Sqoop学习

一、Sqoop简介

Apache Sqoop™是一种旨在有效地在Apache Hadoop和诸如关系数据库等结构化数据存储之间传输大量数据的工具。
Sqoop于2012年3月孵化出来，现在是一个顶级的Apache项目。
最新的稳定版本是1.4.7。
Sqoop2的最新版本是1.99.7。
请注意1.99.7与1.4.7不兼容，且没有特征不完整，它并不打算用于生产部署。

二、Sqoop原理

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。

三、Sqoop安装

安装Sqoop的前提是已经具备Java和Hadoop的环境

3.1 下载并解压

1）最新版下载地址

2）上传安装包sqoop-1.4.7.bin_hadoop-2.6.0.tar.gz到虚拟机中，如我的上传目录是：

/opt/soft

3）解压sqoop安装包到指定目录，如：

tar -zxvf  sqoop-1.4.7.bin_hadoop-2.6.0.tar.gz  -C /opt/module/

3.2 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
 	mv sqoop-site-template.xml sqoop-site.xml

2)修改配置文件

vim sqoop-env.sh

export HADOOP_COMMON_HOME=/opt/module/hadoop
export HADOOP_MAPRED_HOME=/opt/module/hadoop
export HIVE_HOME=/opt/module/hive
export ZOOKEEPER_HOME=/opt/module/zookeeper
export ZOOCFGDIR=/opt/module/zookeeper

3.3 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/lib/

3.4 验证Sqoop

我们可以通过某一个command来验证sqoop配置是否正确

$ bin/sqoop help
出现一些 Warning 警告（警告信息已省略），并伴随着帮助命令的输出：
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

3.5 测试Sqoop是否能够成功连接数据库

$ bin/sqoop list-databases --connect jdbc:mysql://s240:3306/ --username root --password root
出现如下输出：
information_schema
metastore
mysql
performance_schema

四、Sqoop简单使用案例

4.1 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。

4.1.1 RDBMS到hdfs

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 -uroot -proot
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）导入数据

（1）全部导入

$ bin/sqoop import \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--table staff \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"

（2）查询导入

$ bin/sqoop import \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--query 'select name,sex from staff where id <=1 and $CONDITIONS;'

尖叫提示：must contain $CONDITIONS in WHERE clause.
尖叫提示：如果query后使用的是双引号，则$CONDITIONS前必须加转移符，防止shell识别为自己的变量
尖叫提示：–query 选项，不能同时与–table选项使用

（3）导入指定列

$ bin/sqoop import \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,sex \
--table staff

尖叫提示：columns 中如果涉及到多列，用逗号分隔，分隔时不要添加空格

（4）使用sqoop关键字筛选查询导入数据

$ bin/sqoop import \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table staff \
--where "id=1"

尖叫提示：在 Sqoop 中可以使用 sqoop import -D property.name=property.value 这样的方式加
入执行任务的参数，多个参数用空格隔开。

4.1.2 RDBMS到Hive

$ bin/sqoop import \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--table staff \
--num-mappers 1 \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table staff_hive

尖叫提示：该过程分为两步，第一步将数据导入到 HDFS，第二步将导入到 HDFS 的数据迁
移到 Hive 仓库
尖叫提示：第一步默认的临时目录是/user/admin/表名

4.2 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

4.2.1 hive/hdfs到rdbms

$ bin/sqoop export \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password 123456 \
--table staff \
--num-mappers 1 \
--export-dir /user/hive/warehouse/staff_hive \
--input-fields-terminated-by "\t"

尖叫提示：Mysql 中如果表不存在，不会自动创建
思考：数据是覆盖还是追加

4.3 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

mkdir opt
touch opt/job_HDFS2RDBMS.opt

2)编写sqoop脚本

vim opt/job_HDFS2RDBMS.opt



export
--connect
jdbc:mysql://s240:3306/company
--username
root
--password
root
--table
staff
--num-mappers
1
--export-dir
/user/hive/warehouse/staff_hive
--input-fields-terminated-by
"\t"

3)执行该脚本

$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

五、Sqoop的一些常用参数和命令

5.1 常用命令列举

这里给大家列出来了一部分Sqoop操作时的常用参数，以供参考，需要深入学习的可以参考对应类的源代码。

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的数据生成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	导入讴歌数据库下所有表到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	列出某个数据库下的所有表
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

5.2 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。
首先我们来介绍一些公用的参数，所谓公用参数，就是大多数命令都支持的参数。

