1. 概述

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等)间进行数据的传递。可以将关系型数据库（MySQL ,Oracle ,Postgres 等）中的数据导入到HDFS中，也可以将HDFS的数据导进到关系型数据库中。

2. 安装配置

Sqoop 官网：http://sqoop.apache.org/
Sqoop下载地址：http://www.apache.org/dyn/closer.lua/sqoop/

下载、上传并解压
将下载的安装包 sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz 上传到虚拟机中；
解压缩软件包；
```
tar zxvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
mv sqoop-1.4.7.bin__hadoop-2.6.0/ ../servers/sqoop-1.4.7/
```
增加环境变量，并使其生效 ```bash vi /etc/profile

增加以下内容
export SQOOP_HOME=/opt/lagou/servers/sqoop-1.4.7 export PATH=$PATH:$SQOOP_HOME/bin

source /etc/profile


- 创建、修改配置文件
```bash
# 配置文件位置 $SQOOP_HOME/conf；要修改的配置文件为 sqoop-env.sh
cp sqoop-env-template.sh sqoop-env.sh
vi sqoop-env.sh
# 在文件最后增加以下内容
export HADOOP_COMMON_HOME=/opt/lagou/servers/hadoop-2.9.2
export HADOOP_MAPRED_HOME=/opt/lagou/servers/hadoop-2.9.2
export HIVE_HOME=/opt/lagou/servers/hive-2.3.7

拷贝JDBC驱动程序

# 拷贝jdbc驱动到sqoop的lib目录下（备注：建立软链接也可以）
ln -s /opt/lagou/servers/hive-2.3.7/lib/mysql-connector-java-5.1.46.jar \
/opt/lagou/servers/sqoop-1.4.7/lib/

拷贝jar

将 $HIVE_HOME/lib 下的 hive-common-2.3.7.jar，拷贝到 $SQOOP_HOME/lib目录下。如不拷贝在MySQL往Hive导数据的时候将会出现错误：ClassNotFoundException: org.apache.hadoop.hive.conf.HiveConf

# 硬拷贝 和 建立软链接都可以，选择一个执行即可。下面是硬拷贝
cp $HIVE_HOME/lib/hive-common-2.3.7.jar $SQOOP_HOME/lib/
# 建立软链接
ln -s /opt/lagou/servers/hive-2.3.7/lib/hive-common-2.3.7.jar \
/opt/lagou/servers/sqoop-1.4.7/lib/hive-common-2.3.7.jar

将 $HADOOP_HOME/share/hadoop/tools/lib/json-20170516.jar 拷贝到$SQOOP_HOME/lib/ 目录下；否则在创建sqoop job时会报：java.lang.NoClassDefFoundError: org/json/JSONObject

cp $HADOOP_HOME/share/hadoop/tools/lib/json-20170516.jar \
$SQOOP_HOME/lib/

验证

sqoop version
省略了警告 ... ...
20/06/19 10:37:24 INFO sqoop.Sqoop: Running Sqoop version: 1.4.7
Sqoop 1.4.7
git commit id 2328971411f57f0cb683dfb79d19d4d19d185dd8
Compiled by maugli on Thu Dec 21 15:59:58 STD 2017
# 测试Sqoop是否能够成功连接数据库
sqoop list-databases --connect jdbc:mysql://linux123:3306/?
useSSL=false --username hive --password 12345678
... ...
information_schema
hivemetadata
mysql
performance_schema
sys

3 应用

在Sqoop中

导入是指：从关系型数据库向大数据集群（HDFS、HIVE、HBASE）传输数据；
使用import关键字；

导出是指：从大数据集群向关系型数据库传输数据；使用export关键字；

3.1 导入数据

3.1.1 MySQL 到 HDFS

导入全部数据

sqoop import \
--connect jdbc:mysql://linux:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"

备注

target-dir：将数据导入 HDFS 的路径；
delete-target-dir：如果目标文件夹在 HDFS 上已经存在，那么再次运行就会报错。可以使用—delete-target-dir来先删除目录。也可以使用 append 参数，表示追加数据；
num-mappers：启动多少个Map Task；默认启动4个Map Task；也可以写成 -m 1

fields-terminated-by：HDFS文件中数据的分隔符；

导入查询数据

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--append \
-m 1 \
--fields-terminated-by "\t" \
--query 'select gname, serialNumber, price, stock_number,
create_time from goodtbl where price>88 and $CONDITIONS;'

备注：

查询语句的where子句中必须包含 ‘$CONDITIONS’

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

导入指定的列

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns gname,serialNumber,price \
--table goodtbl

备注：columns中如果涉及到多列，用逗号分隔，不能添加空格

导入查询数据（使用关键字）

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
-m 1 \
--fields-terminated-by "\t" \
--table goodtbl \
--where "price>=68"

启动多个map task

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--fields-terminated-by "\t" \
--table goodtbl \
--split-by gname

备注：

使用多个 Map Task 进行数据导入时，sqoop 要对每个Task的数据进行分区
- 如果 MySQL 中的表有主键，指定 Map Task 的个数就行
