Setting your password on the command-line is insecure. Consider using -P instead.
19/12/30 14:14:43 ERROR sqoop.Sqoop: Got exception running Sqoop: java.lang.NullPointerException
java.lang.NullPointerException
	at org.json.JSONObject.<init>(JSONObject.java:144)
	at org.apache.sqoop.util.SqoopJsonUtil.getJsonStringforMap(SqoopJsonUtil.java:43)
	at org.apache.sqoop.SqoopOptions.writeProperties(SqoopOptions.java:785)
	at org.apache.sqoop.metastore.hsqldb.HsqldbJobStorage.createInternal(HsqldbJobStorage.java:399)
	at org.apache.sqoop.metastore.hsqldb.HsqldbJobStorage.create(HsqldbJobStorage.java:379)
	at org.apache.sqoop.tool.JobTool.createJob(JobTool.java:181)
	at org.apache.sqoop.tool.JobTool.run(JobTool.java:294)
	at org.apache.sqoop.Sqoop.run(Sqoop.java:147)
	at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:76)
	at org.apache.sqoop.Sqoop.runSqoop(Sqoop.java:183)
	at org.apache.sqoop.Sqoop.runTool(Sqoop.java:234)
	at org.apache.sqoop.Sqoop.runTool(Sqoop.java:243)
	at org.apache.sqoop.Sqoop.main(Sqoop.java:252)

5.3 验证job

--list参数是用来验证保存的作业。下面的命令用来验证保存sqoop作业的列表。

sqoop job --list;

--delete参数用于删除job作业

sqoop job --delete myjob

5.4 检查

--show参数用来检查或验证特定的工作,及其详细信息。以下命令和样本输出用来验证一个名为songjob的作业

 sqoop job --show songjob

5.5 执行job

-exec选项用于执行保存的作业。下面的命令用于执行保存的作业songjob

sqoop job --exec songjob

5.6 免密执行job

sqoop在创建job时,使用--password参数,可以避免输入mysql密码,如果使用--password将出现警告,并且每次都要手动输入密码才能执行job.sqoop规定密码文件必须存放在HDFS上,并且权限必须是400.

并且检查 sqoop 的 sqoop-site.xml 是否存在如下配

<property>
 <name>sqoop.metastore.client.record.password</name>
 <value>true</value>
 <description>If true, allow saved passwords in the metastore.
 </description>
</property

先创建一个文件password.pwd的文件用于保存mysql密码,然后在HDFS上创建文件夹用于保存上传的密码文件,然后更改权限

hadoop fs -chmod 400 /sqooppassword/password.pwd

在创建job时,使用--password-file参数

sqoop job --create songjob /
-- import /
--connect jdbc:mysql://bigdata111:3306/company /
--username root /
--password-file /sqooppassword/password.pwd /
--target-dir /emp /
--table staff /
--m 1;

注意:import前有个空格

最后执行job查看结果

sqoop job -exec songjob

6.sqoop常用命令及参数

6.1 常用命令列举

*序号**命令**类**说明*
1importImportTool将数据导入到集群
2exportExportTool将集群数据导出
3codegenCodeGenTool获取数据库中某张表数据生成Java并打包Jar
4create-hive-tableCreateHiveTableTool创建Hive表
5evalEvalSqlTool查看SQL执行结果
6import-all-tablesImportAllTablesTool导入某个数据库下所有表到HDFS中
7jobJobTool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。
8list-databasesListDatabasesTool列出所有数据库名
9list-tablesListTablesTool列出某个数据库下所有表
10mergeMergeTool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
11metastoreMetastoreTool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中进行更改。
12helpHelpTool打印sqoop帮助信息
13versionVersionTool打印sqoop版本信息

6.2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。

6.2.1 公用参数:数据库连接

*序号**参数**说明*
1--connect连接关系型数据库的URL
2--connection-manager指定要使用的连接管理类
3--driverHadoop根目录
4--help打印帮助信息
5--password连接数据库的密码
6--username连接数据库的用户名
7--verbose在控制台打印出详细信息

6.2.2 公用参数:import

*序号**参数**说明*
1--enclosed-by <char>给字段值前加上指定的字符
2--escaped-by <char>对字段中的双引号加转义符
3--fields-terminated-by <char>设定每个字段是以什么符号作为结束,默认为逗号
4--lines-terminated-by <char>设定每行记录之间的分隔符,默认是\n
5--mysql-delimitersMysql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\,字段值以单引号包裹。
6--optionally-enclosed-by <char>给带有双引号或单引号的字段值前后加上指定字符。

6.2.3 公用参数:export

*序号**参数**说明*
1--input-enclosed-by <char>对字段值前后加上指定字符
2--input-escaped-by <char>对含有转移符的字段做转义处理
3--input-fields-terminated-by <char>字段之间的分隔符
4--input-lines-terminated-by <char>行之间的分隔符
5--input-optionally-enclosed-by <char>给带有双引号或单引号的字段前后加上指定字符

