sqoop

一、 Sqoop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。
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 项目。

将导入或导出命令转换为 MapReduce 程序来实现。翻译出的 MapReduce 中主要是对 inputformat 和outputformat 进行定制。

二、 安装配置

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

1、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/

2、增加环境变量，并使其生效

vi /etc/profile

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

source /etc/profile

3、创建、修改配置文件

# 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/servers/hadoop-2.9.2
export HADOOP_MAPRED_HOME=/opt/servers/hadoop-2.9.2
export HIVE_HOME=/opt/servers/hive-2.3.7

4、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/servers/hive-2.3.7/lib/mysql-connector-java- 5.1.46.jar /opt/servers/sqoop-1.4.7/lib/

5、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/servers/hive-2.3.7/lib/hive-common-2.3.7.jar 
/opt/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/

6、安装验证

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://hadoop03:3306/?useSSL=false
 --username hive --password 12345678
... ...
information_schema
hivemetadata
mysql
performance_schema
sys

三、 应用案例

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；

测试数据脚本

-- 用于在 Mysql 中生成测试数据 
CREATE DATABASE sqoop;

use sqoop;

CREATE TABLE sqoop.goodtbl(
  gname varchar(50),
  serialNumber int,
  price int,
  stock_number int,
  create_time date
);

DROP FUNCTION IF EXISTS `rand_string`;
DROP PROCEDURE IF EXISTS `batchInsertTestData`;

-- 替换语句默认的执行符号，将；替换成 //
DELIMITER //

CREATE FUNCTION `rand_string` (n INT) RETURNS VARCHAR(255)
CHARSET 'utf8'
BEGIN
    DECLARE char_str varchar(200) DEFAULT '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ';
    DECLARE return_str varchar(255) DEFAULT '';
    DECLARE i INT DEFAULT 0;
    WHILE i < n DO
      SET return_str = concat(return_str, substring(char_str, FLOOR(1 + RAND()*36), 1));
      SET i = i+1;
    END WHILE;
    RETURN return_str;
END

//

-- 第一个参数表示：序号从几开始；第二个参数表示：插入多少条记录
CREATE PROCEDURE `batchInsertTestData` (m INT, n INT)
BEGIND
  ECLARE i INT DEFAULT 0;
  WHILE i < n DO
    insert into goodtbl (gname, serialNumber, price, stock_number, create_time) 
      values (rand_string(6), i+m, ROUND(RAND()*100), FLOOR(RAND()*100), now());
      SET i = i+1;
  END WHILE;
END 
//

delimiter ;

call batchInsertTestData(1, 100);

以下案例需要启动：HDFS、YARN、MySQL 对应的服务；

1. 导入数据

MySQL 到 HDFS

1**、导入全部数据**

sqoop import \
--connect jdbc:mysql://hadoop03:3306/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；

2**、导入查询数据**

sqoop import \
--connect jdbc:mysql://hadoop03:3306/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

3**、导入指定的列**

sqoop import \
--connect jdbc:mysql://hadoop03:3306/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

4**、导入查询数据(使用关键字**)

sqoop import \
--connect jdbc:mysql://hadoop03:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
-m 1 \
--fields-terminated-by "\t" \
--table goodtbl \
--where "price>=68"

5**、启动多个Map Task导入数据**
在 goodtbl 中增加数据：call batchInsertTestData(1000000);

sqoop import \
--connect jdbc:mysql://hadoop03:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--fields-terminated-by "\t" \
--table goodtbl \
--split-by gname 

# 给 goodtbl 表增加主键
alter table goodtbl add primary key(serialNumber);

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://hadoop03:3306/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

MySQL 到 Hive

在 hive 中创建表：

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

sqoop import \
--connect jdbc:mysql://hadoop03:3306/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

2. 导出数据

进入大数据平台导入：import
离开大数据平台导出：export

备注：**MySQL**表需要提前创建

# 提前创建表
CREATE TABLE sqoop.goodtbl2(
  gname varchar(50),
  serialNumber int,
  price int,
  stock_number int,
  create_time date
);

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）
• 基于时间列的数据增量导入（LastModified方式）

Append**方式**

1、准备初始数据

-- 删除 MySQL 表中的全部数据
truncate table sqoop.goodtbl;

-- 删除 Hive 表中的全部数据
truncate table mydb.goodtbl; 

-- 向MySQL的表中插入100条数据
call batchInsertTestData(1, 100);

2、将数据导入Hive

sqoop import \
--connect jdbc:mysql://hadoop03:3306/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

3、检查hive表中是否有数据，有多少条数据
4、再向MySQL中加入1000条数据，编号从200开始

call batchInsertTestData(200, 1000);

5、再次执行增量导入，将数据从 MySQL 导入 Hive 中；此时要将 last-value 改为100

sqoop import \
--connect jdbc:mysql://hadoop03:3306/sqoop \
--username hive --password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 100 \
-m 1

6、再检查hive表中是否有数据，有多少条数据

4. 执行 job

执行数据增量导入有两种实现方式：

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

很明显方式2更简便。

1、创建口令文件

echo -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

2、创建 sqoop job

# 创建 sqoop job
sqoop job --create myjob1 -- import \
--connect jdbc:mysql://hadoop03:3306/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

3、执行job

sqoop job -exec myjob1

4、查看数据

实现原理：

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：

cat metastore.db.script |grep incremental.last.value

四、 常用命令及参数

1. 常用命令

2. 常用参数

所谓公用参数，就是大多数命令都支持的参数。

公用参数 — 数据库连接

公用参数 — import

公用参数 — export

公用参数 — hive

import参数

export**参数**