前言
最近专业 NoSQL 的课程作业涉及到关系型数据库数据导入到非关系型数据库，其实我们也可以通过Java代码，通过JDBC将关系型数据库中的数据读取出来，然后写出到我们的非关系型数据库中（比如HBase）中。
原本 Sqoop 的学习计划还在后面阶段，现在既然用上了，今天就争取一下午学完，毕竟学校是不会教的。能学会并马上用到，这样的学习效果往往最好。Sqoop 只是一个工具，重点是学会使用。
Sqoop 介绍
Sqoop 的全称就是 SQL To Hadoop ，它可以把关系型数据库（MySQL、Orcale...）中的数据导入到 Hadoop 的 HDFS 中，也可以将 HDFS 中的数据导入到关系型数据库中。
Sqoop 原理
将导入或导出命令翻译成 MapReduce 程序来实现，主要是对 InputFormat 和 OutputFormat 进行定制。
一、Sqoop 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，HBase）中传输数据，叫做：导入，即使用import关键字。
1、RDBMS 到 HDFS
1.1、全部导入
其中的斜杠的作用是 因为 linux 下回车命令就会执行，用斜杠可以防止命令直接执行。
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --target-dir /user/test \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t"
参数解释：
- target-dir：目标目录（导入到 HDFS 后的存储目录）
- delete-target-dir：如果目标目录已存在，直接删除
- num-mappers 1：开启一个 MapTask
- fields-terminated-by "\t"：以制表符分割开来，
运行结果：
1.2、查询导入
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --target-dir /user/test \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --query 'select name,sex from staff where id <=1 and $CONDITIONS;'
注意：
- 如果你要通过查询结果来导入，那 SQL 语句后必须加 $CONDITIONS ，这个参数可以保证最终导入数据的顺序和原本的数据顺序一致。
- 如果 SQL 语句是双引号，那么必须在 $CONDITIONS 之前加反斜杠代表转义（尽量使用单引号！）。
- 查询语句的结果中不能包含重复字段！！！（2023-10-10 8:41更新）
比如：
--query "select name,sex from staff where name = 'mike' and \$CONDITIONS;"
1.3、导入指定列
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --columns id,sex \ --target-dir /user/test \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t"
运行结果：
文件中只有 id 和 sex 字段，没有 name。
1.4、使用sqoop关键字筛选查询导入数据
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --target-dir /user/test \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --table staff \ --where "id=1"
注意：
- where 可以搭配 columns 使用
2、RDBMS 导入到 Hive
先会将 MySQL 的数据导入到 HDFS 的 /user/lyh/staff/ 目录下，再把数据迁移到 Hive（/user/hive/warehouse/staff_hive/）目录下，迁移后 /user/lyh/staff/ 下的数据被删除。
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --hive-import \ --fields-terminated-by "\t" \ --hive-overwrite \ --hive-table staff_hive
参数解释：
- hive-import：导入到 Hive
- hive-overwrite：覆盖的方式
- hive-table：导入到 hive 哪张表
3、RDBMS 导入到 Hbase
直接通过 MapReduce 写入到 HBase 的表中，不需要向写入 Hive 一样需要中间结果写入到 /user/用户名/表名/ 下。
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --columns "id,name,sex" \ --column-family "info" \ --hbase-create-table \ --hbase-row-key "id" \ --hbase-table "hbase_staff" \ --num-mappers 1 \ --split-by id
参数说明：
- hbase-create-table：如果创建表格
- hbase-row-key：行键
- hbase-table：迁移过来后的表名
- column-family：列族名
- split-by：当使用Sqoop将数据从关系型数据库导入HBase时，可以使用--split-by参数来提高导入过程的效率。Sqoop会根据指定的列将数据分割成多个部分，并并行处理这些部分，从而加速数据导入的速度。
注意：sqoop1.4.6只支持对 HBase1.0.1之前的版本的自动创建HBase表的功能，不能帮我们在 HBase 中创建表，需要我们自己手动创建一下。
1. create 'hbase_staff' 2. scan 'hbase_staff'
如果遇到缺少 NoSuchMethodError: org.apache.hadoop.hbase.client.HBaseAdmin.<init>... 这种报错，建议下载一个低版本的 HBase ，把里面 lib 目录下的所有 jar 包都复制到 sqoop 的 lib 目录下，如果遇到重名的建议不要替换。
运行结果：
二、Sqoop 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（RDBMS）中传输数据，叫做：导出，即使用export关键字。
1、Hive/HDFS 到 RDBMS
bin/sqoop export \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --export-dir /user/hive/warehouse/staff_hive \ --input-fields-terminated-by "\t"
参数说明：
- export-dir：要导出的数据所在目录。
注意：如果不加切割符号（input-fields-terminated-by），整个数据将会被当做一个字符串存到 RDBMS 表中的第一个字段。
清空 MySQL 表数据，防止主键冲突
truncate table staff;
执行 sqoop 命令，运行结果：
三、Sqoop 脚本打包
使用opt格式的文件打包sqoop命令，然后执行。写入到脚本后，我们把它交给任务调度框架 Oozie、Azkaban等这些工具来替我们定时执行。
类似我们 Hive 的 hql 文件，我们可以通过 hive -f 的命令来执行 hql 文件中的命令。
1、创建一个 opt 文件
vim sqp.opt
export --connect jdbc:mysql://hadoop102:3306/test --username root --password 123456 --table staff --num-mappers 1 --export-dir /user/hive/warehouse/staff_hive --input-fields-terminated-by "\t"
2、执行脚本
我们一般把下面的命令放到一个脚本中定时去执行。
bin/sqoop --options-file job/sqp.opt
3、测试
清空 MySQL 表格：
truncate table staff;
运行结果：
四、Sqoop 常用参数命令
1、常用命令参数
序号 |
命令 |
类 |
说明 |
1 |
import |
ImportTool |
将数据导入到集群 |
2 |
export |
ExportTool |
将集群数据导出 |
3 |
codegen |
CodeGenTool |
获取数据库中某张表数据生成Java并打包Jar |
4 |
create-hive-table |
CreateHiveTableTool |
创建Hive表 |
5 |
eval |
EvalSqlTool |
查看SQL执行结果 |
6 |
import-all-tables |
ImportAllTablesTool |
导入某个数据库下所有表到HDFS中 |
7 |
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。 |
8 |
list-databases |
ListDatabasesTool |
列出所有数据库名 |
9 |
list-tables |
ListTablesTool |