6.2.4 公用参数:hive

*序号**参数**说明*
1--hive-delims-replacement <arg>用自定义的字符串替换掉数据中的\r\n和\013 \010等字符
2--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
3--map-column-hive <arg>生成hive表时,可以更改生成字段的数据类型
4--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
5--hive-partition-value <v>导入数据时,指定某个分区的值
6--hive-home <dir>hive的安装目录,可以通过该参数覆盖之前默认配置的目录
7--hive-import将数据从关系数据库中导入到hive表中
8--hive-overwrite覆盖掉在hive表中已经存在的数据
9--create-hive-table默认是false,即,如果目标表已经存在了,那么创建任务失败。
10--hive-table后面接要创建的hive表,默认使用MySQL的表名
11--table指定关系数据库的表名

公用参数介绍完之后,我们来按照命令介绍命令对应的特有参数。

6.2.5 命令&参数:import

将关系型数据库中的数据导入到HDFS(包括Hive,HBase)中,如果导入的是Hive,那么当Hive中没有对应表时,则自动创建。

  1. 命令:

    如:导入数据到hive中

   $ bin/sqoop import /
   --connect jdbc:mysql://bigdata113:3306/Andy /
   --username root /
   --password 000000 /
   --table access /
   --hive-import /
   --fields-terminated-by "\t"

如:增量导入数据到hive中,mode=append

   append导入:
   $ bin/sqoop import /
   --connect jdbc:mysql://bigdata113:3306/Andy /
   --username root /
   --password 000000 /
   --table aca /
   --num-mappers 1 /
   --fields-terminated-by "\t" /
   --target-dir /user/hive/warehouse/staff_hive /
   --check-column id /
   --incremental append /
   --last-value 10

**尖叫提示:**append不能与--hive-等参数同时使用(Append mode for hive imports is not yet supported. Please remove the parameter --append-mode)

注:--last-value 2 的意思是标记增量的位置为第二行,也就是说,当数据再次导出的时候,从第二行开始算

**注:**如果 --last-value N , N > MYSQL中最大行数,则HDFS会创建一个空文件。如果N<=0 , 那么就是所有数据

如:增量导入数据到hdfs中,mode=lastmodified(注:卡住)

   先在mysql中建表并插入几条数据:
   mysql> create table company.staff_timestamp(id int(4), name varchar(255), sex varchar(255), last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);
   mysql> insert into company.staff_timestamp (id, name, sex) values(1, 'AAA', 'female');
   mysql> insert into company.staff_timestamp (id, name, sex) values(2, 'BBB', 'female');
   先导入一部分数据:
   $ bin/sqoop import /
   --connect jdbc:mysql://bigdata113:3306/company /
   --username root /
   --password 000000 /
   --table staff_timestamp /
   --delete-target-dir /
   --hive-import /
   --fields-terminated-by "\t" /
   --m 1
   再增量导入一部分数据:
   mysql> insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');
   $ bin/sqoop import /
   --connect jdbc:mysql://bigdata113:3306/company /
   --username root /
   --password 000000 /
   --table staff_timestamp /
   --check-column last_modified /
   --incremental lastmodified /
   --m 1 /
   --last-value "2019-05-17 09:50:12" /
   --append
   
   --last-value "2019-05-17 07:08:53" /

**尖叫提示:**使用lastmodified方式导入数据要指定增量数据是要--append(追加)还是要--merge-key(合并)

**尖叫提示:**在Hive中,如果不指定输出路径,可以去看以下两个目录

  1. /user/root(此为用户名)
  2. /user/hive/warehouse 个人配置的目录

**尖叫提示:**last-value指定的值是会包含于增量导入的数据中

如果卡住,在yarn-site.xml中加入以下配置

    <property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>20480</value>
    </property>
   
    <property>
       <name>yarn.scheduler.minimum-allocation-mb</name>
       <value>2048</value>
    </property>
   
