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:
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