开发笔记:入门大数据Sqoop基本使用

一、Sqoop 基本命令

1. 查看所有命令

# sqoop help


2. 查看某条命令的具体使用方法

# sqoop help 命令名


二、Sqoop 与 mysql

1. 查询MySQL所有数据库

通常用于 Sqoop 与 MySQL 连通测试：

sqoop list-databases \\
--connect jdbc:mysql://hadoop001:3306/ \\
--username root \\
--password root


2. 查询指定数据库中所有数据表

sqoop list-tables \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root


三、Sqoop 与 HDFS

3.1 MySQL数据导入到HDFS

1. 导入命令

示例：导出 MySQL 数据库中的 help_keyword 表到 HDFS 的 /sqoop 目录下，如果导入目录存在则先删除再导入，使用 3 个 map tasks 并行导入。

注：help_keyword 是 MySQL 内置的一张字典表，之后的示例均使用这张表。

sqoop import \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--table help_keyword \\ # 待导入的表
--delete-target-dir \\ # 目标目录存在则先删除
--target-dir /sqoop \\ # 导入的目标目录
--fields-terminated-by \'\\t\' \\ # 指定导出数据的分隔符
-m 3 # 指定并行执行的 map tasks 数量


日志输出如下，可以看到输入数据被平均 split 为三份，分别由三个 map task 进行处理。数据默认以表的主键列作为拆分依据，如果你的表没有主键，有以下两种方案：

• 添加 -- autoreset-to-one-mapper 参数，代表只启动一个 map task，即不并行执行；


• 若仍希望并行执行，则可以使用 --split-by 指明拆分数据的参考列。

2. 导入验证

# 查看导入后的目录
hadoop fs -ls -R /sqoop
# 查看导入内容
hadoop fs -text /sqoop/part-m-00000


查看 HDFS 导入目录,可以看到表中数据被分为 3 部分进行存储，这是由指定的并行度决定的。

3.2 HDFS数据导出到MySQL

sqoop export \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--table help_keyword_from_hdfs \\ # 导出数据存储在 MySQL 的 help_keyword_from_hdf 的表中
--export-dir /sqoop \\
--input-fields-terminated-by \'\\t\'\\
--m 3


表必须预先创建，建表语句如下：

CREATE TABLE help_keyword_from_hdfs LIKE help_keyword ;


四、Sqoop 与 Hive

4.1 MySQL数据导入到Hive

Sqoop 导入数据到 Hive 是通过先将数据导入到 HDFS 上的临时目录，然后再将数据从 HDFS 上 Load 到 Hive 中，最后将临时目录删除。可以使用 target-dir 来指定临时目录。

1. 导入命令

sqoop import \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--table help_keyword \\ # 待导入的表
--delete-target-dir \\ # 如果临时目录存在删除
--target-dir /sqoop_hive \\ # 临时目录位置
--hive-database sqoop_test \\ # 导入到 Hive 的 sqoop_test 数据库，数据库需要预先创建。不指定则默认为 default 库
--hive-import \\ # 导入到 Hive
--hive-overwrite \\ # 如果 Hive 表中有数据则覆盖，这会清除表中原有的数据，然后再写入
-m 3 # 并行度


导入到 Hive 中的 sqoop_test 数据库需要预先创建，不指定则默认使用 Hive 中的 default 库。

# 查看 hive 中的所有数据库
hive> SHOW DATABASES;
# 创建 sqoop_test 数据库
hive> CREATE DATABASE sqoop_test;


2. 导入验证

# 查看 sqoop_test 数据库的所有表
hive> SHOW TABLES IN sqoop_test;
# 查看表中数据
hive> SELECT * FROM sqoop_test.help_keyword;


3. 可能出现的问题

如果执行报错 java.io.IOException: java.lang.ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf，则需将 Hive 安装目录下 lib 下的 hive-exec-**.jar 放到 sqoop 的 lib 。

[root@hadoop001 lib]# ll hive-exec-*
-rw-r--r--. 1 1106 4001 19632031 11 月 13 21:45 hive-exec-1.1.0-cdh5.15.2.jar
[root@hadoop001 lib]# cp hive-exec-1.1.0-cdh5.15.2.jar ${SQOOP_HOME}/lib


4.2 Hive 导出数据到MySQL

由于 Hive 的数据是存储在 HDFS 上的，所以 Hive 导入数据到 MySQL，实际上就是 HDFS 导入数据到 MySQL。

1. 查看Hive表在HDFS的存储位置

# 进入对应的数据库
hive> use sqoop_test;
# 查看表信息
hive> desc formatted help_keyword;


Location 属性为其存储位置：

这里可以查看一下这个目录，文件结构如下：

3.2 执行导出命令

sqoop export \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--table help_keyword_from_hive \\
--export-dir /user/hive/warehouse/sqoop_test.db/help_keyword \\
-input-fields-terminated-by \'\\001\' \\ # 需要注意的是 hive 中默认的分隔符为 \\001
--m 3


MySQL 中的表需要预先创建：

CREATE TABLE help_keyword_from_hive LIKE help_keyword ;