    <property>
        <name>yarn.nodemanager.vmem-pmem-ratio</name>
        <value>2.1</value>
    </property>
  1. 参数
*序号**参数**说明*
1--append将数据追加到HDFS中已经存在的DataSet中,如果使用该参数,sqoop会把数据先导入到临时文件目录,再合并。
2--as-avrodatafile将数据导入到一个Avro数据文件中
3--as-sequencefile将数据导入到一个sequence文件中
4--as-textfile将数据导入到一个普通文本文件中
5--boundary-query <statement>边界查询,导入的数据为该参数的值(一条sql语句)所执行的结果区间内的数据。
6--columns <col1, col2, col3>指定要导入的字段
7--direct直接导入模式,使用的是关系数据库自带的导入导出工具,以便加快导入导出过程。
8--direct-split-size在使用上面direct直接导入的基础上,对导入的流按字节分块,即达到该阈值就产生一个新的文件
9--inline-lob-limit设定大对象数据类型的最大值
10--m或–num-mappers启动N个map来并行导入数据,默认4个。
11--query或--e <statement>将查询结果的数据导入,使用时必须伴随参--target-dir,--hive-table,如果查询中有where条件,则条件后必须加上$CONDITIONS关键字
12--split-by <column-name>按照某一列来切分表的工作单元,不能与--autoreset-to-one-mapper连用(请参考官方文档)
13--table <table-name>关系数据库的表名
14--target-dir <dir>指定HDFS路径
15--warehouse-dir <dir>与14参数不能同时使用,导入数据到HDFS时指定的目录
16--where从关系数据库导入数据时的查询条件
17--z或--compress允许压缩
18--compression-codec指定hadoop压缩编码类,默认为gzip(Use Hadoop codec default gzip)
19--null-string <null-string>string类型的列如果null,替换为指定字符串
20--null-non-string <null-string>非string类型的列如果null,替换为指定字符串
21--check-column <col>作为增量导入判断的列名
22--incremental <mode>mode:append或lastmodified
23--last-value <value>指定某一个值,用于标记增量导入的位置

6.2.6 命令&参数:export

从HDFS(包括Hive和HBase)中将数据导出到关系型数据库中。

  1. 命令:
    如:
   bin/sqoop export /
   --connect jdbc:mysql://bigdata113:3306/Andy /
   --username root /
   --password 000000 /
   --export-dir /user/hive/warehouse/staff_hive /
   --table aca /
   --num-mappers 1 /
   --input-fields-terminated-by "\t"
   
  1. 参数:

    *序号**参数**说明*
    1--direct利用数据库自带的导入导出工具,以便于提高效率
    2--export-dir <dir>存放数据的HDFS的源目录
    3-m或--num-mappers <n>启动N个map来并行导入数据,默认4个
    4--table <table-name>指定导出到哪个RDBMS中的表
    5--update-key <col-name>对某一列的字段进行更新操作
    6--update-mode <mode>updateonlyallowinsert(默认)
    7--input-null-string <null-string>请参考import该类似参数说明
    8--input-null-non-string <null-string>请参考import该类似参数说明
    9--staging-table <staging-table-name>创建一张临时表,用于存放所有事务的结果,然后将所有事务结果一次性导入到目标表中,防止错误。
    10--clear-staging-table如果第9个参数非空,则可以在导出操作执行前,清空临时事务结果表

6.2.7 命令&参数:codegen

将关系型数据库中的表映射为一个Java类,在该类中有各列对应的各个字段。

如:

$ bin/sqoop codegen /
--connect jdbc:mysql://bigdata113:3306/company /
--username root /
--password 000000 /
--table staff /
--bindir /opt/Desktop/staff /
--class-name Staff /
--fields-terminated-by "\t"
*序号**参数**说明*
1--bindir <dir>指定生成的Java文件、编译成的class文件及将生成文件打包为jar的文件输出路径
2--class-name <name>设定生成的Java文件指定的名称
3--outdir <dir>生成Java文件存放的路径
4--package-name <name>包名,如com.z,就会生成com和z两级目录
5--input-null-non-string <null-str>在生成的Java文件中,可以将null字符串或者不存在的字符串设置为想要设定的值(例如空字符串)
6--input-null-string <null-str>将null字符串替换成想要替换的值(一般与5同时使用)
7--map-column-java <arg>数据库字段在生成的Java文件中会映射成各种属性,且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型,例如:--map-column-java id=long, name=String
8--null-non-string <null-str>在生成Java文件时,可以将不存在或者null的字符串设置为其他值
9--null-string <null-str>在生成Java文件时,将null字符串设置为其他值(一般与8同时使用)
10--table <table-name>对应关系数据库中的表名,生成的Java文件中的各个属性与该表的各个字段一一对应

6.2.8 命令&参数:create-hive-table

生成与关系数据库表结构对应的hive表结构。

命令:

如:仅建表

$ bin/sqoop create-hive-table /
--connect jdbc:mysql://bigdata113:3306/company /
--username root /
--password 000000 /
--table staff /
--hive-table hive_staff1

参数:

*序号**参数**说明*
1--hive-home <dir>Hive的安装目录,可以通过该参数覆盖掉默认的Hive目录
2--hive-overwrite覆盖掉在Hive表中已经存在的数据
3--create-hive-table默认是false,如果目标表已经存在了,那么创建任务会失败
4--hive-table后面接要创建的hive表
5--table指定关系数据库的表名

