Sqoop

Sqoop概述

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等)间进行数据的传递。可以将关系型数据库(MySQL ,Oracle ,Postgres 等)中的数据导入到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。

将导入或导出命令转换为 MapReduce 程序来实现。翻译出的 MapReduce 中主要 是对 inputformat 和outputformat 进行定制。

安装配置

Sqoop 官网

Sqoop下载地址

1、下载、上传并解压

将下载的安装包 sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz 上传到虚拟机中; 解压缩软件包;

tar zxvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
mv sqoop-1.4.7.bin__hadoop-2.6.0/ ../servers/sqoop-1.4.7/

2、增加环境变量，并使其生效

vi /etc/profile

# 增加以下内容
export SQOOP_HOME=/opt/lagou/servers/sqoop-1.4.7
export PATH=$PATH:$SQOOP_HOME/bin

source /etc/profile

3、创建、修改配置文件

# 配置文件位置 $SQOOP_HOME/conf;要修改的配置文件为 sqoop-env.sh 
cp sqoop-env-template.sh sqoop-env.sh

vi sqoop-env.sh
# 在文件最后增加以下内容
export HADOOP_COMMON_HOME=/opt/lagou/servers/hadoop-2.9.2 
export HADOOP_MAPRED_HOME=/opt/lagou/servers/hadoop-2.9.2 
export HIVE_HOME=/opt/lagou/servers/hive-2.3.7

4、拷贝JDBC驱动程序

# 拷贝jdbc驱动到sqoop的lib目录下(备注:建立软链接也可以),该方式为软连接
ln -s /opt/lagou/servers/hive-2.3.7/lib/mysql-connector-java-5.1.46.jar /opt/lagou/servers/sqoop-1.4.7/lib/

5、拷贝 jar

将 SQOOP_HOME/lib目录下。如不拷贝在MySQL往Hive导数据的时候将会出现 错误:ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf

# 硬拷贝 和 建立软链接都可以，选择一个执行即可。下面是硬拷贝
cp $HIVE_HOME/lib/hive-common-2.3.7.jar $SQOOP_HOME/lib/
# 建立软链接
ln -s /opt/lagou/servers/hive-2.3.7/lib/hive-common-2.3.7.jar /opt/lagou/servers/sqoop-1.4.7/lib/hive-common-2.3.7.jar

将 SQOOP_HOME/lib/ 目录下;否则在创建sqoop job时会报: java.lang.NoClassDefFoundError: org/json/JSONObject

cp $HADOOP_HOME/share/hadoop/tools/lib/json-20170516.jar $SQOOP_HOME/lib/

6、安装验证

sqoop version 省略了警告 ... ...
20/06/19 10:37:24 INFO sqoop.Sqoop: Running Sqoop version: 1.4.7 Sqoop 1.4.7
git commit id 2328971411f57f0cb683dfb79d19d4d19d185dd8
Compiled by maugli on Thu Dec 21 15:59:58 STD 2017
# 测试Sqoop是否能够成功连接数据库
sqoop list-databases --connect jdbc:mysql://linux123:3306/?useSSL=false --username hive --password 12345678
... ...
information_schema
hivemetadata
mysql
performance_schema
sys

应用案例

在Sqoop中

• 导入是指:从关系型数据库向大数据集群(HDFS、HIVE、HBASE)传输数据; 使用import关键字;
• 导出是指:从 大数据集群 向 关系型数据库 传输数据;使用export关键字;

测试数据脚本

-- 用于在 Mysql 中生成测试数据 
CREATE DATABASE sqoop;
use sqoop;
CREATE TABLE sqoop.goodtbl( 
  gname varchar(50),
  serialNumber int,
  price int,
  stock_number int,
  create_time date
);
DROP FUNCTION IF EXISTS `rand_string`;
DROP PROCEDURE IF EXISTS `batchInsertTestData`;
-- 替换语句默认的执行符号，将;替换成 // 
DELIMITER //
CREATE FUNCTION `rand_string` (n INT) RETURNS VARCHAR(255) CHARSET 'utf8'
BEGIN
    DECLARE char_str varchar(200) DEFAULT
'0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ';
    DECLARE return_str varchar(255) DEFAULT '';
    DECLARE i INT DEFAULT 0;
    WHILE i < n DO
        SET return_str = concat(return_str, substring(char_str,
FLOOR(1 + RAND()*36), 1));
        SET i = i+1;
    END WHILE;
    RETURN return_str;
END