五、Sqoop 与 HBase

本小节只讲解从 RDBMS 导入数据到 HBase，因为暂时没有命令能够从 HBase 直接导出数据到 RDBMS。

5.1 MySQL导入数据到HBase

1. 导入数据

将 help_keyword 表中数据导入到 HBase 上的 help_keyword_hbase 表中，使用原表的主键 help_keyword_id 作为 RowKey，原表的所有列都会在 keywordInfo 列族下，目前只支持全部导入到一个列族下，不支持分别指定列族。

sqoop import \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--table help_keyword \\ # 待导入的表
--hbase-table help_keyword_hbase \\ # hbase 表名称，表需要预先创建
--column-family keywordInfo \\ # 所有列导入到 keywordInfo 列族下
--hbase-row-key help_keyword_id # 使用原表的 help_keyword_id 作为 RowKey


导入的 HBase 表需要预先创建：

# 查看所有表
hbase> list
# 创建表
hbase> create \'help_keyword_hbase\', \'keywordInfo\'
# 查看表信息
hbase> desc \'help_keyword_hbase\'


2. 导入验证

使用 scan 查看表数据：

六、全库导出

Sqoop 支持通过 import-all-tables 命令进行全库导出到 HDFS/Hive，但需要注意有以下两个限制：

• 所有表必须有主键；或者使用 --autoreset-to-one-mapper，代表只启动一个 map task;


• 你不能使用非默认的分割列，也不能通过 WHERE 子句添加任何限制。

第二点解释得比较拗口，这里列出官方原本的说明：

• You must not intend to use non-default splitting column, nor impose any conditions via a WHERE clause.

全库导出到 HDFS：

sqoop import-all-tables \\
--connect jdbc:mysql://hadoop001:3306/数据库名 \\
--username root \\
--password root \\
--warehouse-dir /sqoop_all \\ # 每个表会单独导出到一个目录，需要用此参数指明所有目录的父目录
--fields-terminated-by \'\\t\' \\
-m 3


全库导出到 Hive：

sqoop import-all-tables -Dorg.apache.sqoop.splitter.allow_text_splitter=true \\
--connect jdbc:mysql://hadoop001:3306/数据库名 \\
--username root \\
--password root \\
--hive-database sqoop_test \\ # 导出到 Hive 对应的库
--hive-import \\
--hive-overwrite \\
-m 3


七、Sqoop 数据过滤

7.1 query参数

Sqoop 支持使用 query 参数定义查询 SQL，从而可以导出任何想要的结果集。使用示例如下：

sqoop import \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--query \'select * from help_keyword where $CONDITIONS and help_keyword_id <50\' \\
--delete-target-dir \\
--target-dir /sqoop_hive \\
--hive-database sqoop_test \\ # 指定导入目标数据库 不指定则默认使用 Hive 中的 default 库
--hive-table filter_help_keyword \\ # 指定导入目标表
--split-by help_keyword_id \\ # 指定用于 split 的列
--hive-import \\ # 导入到 Hive
--hive-overwrite \\ 、
-m 3


在使用 query 进行数据过滤时，需要注意以下三点：

• 必须用 --hive-table 指明目标表；

  
  



• 如果并行度 -m 不为 1 或者没有指定 --autoreset-to-one-mapper，则需要用 --split-by 指明参考列；

  
  



• SQL 的 where 字句必须包含 $CONDITIONS，这是固定写法，作用是动态替换。

  
  

7.2 增量导入

sqoop import \\
--connect jdbc:mysql://hadoop001:3306/mysql \\
--username root \\
--password root \\
--table help_keyword \\
--target-dir /sqoop_hive \\
--hive-database sqoop_test \\
--incremental append \\ # 指明模式
--check-column help_keyword_id \\ # 指明用于增量导入的参考列
--last-value 300 \\ # 指定参考列上次导入的最大值
--hive-import \\
-m 3


incremental 参数有以下两个可选的选项：

• append：要求参考列的值必须是递增的，所有大于 last-value 的值都会被导入；


• lastmodified：要求参考列的值必须是 timestamp 类型，且插入数据时候要在参考列插入当前时间戳，更新数据时也要更新参考列的时间戳，所有时间晚于 last-value 的数据都会被导入。

通过上面的解释我们可以看出来，其实 Sqoop 的增量导入并没有太多神奇的地方，就是依靠维护的参考列来判断哪些是增量数据。当然我们也可以使用上面介绍的 query 参数来进行手动的增量导出，这样反而更加灵活。

八、类型支持

Sqoop 默认支持数据库的大多数字段类型，但是某些特殊类型是不支持的。遇到不支持的类型，程序会抛出异常 Hive does not support the SQL type for column xxx 异常，此时可以通过下面两个参数进行强制类型转换：

• --map-column-java ：重写 SQL 到 Java 类型的映射；


• --map-column-hive ： 重写 Hive 到 Java 类型的映射。

示例如下，将原先 id 字段强制转为 String 类型，value 字段强制转为 Integer 类型：

$ sqoop import ... --map-column-java id=String,value=Integer


参考资料

Sqoop User Guide (v1.4.7)

系列传送门