6.2.9 命令&参数:eval

可以快速的使用SQL语句对关系型数据库进行操作,经常用于在import数据之前,了解一下SQL语句是否正确,数据是否正常,并可以将结果显示在控制台。

命令:

$ bin/sqoop eval /
--connect jdbc:mysql://bigdata113:3306/company /
--username root /
--password 000000 /
--query "SELECT * FROM staff"

参数:

*序号**参数**说明*
1--query或--e后跟查询的SQL语句

6.1.10 命令&参数:import-all-tables

可以将RDBMS中的所有表导入到HDFS中,每一个表都对应一个HDFS目录

命令:

如:注意:(卡住)

$ bin/sqoop import-all-tables /
--connect jdbc:mysql://bigdata113:3306/company /
--username root /
--password 000000 /
--hive-import /
--fields-terminated-by "\t"

参数:

*序号**参数**说明*
1--as-avrodatafile这些参数的含义均和import对应的含义一致
2--as-sequencefile
3--as-textfile
4--direct
5--direct-split-size <n>
6--inline-lob-limit <n>
7--m或—num-mappers <n>
8--warehouse-dir <dir>
9-z或--compress
10--compression-codec

6.2.11 命令&参数:job

用来生成一个sqoop任务,生成后不会立即执行,需要手动执行。

命令:*

如:

$ bin/sqoop job /
 --create myjob -- import-all-tables /
 --connect jdbc:mysql://bigdata111:3306/company /
 --username root /
 --password 000000
$ bin/sqoop job /
--list
$ bin/sqoop job /
--exec myjob

**尖叫提示:**注意import-all-tables和它左边的--之间有一个空格

**尖叫提示:**如果需要连接metastore,则--meta-connect

执行的结果在HDFS:/user/root/ 目录中,即导出所有表到/user/root中

参数:

*序号**参数**说明*
1--create <job-id>创建job参数
2--delete <job-id>删除一个job
3--exec <job-id>执行一个job
4--help显示job帮助
5--list显示job列表
6--meta-connect <jdbc-uri>用来连接metastore服务
7--show <job-id>显示一个job的信息
8--verbose打印命令运行时的详细信息

**尖叫提示:**在执行一个job时,如果需要手动输入数据库密码,可以做如下优化

<property>
	<name>sqoop.metastore.client.record.password</name>
	<value>true</value>
	<description>If true, allow saved passwords in the metastore.</description>
</property>

6.2.12 命令&参数:list-databases

命令:

如:

$ bin/sqoop list-databases /
--connect jdbc:mysql://bigdata113:3306/ /
--username root /
--password 000000

**参数:**与公用参数一样

6.2.13 命令&参数:list-tables

命令:

如:

$ bin/sqoop list-tables /
--connect jdbc:mysql://bigdata113:3306/company /
--username root /
--password 000000

**参数:**与公用参数一样

6.2.14 命令&参数:merge

将HDFS中不同目录下面的数据合并在一起并放入指定目录中

数据环境:注意:以下数据自己手动改成\t

new_staff
1	AAA	male
2	BBB	male
3	CCC	male
4	DDD	male

old_staff
1	AAA	female
2	CCC	female
3	BBB	female
6	DDD	female

**尖叫提示:**上边数据的列之间的分隔符应该为\t,行与行之间的分割符为/n,如果直接复制,请检查之。

命令:

如:

创建JavaBean:
$ bin/sqoop codegen /
--connect jdbc:mysql://bigdata113:3306/company /
--username root /
--password 000000 /
--table staff /
--bindir /opt/Desktop/staff /
--class-name Staff /
--fields-terminated-by "\t"

开始合并:注:是hdfs路径
$ bin/sqoop merge /
--new-data \test/new/ /
--onto \test/old/ /
--target-dir \test/merged /
--jar-file /opt/Desktop/staff/Staff.jar /
--class-name Staff /
--merge-key id
结果:
1	AAA	MALE
2	BBB	MALE
3	CCC	MALE
4	DDD	MALE
6	DDD	FEMALE

参数:

*序号**参数**说明*
1--new-data <path>HDFS 待合并的数据目录,合并后在新的数据集中保留
2--onto <path>HDFS合并后,重复的部分在新的数据集中被覆盖
3--merge-key <col>合并键,一般是主键ID
4--jar-file <file>合并时引入的jar包,该jar包是通过Codegen工具生成的jar包
5--class-name <class>对应的表名或对象名,该class类是包含在jar包中的
6--target-dir <path>合并后的数据在HDFS里存放的目录

6.2.15 命令&参数:metastore

记录了Sqoop job的元数据信息,如果不启动该服务,那么默认job元数据的存储目录为~/.sqoop,可在sqoop-site.xml中修改。

命令:

如:启动sqoop的metastore服务

$ bin/sqoop metastore

参数:

*序号**参数**说明*
1--shutdown关闭metastore

相关文章

热门文章

更多