列出某个数据库下所有表 |
10 |
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 |
11 |
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中进行更改。 |
12 |
help |
HelpTool |
打印sqoop帮助信息 |
13 |
version |
VersionTool |
打印sqoop版本信息 |
2、命令参数详解
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 |
--driver |
Hadoop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 |
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-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。 |
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 |
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 |
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。但是HBase的话，需要专门的参数才能帮我们创建（需要版本不冲突才可以）。
1）导入数据到 hive 中
bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --hive-import
2）增量导入数据到 hive 中，mode=append
append导入： $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --fields-terminated-by "\t" \ --target-dir /user/hive/warehouse/staff_hive \ --check-column id \ --incremental append \ --last-value 3
注意：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）
3）增量导入数据到hdfs中，mode=lastmodified
先导入一部分数据： $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff_timestamp \ --delete-target-dir \ --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://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff_timestamp \ --check-column last_modified \ --incremental lastmodified \ --last-value "2017-09-28 22:20:38" \ --m 1 \ --append
注意：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）。
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 |
2.6、命令&参数：export
从HDFS（包括Hive和HBase）中奖数据导出到关系型数据库中。
$ bin/sqoop export \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --export-dir /user/company \ --input-fields-terminated-by "\t" \ --num-mappers 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> |
updateonly allowinsert(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 |
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。
$ bin/sqoop codegen \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --bindir /home/admin/Desktop/staff \ --class-name Staff \ --fields-terminated-by "\t"
参数
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 |
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。
$ bin/sqoop create-hive-table \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --hive-table hive_staff
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 |
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。
$ bin/sqoop eval \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --query "SELECT * FROM staff"
参数
序号 |
参数 |
说明 |
1 |
--query或--e |
后跟查询的SQL语句 |
2.1.0、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。
$ bin/sqoop import-all-tables \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --warehouse-dir /all_tables
参数
这些参数的含义和 import 对应的含义一致。
序号 |
参数 |
1 |
--as-avrodatafile |
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 |
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。
$ bin/sqoop job \ --create myjob -- import-all-tables \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 $ bin/sqoop job \ --list $ bin/sqoop job \ --exec myjob
注意：import-all-tables和它左边的--之间有一个空格
注意：如果需要连接metastore，则--meta-connect jdbc:hsqldb:hsql://linux01:16000/sqoop
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 |
注意：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>
2.12、命令&参数：list-databases
$ bin/sqoop list-databases \ --connect jdbc:mysql://hadoop102:3306/ \ --username root \ --password 123456
参数
和公用参数一样。
2.13、命令&参数：list-tables
$ bin/sqoop list-tables \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456
参数
和公用参数一样。
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。
数据准备：
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
创建JavaBean： $ bin/sqoop codegen \ --connect jdbc:mysql://hadoop102:3306/test \ --username root \ --password 123456 \ --table staff \ --bindir /home/admin/Desktop/staff \ --class-name Staff \ --fields-terminated-by "\t" 开始合并： $ bin/sqoop merge \ --new-data /test/new/ \ --onto /test/old/ \ --target-dir /test/merged \ --jar-file /home/admin/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 |
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。
启动 sqoop 的 metastore 服务 $ bin/sqoop metastore
参数
序号 |
参数 |
说明 |
1 |
--shutdown |
关闭metastore |