- 如果 MySQL 中的表没有主键，要使用 split-by 指定分区字段
- 如果分区字段是字符类型，使用 sqoop 命令的时候要添加：
- -Dorg.apache.sqoop.splitter.allow_text_splitter=true。即
```
sqoop import \
-Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://liunx:3306/sqoop \
... ...
```
查询语句的where子句中的 ‘$CONDITIONS’ ，也是为了做数据分区使用的，即使只有1个Map Task

3.1.2 MySQL到Hive

在hive中创建对应的表

CREATE TABLE mydb.goodtbl(
gname string,
serialNumber int,
price int,
stock_number int,
create_time date);

导入

sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--create-hive-table \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table mydb.goodtbl \
-m 1

参数说明：

hive-import。必须参数，指定导入hive
hive-database。Hive库名(缺省值default)
hive-table。Hive表名
fields-terminated-by。Hive字段分隔符
hive-overwrite。覆盖中已经存在的数据
create-hive-table。创建好 hive 表，但是表可能存在错误。不建议使用这个参数，建议提前建好表

3.2 导出数据
备注：MySQL表需要提前创建
```
sqoop export \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl2 \
--num-mappers 1 \
--export-dir /user/hive/warehouse/mydb.db/goodtbl \
--input-fields-terminated-by "\t"
```
3.3 增量数据导入
变化数据捕获(CDC)
前面都是执行的全量数据导入。如果数据量很小，则采取完全源数据抽取；如果源数据量很大，则需要抽取发生变化的数据，这种数据抽取模式叫做变化数据捕获，简称CDC(Change Data Capture)。
CDC大体分为两种：侵入式和非侵入式。侵入式指CDC操作会给源系统带来性能影响，只要CDC操作以任何一种方式对源数据库执行了SQL操作，就认为是侵入式的。
常用的4种CDC方法是(前三种是侵入式的)：
基于时间戳的CDC。抽取过程可以根据某些属性列来判断哪些数据是增量的，最常见的属性列有以下两种：
- 时间戳：最好有两个列，一个插入时间戳，表示何时创建，一个更新时间戳，表示最后一次更新的时间；
- 序列：大多数数据库都提供自增功能，表中的列定义成自增的，很容易地根据该列识别新插入的数据；
- 这种方法是最简单且常用的，但是有如下缺点：
  - 不能记录删除记录的操作
  - 无法识别多次更新
  - 不具有实时能力
基于触发器的CDC。当执行INSERT、UPDATE、DELETE这些SQL语句时，激活数据库里的触发器，使用触发器可捕获变更的数据，并把数据保存在中间临时表里。然后这些变更数据再从临时表取出。大多数场合下，不允许向操作型数据库里添加触发器，且这种方法会降低系统性能，基本不会被采用；
基于快照的CDC。可以通过比较源表和快照表来获得数据变化。基于快照的CDC可以检测到插入、更新和删除的数据，这是相对于基于时间戳的CDC方案的优点。其缺点是需要大量存储空间来保存快照。
基于日志的CDC。最复杂的和没有侵入性的CDC方法是基于日志的方式。数据库会把每个插入、更新、删除操作记录到日志里。解析日志文件，就可以获取相关信息。每个关系型数据库日志格式不一致，没有通用的产品。阿里巴巴的canal可以完成MySQL日志文件解析。

增量导入数据分为两种方式：

基于递增列的增量数据导入（Append方式）
```
sqoop import \
--connect jdbc:mysql://linux123:3306/sqoop \
--username hive --password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 0 \
-m 1
```
参数说明：
- check-column 用来指定一些列（即可以指定多个列），这些列在增量导入时用来检查这些数据是否作为增量数据进行导入，和关系型数据库中的自增字段及时间戳类似。这些被指定的列的类型不能使任意字符类型，如char、varchar等类型都不可以
- last-value 指定上一次导入中检查列指定字段最大值
基于时间列的数据增量导入（LastModified方式）
3.4 执行job
执行数据增量导入有两种实现方式：

每次手工配置last-value，手工调度
使用job，给定初始last-value，定时任务每天定时调度

创建口令文件 ```bash cho -n “12345678” > sqoopPWD.pwd hdfs dfs -mkdir -p /sqoop/pwd hdfs dfs -put sqoopPWD.pwd /sqoop/pwd hdfs dfs -chmod 400 /sqoop/pwd/sqoopPWD.pwd

可以在 sqoop 的 job 中增加：

—password-file /sqoop/pwd/sqoopPWD.pwd


- 创建sqoop job
```bash
# 创建 sqoop job
sqoop job --create myjob1 -- import \
--connect jdbc:mysql://linux123:3306/sqoop?useSSL=false \
--username hive \
--password-file /sqoop/pwd/sqoopPWD.pwd \
--table goodtbl \
--incremental append \
--hive-import \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 0 \
-m 1
# 查看已创建的job
sqoop job --list
# 查看job详细运行是参数
sqoop job --show myjob1
# 执行job
sqoop job --exec myjob1
# 删除job
sqoop job --delete myjob1

执行job
```
sqoop job -exec myjob1
```
因为job执行完成后，会把当前check-column的最大值记录到meta中，下次再调起时把此值赋给last-value。
缺省情况下元数据保存在 ~/.sqoop/其中，metastore.db.script 文件记录了对last-value的更新操作
4. 常用命令及参数
sqoop常用命令及参数.pdf

大数据开发

数据迁移工具--Sqoop

1. 概述

2. 安装配置

增加以下内容

3 应用

3.1 导入数据

3.1.1 MySQL 到 HDFS

导入全部数据

导入查询数据

导入指定的列

导入查询数据（使用关键字）

启动多个map task

3.1.2 MySQL到Hive

3.2 导出数据

3.3 增量数据导入

3.4 执行job

可以在 sqoop 的 job 中增加：

4. 常用命令及参数