//
-- 第一个参数表示:序号从几开始;第二个参数表示:插入多少条记录 
CREATE PROCEDURE `batchInsertTestData` (m INT, n INT) BEGIN
    DECLARE i INT DEFAULT 0;
    WHILE i < n DO
        insert into goodtbl (gname, serialNumber, price,
stock_number, create_time)
        values (rand_string(6), i+m, ROUND(RAND()*100),
FLOOR(RAND()*100), now());
        SET i = i+1;
    END WHILE;
END 
//
delimiter ;


call batchInsertTestData(1, 100);

以下案例需要启动:HDFS、YARN、MySQL 对应的服务;

导入数据

MySQL到 HDFS

导入全部数据

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /sqoop \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"

备注:

• target-dir:将数据导入 HDFS 的路径;
• delete-target-dir:如果目标文件夹在 HDFS 上已经存在，那么再次运行就会报 错。可以使用--delete-target-dir来先删除目录。也可以使用 append 参数，表 示追加数据;
• num-mappers:启动多少个Map Task;默认启动4个Map Task;也可以写成 -m 1
• fields-terminated-by:HDFS文件中数据的分隔符;

导入查询数据

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /sqoop/2 \
--append \
--m 1 \
--fields-terminated-by "\t" \
--query 'select * from goodtbl where price>88 and $CONDITIONS;'

备注:

• 查询语句的where子句中必须包含 '$CONDITIONS'
• 如果query后使用的是双引号，则$CONDITIONS前必须加转义符，防止shell识 别为自己的变量

导入指定的列

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--columns gname,price,stock_number \
--target-dir /sqoop/3 \
--append \
--m 1 \
--fields-terminated-by "\t" 

备注:columns如果涉及到多列，用逗号分隔，不能添加空格

导入查询的数据（使用关键字）

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--where "price>=66" \
--target-dir /sqoop/4 \
--append \
--m 1 \
--fields-terminated-by "\t" 

启动多个MapTask导入数据

-- 第一种
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /sqoop/5 \
--append \
--fields-terminated-by "," \
--split-by serialNumber


# 分区字段是字符类型，使用 sqoop 命令的时候要添加
sqoop import -Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /sqoop/6 \
--append \
--fields-terminated-by "," \
--split-by gname

备注:

• 使用多个 Map Task 进行数据导入时，sqoop 要对每个Task的数据进行分区
  • 如果 MySQL 中的表有主键，指定 Map Task 的个数就行,默认是4个
  • 如果 MySQL 中的表有主键，要使用 split-by 指定分区字段
  • 如果分区字段是字符类型，使用 sqoop 命令的时候要添加:- Dorg.apache.sqoop.splitter.allow_text_splitter=true。即

sqoop import -Dorg.apache.sqoop.splitter.allow_text_splitter=true \ --connect jdbc:mysql://liunx:3306/sqoop \
... ...

• 查询语句的where子句中的 '$CONDITIONS' ，也是为了做数据分区使用的，即 使只有1个Map Task

MySQL到Hive

在 hive 中创建表:

CREATE TABLE mydb.goodtb1(
gname string,
serialNumber int,
price int,
stock_number int,
create_time date
);

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--hive-database mydb \
--hive-table goodtb1 \
--hive-overwrite \
--fields-terminated-by "\t" \
--split-by serialNumber \
-m 4

参数说明:

• hive-import。必须参数，指定导入hive
• hive-database。Hive库名(缺省值default)
• hive-table。Hive表名
• fields-terminated-by。Hive字段分隔符
• hive-overwrite。覆盖中已经存在的数据
• create-hive-table。创建好 hive 表，但是表可能存在错误。不建议使用这个参数，建议提前建好表

问题：从mysql是否可以通过sqoop直接导出到hive的parquet存储格式。

CREATE TABLE mydb.goodtbl3(
gname string,
serialNumber int,
price int,
stock_number int,
create_time date
) stored as parquet;

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtb \
--hive-import \
--hive-database mydb \
--hive-table goodtbl3 \
--hive-overwrite \
--split-by serialNumber \
-m 4

导出数据

全量数据导出

Hive/HDFS到RDBMS，备注:MySQL表需要提前创建

CREATE TABLE sqoop.goodtbl2(
  gname varchar(50),
  serialNumber int,
  price int,
  stock_number int,
  create_time date);


sqoop export \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl2 \
--m 1 \
--export-dir /user/hive/warehouse/mydb.db/goodtbl \
--input-fields-terminated-by "\t"

增量数据导入

前面都是执行的全量数据导入。如果数据量很小，则采取完全源数据抽取;如果源 数据量很大，则需要抽取发生变化的数据，这种数据抽取模式叫做变化数据捕获， 简称CDC(Change Data Capture)。

CDC大体分为两种:侵入式和非侵入式。侵入式指CDC操作会给源系统带来性能影响，只要CDC操作以任何一种方式对源数据库执行了SQL操作，就认为是侵入式 的。

常用的4种CDC方法是(前三种是侵入式的):

