大数据开发常见的9种数据分析手段：大数据技术之Sqoop学习

大数据开发常见的9种数据分析手段：大数据技术之Sqoop学习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。$ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/ 重命名 sqoop 安装目录，如：[atguigu@hadoop102 module]$ mv sqoop-1.4.6.bin__hadoop-2.0.4-alpha/ sqoop 3.2 修改配置文件在翻译出的 mapreduce 中主要是对 inputformat 和 outputformat 进行定制。安装 Sqoop 的前提是已经具备 Java 和 Hadoop 的环境。3.1 下载并解压

第1章 Sqoop 简介

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 ...) 间进行数据的高校传递，可以将一个关系型数据库（例如：MySQL Oracle Postgres等）中的数据导入到 Hadoop 的 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 顶级项目。

Sqoop2 的最新版本是 1.99.7。请注意，2 与 1 不兼容，且特征不完整，它并不打算用于生产部署。

第2章 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。

第3章 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

• 下载地址：http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/
• 上传安装包 sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz 到虚拟机中
• 解压 sqoop 安装包到指定目录，如：

$ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/

• 重命名 sqoop 安装目录，如：

[atguigu@hadoop102 module]$ mv sqoop-1.4.6.bin__hadoop-2.0.4-alpha/ sqoop

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。

• 重命名配置文件

$ mv sqoop-env-template.sh sqoop-env.sh

• 修改配置文件

[atguigu@hadoop102 conf]$ pwd /opt/module/sqoop/conf [atguigu@hadoop102 conf]$ vim sqoop-env.sh export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2 export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2 export HIVE_HOME=/opt/module/hive export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10 export ZOOCFGDIR=/opt/module/zookeeper-3.4.10 export HBase_HOME=/opt/module/hbase

3.3 拷贝 JDBC 驱动

拷贝 jdbc 驱动到 sqoop 的 lib 目录下，如：

[atguigu@hadoop102 sqoop]$ cp /opt/software/mysql-libs/mysql-connector-java-5.1.27/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：

[atguigu@hadoop102 sqoop]$ 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

[atguigu@hadoop102 sqoop]$ bin/sqoop list-databases --connect jdbc:mysql://hadoop102:3306/ --username root --password 123456

出现如下输出：

information_schema metastore mysql performance_schema test 第4章 Sqoop 的简单使用案例

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 从 RDBMS 到 HDFS

• 确定 Mysql 服务开启正常

查询监控端口或者查询进程来确定，以下两种办法可以确认mysql是否在启动运行状态：

办法一：查询端口

$ netstat -tulpn

MySQL监控的是TCP的3306端口，如下图，说明MySQL服务在运行中。

办法二：查询进程

ps -ef | grep mysqld

可以看见mysql的进程

• 在 Mysql 中新建一张表并插入一些数据

$ mysql -uroot -p123456 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');

• 导入数据

（1）全部导入

[atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t"

（2）查询导入

[atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" \ --query 'select name sex from staff where id <=1 and $CONDITIONS;' 等价于 [atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --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;"

提示：must contain 'CONDITIONS′ in WHERE clause.‘ CONDITIONS‘：传递作用。 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。

（3）导入指定列

[atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --columns id sex \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t"

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

[atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --where "id=1" \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t" [atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --columns id sex \ --where "id=1" \ --target-dir /user/company \ --delete-target-dir \ --num-mappers 1 \ --fields-terminated-by "\t"

4.1.2 从 RDBMS 到 Hive

（1）全部导入

[atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --fields-terminated-by "\t" \ --hive-import \ --hive-overwrite \ --hive-table staff_hive

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，第一步默认的临时目录是 /user/atguigu/表名。

4.1.3 从 RDBMS 到 HBase

（1）导入数据

[atguigu@hadoop102 sqoop]$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --columns "id name sex" \ --num-mappers 1 \ --column-family "info" \ --hbase-create-table \ --hbase-row-key "id" \ --hbase-table "hbase_staff" \ --split-by id

