1 Apache Sqoop
1.1 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 生态系统包括: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 hadoop就是自己家,整个生态体系
Export:数据导出。Hadoop---->RDBMS
2. sqoop 安装
安装 sqoop 的前提是已经具备 java 和 hadoop 的环境。
最新稳定版: 1.4.6
配置文件修改:
cd $SQOOP_HOME/conf mv sqoop-env-template.sh sqoop-env.sh vi sqoop-env.sh
创建这些hadoop生态体系这些位置:
export HADOOP_COMMON_HOME= /export/servers/hadoop-2.7.5 export HADOOP_MAPRED_HOME= /export/servers/hadoop-2.7.5\ export HIVE_HOME= /export/servers/hive
加入 mysql 的 jdbc 驱动包
cp /hive/lib/mysql-connector-java-5.1.32.jar $SQOOP_HOME/lib/
验证启动
bin/sqoop list-databases \ --connect jdbc:mysql://localhost:3306/ \ --username root --password hadoop
本命令会列出所有 mysql 的数据库。
到这里,整个 Sqoop 安装工作完成。
2 Sqoop 导入
“导入工具”导入单个表从 RDBMS 到 HDFS。表中的每一行被视为 HDFS 的记录。所有记录都存储为文本文件的文本数据
下面的语法用于将数据导入 HDFS。
$ sqoop import (generic-args) (import-args)
Sqoop 测试表数据
在 mysql 中创建数据库 userdb,然后执行参考资料中的 sql 脚本:
创建三张表: emp 雇员表、 emp_add 雇员地址表、emp_conn 雇员联系表。
2.1 全量导入 mysql 表数据到 HDFS
下面的命令用于从 MySQL 数据库服务器中的 emp 表导入 HDFS。
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --delete-target-dir \ --target-dir /sqoopresult \ --table emp --m 1
其中--target-dir 可以用来指定导出数据存放至 HDFS 的目录;
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 /sqoopresult/part-m-00000
可以看出它会在 HDFS 上默认用逗号,分隔 emp 表的数据和字段。可以通过--fields-terminated-by '\t'来指定分隔符。
--m 1:表明需要使用几个map任务并发执行
1201,gopal,manager,50000,TP 1202,manisha,Proof reader,50000,TP 1203,khalil,php dev,30000,AC 1204,prasanth,php dev,30000,AC 1205,kranthi,admin,20000,TP
2.2 全量导入 mysql 表数据到 HIVE
2.2.1 方式一:先复制表结构到 hive 中再导入数据
肯定是先有表才可以导入数据
将关系型数据的表结构复制到 hive 中
bin/sqoop create-hive-table \ --connect jdbc:mysql://node-1:3306/sqoopdb \ --table emp_add \ --username root \ --password hadoop \ --hive-table test.emp_add_sp
其中:
–table emp_add 为 mysql 中的数据库 sqoopdb 中的表。
–hive-table emp_add_sp 为 hive 中新建的表名称。
从关系数据库导入文件到 hive 中
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/sqoopdb \ --username root \ --password hadoop \ --table emp_add \ --hive-table test.emp_add_sp \ --hive-import \ --m 1
2.2.2 方式二:直接复制表结构数据到 hive 中
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --table emp_conn \ --hive-import \ --m 1 \ --hive-database test;
2.3 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 HDFS 的目标目录。
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/sqoopdb \ --username root \ --password hadoop \ --where "city ='sec-bad'" \ --target-dir /wherequery \ --table emp_add --m 1
2.4 导入表数据子集(query 查询)
注意事项:
使用 query sql 语句来进行查找不能加参数--table;
并且必须要添加 where 条件;
并且 where 条件后面必须带一个$CONDITIONS 这个字符串;
并且这个sql 语句必须用单引号,不能用双引号;
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --target-dir /wherequery12 \ --query 'select id,name,deg from emp WHERE id>1203 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。
2.5 增量导入
在实际工作当中,数据的导入,很多时候都是只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 当中去,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。
–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及时间戳类似。
注意:这些被指定的列的类型不能使任意字符类型,如 char、varchar 等类
型都是不可以的,同时-- check-column 可以去指定多个列。
–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。
lastmodified:最后的修改时间,追加 last-value 指定的日期之后的记录
–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
2.5.1 Append 模式增量导入
执行以下指令先将我们之前的数据导入:
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --target-dir /appendresult \ --table emp --m 1
使用 hadoop fs -cat 查看生成的数据文件,发现数据已经导入到 hdfs 中。
然后在 mysql 的 emp 中插入 2 条增量数据:
insert into `userdb`.`emp` (`id`, `name`, `deg`, `salary`, `dept`) values ('1206', 'allen', 'admin', '30000', 'tp'); insert into `userdb`.`emp` (`id`, `name`, `deg`, `salary`, `dept`) values ('1207', 'woon', 'admin', '40000', 'tp');
执行如下的指令,实现增量的导入:
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root --password hadoop \ --table emp --m 1 \ --target-dir /appendresult \ --incremental append \ --check-column id \ --last-value 1205
--last-value 1205最后确定的id,之后向后进行同步
最后验证导入数据目录 可以发现多了一个文件 里面就是增量数据
2.5.2 Lastmodified 模式增量导入
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:
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --target-dir /lastmodifiedresult \ --table customertest --m 1
查看此时导出的结果数据:
再次插入一条数据进入 customertest 表
insert into customertest(id,name) values(6,'james')
使用 incremental 的方式进行增量的导入:
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --table customertest \ --target-dir /lastmodifiedresult \ --check-column last_mod \ --incremental lastmodified \ --last-value "2019-05-28 18:42:06" \ --m 1 \ --append
此处已经会导入我们最后插入的一条记录,但是我们却发现此处插入了2 条数据,这是为什么呢?
这是因为采用 lastmodified 模式去处理增量时,会将大于等于 last-value 值的数据当做增量插入。
2.5.3 Lastmodified 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-by 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:
bin/sqoop import \ --connect jdbc:mysql://node-1:3306/userdb \ --username root \ --password hadoop \ --table customertest \ --target-dir /lastmodifiedresult \ --check-column last_mod \ --incremental lastmodified \ --last-value "2019-05-28 18:42:06" \ --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的为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。