• 基于时间戳的CDC。抽取过程可以根据某些属性列来判断哪些数据是增量的，最常见的属性列有以下两种:
  • 时间戳:最好有两个列，一个插入时间戳，表示何时创建，一个更新时间戳，表示最后一次更新的时间;
  • 序列:大多数数据库都提供自增功能，表中的列定义成自增的，很容易地根 据该列识别新插入的数据;
  • 这种方法是最简单且常用的，但是有如下缺点:
    • 不能记录删除记录的操作
    • 无法识别多次更新
    • 不具有实时能力
• 基于触发器的CDC。当执行INSERT、UPDATE、DELETE这些SQL语句时，激活 数据库里的触发器，使用触发器可捕获变更的数据，并把数据保存在中间临时 表里。然后这些变更数据再从临时表取出。大多数场合下，不允许向操作型数 据库里添加触发器，且这种方法会降低系统性能，基本不会被采用;
• 基于快照的CDC。 可以通过比较源表和快照表来获得数据变化。基于快照的 CDC可以检测到插入、更新和删除的数据，这是相对于基于时间戳的CDC方案 的优点。其缺点是需要大量存储空间来保存快照。
• 基于日志的CDC。最复杂的和没有侵入性的CDC方法是基于日志的方式。数据库会把每个插入、更新、删除操作记录到日志里。解析日志文件，就可以获取 相关信息。每个关系型数据库日志格式不一致，没有通用的产品。阿里巴巴的 canal可以完成MySQL日志文件解析。

Sqoop实现的是基于时间戳的CDC，增量导入数据分为两种方式:

• 基于递增列的增量数据导入(Append方式)
• 基于时间列的数据增量导入(LastModified方式)

Append方式

1、准备初始化数据

-- 删除 MySQL 表中的全部数据
truncate table sqoop.goodtbl;
-- 删除 Hive 表中的全部数据
truncate table mydb.goodtbl;
-- 向MySQL的表中插入100条数据
call batchInsertTestData(1, 100);

2、将数据导入Hive

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--hive-table mydb.goodtbl \
--incremental append \
--check-column serialNumber \
--last-value 0 \
-m 1

参数说明:

• check-column 用来指定一些列(即可以指定多个列)，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及 时间戳类似。这些被指定的列的类型不能使任意字符类型，如char、varchar等 类型都不可以
• last-value 指定上一次导入中检查列指定字段最大值

3、检查hive表中是否有数据，有多少条数据

4、再向MySQL中加入1000条数据，编号从200开始

call batchInsertTestData(200, 1000);

5、再次执行增量导入，将数据从 MySQL 导入 Hive 中;此时要将 last-value 改为 100

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--hive-table mydb.goodtbl \
--incremental append \
--check-column serialNumber \
--last-value 100 \
-m 1

6、再检查hive表中是否有数据，有多少条数据

执行Job

执行数据增量导入有两种实现方式:

1. 每次手工配置last-value，手工调度
2. 使用job，给定初始last-value，定时任务每天定时调度

很明显方式2更简便。

1、创建口令文件

# 在当前目录创建一个文件，里面保存信息为12345678
echo -n "12345678" > sqoopPWD.pwd
# 在HDFS上创建目录
hdfs dfs -mkdir -p /sqoop/pwd
# 将刚才创建的目录放到HDFS中
hdfs dfs -put sqoopPWD.pwd /sqoop/pwd
# 改变权限
hdfs dfs -chmod 400 /sqoop/pwd/sqoopPWD.pwd
# 可以在 sqoop 的 job 中增加: 
--password-file /sqoop/pwd/sqoopPWD.pwd

2、创建 sqoop job

# 创建 sqoop job
sqoop job --create myjob1 -- import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password-file /sqoop/pwd/sqoopPWD.pwd \
--table goodtbl \
--hive-import \
--hive-table mydb.goodtbl \
--incremental append \
--check-column serialNumber \
--last-value 0 \
-m 1
# 查看已创建的job 
sqoop job --list
# 查看job详细运行是参数 
sqoop job --show myjob1
# 执行job
sqoop job --exec myjob1
# 删除job
sqoop job --delete myjob1

3、执行job

sqoop job -exec myjob1

4、查看数据

实现原理

因为job执行完成后，会把当前check-column的最大值记录到meta中，下次再调起 时把此值赋给last-value。缺省情况下元数据保存在 ~/.sqoop/，其中，metastore.db.script 文件记录了对last-value的更新操作:

常用命令及参数

常用命令

常用参数

所谓公用参数，就是大多数命令都支持的参数。

公共参数-数据库连接

公共参数-import

公共参数-export

公共参数-hive

import参数

export参数