会报错，如下图所示：

原因：sqoop1.4.6 只支持 HBase1.0.1 之前的版本的自动创建 HBase 表的功能。

解决方案：手动创建 HBase 表

hbase> create 'hbase_staff' 'info'

(5) 在 HBase 中 scan 这张表得到如下内容

hbase> scan ‘hbase_staff’

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 从 HIVE/HDFS 到 RDBMS

（1）导出数据

[atguigu@hadoop102 sqoop]$ bin/sqoop export \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --num-mappers 1 \ --export-dir /user/hive/warehouse/staff_hive \ --input-fields-terminated-by "\t"

提示：Mysql 中如果表不存在，不会自动创建。

4.3 脚本打包

使用opt格式的文件打包 sqoop 命令，然后执行。

• 创建一个 xxx.opt 文件

[atguigu@hadoop102 sqoop]$ pwd /opt/module/sqoop [atguigu@hadoop102 sqoop]$ mkdir opt [atguigu@hadoop102 sqoop]$ touch opt/job_HDFS2RDBMS.opt

• 编写 sqoop 脚本

[atguigu@hadoop102 sqoop]$ cd opt/ [atguigu@hadoop102 opt]$ vim job_HDFS2RDBMS.opt export --connect jdbc:mysql://hadoop102:3306/company --username root --password 123456 --table staff --num-mappers 1 --export-dir /user/hive/warehouse/staff_hive --input-fields-terminated-by "\t"

• 执行该脚本

[atguigu@hadoop102 sqoop]$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

尖叫提示：Mysql 中如果表不存在，不会自动创建，所以我们要先创建表 staff，如果表 staff 存在，我们应该清除掉 staff 表的数据，不然会出现主键冲突！如下图所示：

第5章 Sqoop 一些常用命令及参数

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看对应类的源代码。

如下表所示：

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并在一起，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。

5.2.1 公用参数：数据库连接

5.2.2 公用参数：import

5.2.3 公用参数：export

5.2.4 公用参数：hive

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。

• 命令：

如：导入数据到 hive 中

$ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --hive-import

如：增量导入数据到 hive 中，mode=append

append导入： $ bin/sqoop import \ --connect jdbc:mysql://hadoop102:3306/company \ --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

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://hadoop102:3306/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://hadoop102:3306/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。

• 参数：

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。

• 命令：

如：

$ bin/sqoop export \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --export-dir /user/staff \ --input-fields-terminated-by "\t" \ --num-mappers 1

• 参数：

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。

• 命令：

如：

$ bin/sqoop codegen \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --bindir /home/admin/Desktop/staff \ --class-name Staff \ --fields-terminated-by "\t"

• 参数：

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：

如：

$ bin/sqoop create-hive-table \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --table staff \ --hive-table hive_staff

• 参数：

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：

如：

$ bin/sqoop eval \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --query "SELECT * FROM staff"

• 参数：

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：

如：

$ bin/sqoop import-all-tables \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 \ --warehouse-dir /all_tables

• 参数：

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：

如：

$ bin/sqoop job \ --create myjob -- import-all-tables \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456 $ 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://hadoop102:16000/sqoop

• 参数：

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：

如：

$ bin/sqoop list-databases \ --connect jdbc:mysql://hadoop102:3306/ \ --username root \ --password 123456

• 参数：

与公用参数一样

5.2.13 命令&参数：list-tables

• 命令：

如：

$ bin/sqoop list-tables \ --connect jdbc:mysql://hadoop102:3306/company \ --username root \ --password 123456

• 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：

如：

创建JavaBean：

$ bin/sqoop codegen \ --connect jdbc:mysql://hadoop102:3306/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：

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：

---

每日一篇大数据优秀文章，助力大数据开发者成长！

作者：Lan&Jun 来源：CSDN 原文：https://blog.csdn.net/u012990179/article/details/88378128