Sqoop-1.4.4工具import和export使用详解

Sqoop-1.4.4工具import和export使用详解

Sqoop可以在HDFS/Hive和关系型数据库之间进行数据的导入导出,其中主要使用了import和export这两个工具。这两个工具非常强大,提供了很多选项帮助我们完成数据的迁移和同步。比如,下面两个潜在的需求:

  1. 业务数据存放在关系数据库中,如果数据量达到一定规模后需要对其进行分析或同统计,单纯使用关系数据库可能会成为瓶颈,这时可以将数据从业务数据库数据导入(import)到Hadoop平台进行离线分析。

  2. 对大规模的数据在Hadoop平台上进行分析以后,可能需要将结果同步到关系数据库中作为业务的辅助数据,这时候需要将Hadoop平台分析后的数据导出(export)到关系数据库。

这里,我们介绍Sqoop完成上述基本应用场景所使用的import和export工具,通过一些简单的例子来说明这两个工具是如何做到的。
工具通用选项,import和export工具有些通用的选项,如下表所示:

选项 含义说明
–connect <jdbc-uri> 指定JDBC连接字符串
–connection-manager <class-name> 指定要使用的连接管理器类
–driver <class-name> 指定要使用的JDBC驱动类
–hadoop-mapred-home <dir> 指定$HADOOP_MAPRED_HOME路径
–help 打印用法帮助信息
–password-file 设置用于存放认证的密码信息文件的路径
-P 从控制台读取输入的密码
–password <password> 设置认证密码
–username <username> 设置认证用户名
–verbose 打印详细的运行信息
–connection-param-file <filename> 可选,指定存储数据库连接参数的属性文件

数据导入工具import
import工具,是将HDFS平台外部的结构化存储系统中的数据导入到Hadoop平台,便于后续分析。我们先看一下import工具的基本选项及其含义,如下表所示:

选项 含义说明
–append 将数据追加到HDFS上一个已存在的数据集上
–as-avrodatafile 将数据导入到Avro数据文件
–as-sequencefile 将数据导入到SequenceFile
–as-textfile 将数据导入到普通文本文件(默认)
–boundary-query <statement> 边界查询,用于创建分片(InputSplit)
–columns <col,col,col…> 从表中导出指定的一组列的数据
–delete-target-dir 如果指定目录存在,则先删除掉
–direct 使用直接导入模式(优化导入速度)
–direct-split-size <n> 分割输入stream的字节大小(在直接导入模式下)
–fetch-size <n> 从数据库中批量读取记录数
–inline-lob-limit <n> 设置内联的LOB对象的大小
-m,–num-mappers <n> 使用n个map任务并行导入数据
-e,–query <statement> 导入的查询语句
–split-by <column-name> 指定按照哪个列去分割数据
–table <table-name> 导入的源表表名
–target-dir <dir> 导入HDFS的目标路径
–warehouse-dir <dir> HDFS存放表的根路径
–where <where clause> 指定导出时所使用的查询条件
-z,–compress 启用压缩
–compression-codec <c> 指定Hadoop的codec方式(默认gzip)
–null-string <null-string> 如果指定列为字符串类型,使用指定字符串替换值为null的该类列的值
–null-non-string <null-string> 如果指定列为非字符串类型,使用指定字符串替换值为null的该类列的值

下面,我们通过实例来说明,在实际中如何使用这些选项。
将MySQL数据库中整个表数据导入到Hive表

1
bin/sqoop import --connect jdbc:mysql://master1:3306/workflow --table project --username shirdrn -P --hive-import -- --default-character-set=utf-8

将MySQL数据库workflow中project表的数据导入到Hive表中
将MySQL数据库中多表JION后的数据导入到HDFS

1
bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn -P --query 'SELECT users.*, tags.tag FROM users JOIN tags ON (users.id = tags.user_id) WHERE $CONDITIONS' --split-byusers.id --target-dir /hive/tag_db/user_tags -- --default-character-set=utf-8

这里,使用了–query选项,不能同时与–table选项使用。而且,变量$CONDITIONS必须在WHERE语句之后,供Sqoop进程运行命令过程中使用。上面的–target-dir指向的其实就是Hive表存储的数据目录。
将MySQL数据库中某个表的数据增量同步到Hive表

1
bin/sqoop job --create your-sync-job -- import --connect jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-import --incremental append --check-column id --last-value 1 -- --default-character-set=utf-8

这里,每次运行增量导入到Hive表之前,都要修改–last-value的值,否则Hive表中会出现重复记录。
将MySQL数据库中某个表的几个字段的数据导入到Hive表

1
bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn --P --table tags --columns 'id,tag' --create-hive-table -target-dir /hive/tag_db/tags -m 1 --hive-table tags --hive-import -- --default-character-set=utf-8

我们这里将MySQL数据库workflow中tags表的id和tag字段的值导入到Hive表tag_db.tags。其中–create-hive-table选项会自动创建Hive表,
–hive-import选项会将选择的指定列的数据导入到Hive表。如果在Hive中通过SHOW TABLES无法看到导入的表,可以在conf/hive-site.xml中显式修改如下配置选项:

1
2
3
4
&lt;property&gt;
&lt;name&gt;javax.jdo.option.ConnectionURL&lt;/name&gt;
&lt;value&gt;jdbc:derby:;databaseName=hive_metastore_db;create=true&lt;/value&gt;
&lt;/property&gt;

然后再重新运行,就能看到了。
使用验证配置选项

1
sqoop import --connect jdbc:mysql://db.foo.com/corp --table EMPLOYEES --validate --validator org.apache.sqoop.validation.RowCountValidator --validation-threshold org.apache.sqoop.validation.AbsoluteValidationThreshold --validation-failurehandler org.apache.sqoop.validation.AbortOnFailureHandler

上面这个是官方用户手册上给出的用法,我们在实际中还没用过这个,有感兴趣的可以验证尝试一下。

坚持原创技术分享,您的支持将鼓励我继续创作!