5.2.1 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	JDBC的driver class
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

5.2.2 公用参数：import

序号	参数	说明
1	–enclosed-by <char>	给字段值前后加上指定的字符
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 \，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

5.2.3 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>	对含有转义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-optionall-enclosed-by <char>	给带有双引号或单引号的字段前后加上指定字符

5.2.4 公用参数：hive

序号	参数	说明
1	–hive-delims-replacement	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	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	导入数据时，指定某个分区的值
6	–hive-home	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。

5.2.5 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://s240:3306/company \
--username root \
--password root \
--table staff \
--hive-import

如：增量导入数据到 hive 中，mode=append

$ bin/sqoop import \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3

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）

如：增量导入数据到 hdfs 中，mode=lastmodified
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://linux01:3306/company \
--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://linux01:3306/company \
--username root \
--password 123456 \
--table staff_timestamp \
--check-column last_modified \
--incremental lastmodified \
--last-value "2017-09-28 22:20:38" \
--m 1 \
--append

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：last-value 指定的值是会包含于增量导入的数据中

2）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	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	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	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	关系数据库的表名
14	–target-dir	指定 HDFS 路径
15	–warehouse-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 string	类型的列如果 null，替换为指定字符串
20	–null-non-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：append 或 lastmodified
23	–last-value	指定某一个值，用于标记增量导入的位置

5.2.6 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。

1）命令

如：

$ bin/sqoop export \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--table staff \
--export-dir /user/company \
--input-fields-terminated-by "\t" \
--num-mappers 1

2）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	存放数据的 HDFS 的源目录
3	-m 或–num-mappers	启动 N 个 map 来并行导入数据，默认 4 个
4	–table	指定导出到哪个 RDBMS 中的表
5	–update-key	对某一列的字段进行更新操作
6	–update-mode	updateonly allowinsert(默认)
7	–input-null-string	请参考 import 该类似参数说

5.2.7 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://s240:3306/company \
--username root \
--password root \
--table staff \
--bindir /home/carson/staff \
--class-name Staff \
--fields-terminated-by "\t"

序号	参数	说明
1	–bindir	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	设定生成的 Java 文件指定的名称
3	–outdir	生成 Java 文件存放的路径
4	–package-name	包名，如 com.z，就会生成 com和 z 两级目录
5	–input-null-non-string	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	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	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	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	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	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

5.2.8 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：

$ bin/sqoop create-hive-table \
--connect jdbc:mysql://linux01:3306/company \
--username root \
--password 123456 \
--table staff \
--hive-table hive_staff

参数：

序号	参数	说明
1	–hive-home	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

5.2.9 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://s240:3306/company \
--username root \
--password root \
--query "SELECT * FROM staff"

参数：

序号	参数	说明
1	–query 或–e	后跟查询的 SQL 语句

5.2.10 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：

$ bin/sqoop import-all-tables \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root \
--warehouse-dir /all_tables

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
3	–as-textfile
2	–as-sequencefile
4	–direct
5	–direct-split-size
6	–inline-lob-limit
7	–m 或—num-mappers
8	–warehouse-dir
9	-z 或–compress
10	–compression-codec

5.2.11 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：

$ bin/sqoop job \
--create myjob -- import-all-tables \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root
$ 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 jdbc:hsqldb:hsql://linux01:16000/sqoop
参数：

序号	参数	说明
1	–create	创建 job 参数
2	–delete	删除一个 job
3	–exec	执行一个 job
4	–help	显示 job 帮助
5	–list	显示 job 列表
6	–meta-connect	用来连接 metastore 服务
7	–show	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>

5.2.12 命令&参数：list-databases

命令:

$ bin/sqoop list-databases \
--connect jdbc:mysql://s240:3306/ \
--username root \
--password root

参数：
与公用参数一样。

5.2.13 命令&参数：list-tables

命令：

$ bin/sqoop list-tables \
--connect jdbc:mysql://s240:3306/company \
--username root \
--password root

参数：与公用参数一样。

5.2.14 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：

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：
创建 JavaBean：

$ bin/sqoop codegen \
--connect jdbc:mysql://linux01:3306/company \
--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	HDFS 待合并的数据目录，合并后在新的数据集中保留
2	–onto	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	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	对应的表名或对象名，该class 类是包含在 jar 包中的
6	–target-dir	合并后的数据在 HDFS 里存放的目录

5.2.15 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