一、sqoop--基本使用

一、sqoop概述

1.1 简介

​ sqoop用于在hadoop（hdfs、hive）和关系型数据库等结构化数据存储之间相关导数据的场景。Sqoop于2012年3月孵化出来，现在是一个顶级的Apache项目。
请注意，1.99.7与1.4.6不兼容，且特征不完整，它并不打算用于生产部署。

1.2 基本原理

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。

二、部署sqoop

首先得准备好hadoop和java环境，这里不重复说。
这里使用 sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz。
解压程序：

tar -zxvf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/modules/

修改配置文件：

进入sqoop的解压路径，进入conf目录mv sqoop-env-template.sh sqoop-env.sh修改内容：#export HADOOP_COMMON_HOME=export HADOOP_COMMON_HOME=/opt/modules/hadoop-2.8.4#Set path to where hadoop-*-core.jar is available#export HADOOP_MAPRED_HOME=export HADOOP_MAPRED_HOME=/opt/modules/hadoop-2.8.4#Set the path to where bin/hive is available#export HIVE_HOME=export HIVE_HOME=/opt/modules/hive-1.2.1-bin#Set the path for where zookeper config dir is#export ZOOCFGDIR=export ZOOCFGDIR=/opt/modules/zookeeper-3.4.10/conf

准备需要连接的关系型数据库的连接驱动，这里使用mysql，所以下载 mysql-connector-java-5.1.27-bin.jar，然后

cp -a mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib

接着配置环境变量：

vim /etc/profile.d/sqoop.sh#!/bin/bashexport SQOOP_HOME=/opt/modules/sqoop-1.4.6.bin__hadoop-2.0.4-alphaexport PATH=$PATH:${SQOOP_HOME}/bin

验证sqoop：

sqoop help

三、sqoop简单使用案例

在详细说明sqoop的用法之前，先来点简单案例熟悉下

3.1 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等）中传输数据，叫做：导入，即使用import关键字。

3.1.1 RDBMS到HDFS

先在mysql中准备些数据：

$ mysql -uroot -p000000mysql> 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');

导入全部数据：

sqoop import \--connect jdbc:mysql://bigdata121:3306/company \   jdbc的连接串--username root \                                  用户名--password 000000 \                                密码--table staff \                                    数据源的表--target-dir /user/company \                       hdfs指定目录--delete-target-dir \                              目标目录存在就删除--num-mappers 1 \                                  map数目--fields-terminated-by "\t"                        输出到hdfs的分隔符

查询导入：

sqoop import \--connect jdbc:mysql://bigdata121:3306/company \--username root \--password 000000 \--target-dir /user/company \--delete-target-dir \--num-mappers 1 \--fields-terminated-by "\t" \     写入到hdfs文件中的字段分隔符--query 'select name,sex from staff where id <=3 and $CONDITIONS;' 执行的sql查询语句尖叫提示1：must contain '$CONDITIONS' in WHERE clause.即where语句的最后面一定要加上 and $CONDITIONS尖叫提示2：如果query后使用的是双引号，则$CONDITIONS前必须加转义符，防止shell识别为自己的变量。

导入指定列：

$ bin/sqoop import \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--target-dir /user/company \--delete-target-dir \--num-mappers 1 \--fields-terminated-by "\t" \--columns id,sex \                       导入指定列--table staff尖叫提示：columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格像这种只是简单对列进行筛选的，用上面的方式就好，如果需要进行where之类的条件筛选，那么还是使用查询导入

使用sqoop关键字筛选查询导入数据：

sqoop import \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--target-dir /user/company \--delete-target-dir \--num-mappers 1 \--fields-terminated-by "\t" \--table staff \--where "id=2"                        这个其实相当于select中的where语句这个方式其实就相当于--query方式进行查询导入尖叫提示：在Sqoop中可以使用sqoop import -D property.name=property.value这样的方式加入执行任务的参数，多个参数用空格隔开。

3.1.2 RDBMS到hive

sqoop import \--connect jdbc:mysql://bigdata113:3306/Andy \--username root \--password 000000 \--table aca \--num-mappers 1 \--hive-import \                           指定导入到hive中--fields-terminated-by "\t" \             指定字段分隔符--hive-overwrite \                        覆盖导入--hive-table staff_hive                   指定导入到hive中的表尖叫提示1：从MYSQL到Hive，本质是从MYSQL => HDFS => load To Hive尖叫提示2：hive表不存在时，自动创建。表存在默认就会自动覆盖数据

3.2 导出数据

​ 在Sqoop中，"导出"概念指：从大数据集群（HDFS，HIVE，HBASE等）向非大数据集群（RDBMS）中传输数据，叫做：导出，即使用export关键字。

mysql创建aca表create table abc(id int,name VARCHAR(5));hive导入mysqlsqoop export \--connect jdbc:mysql://bigdata113:3306/test\--username root \--password 000000 \--export-dir /user/hive/warehouse/staff_hive \--table abc \--num-mappers 1 \--input-fields-terminated-by "\t"尖叫提示1：Mysql中如果表不存在，不会自动创建。表不存在会报错 尖叫提示2：数据是追加的，不是覆盖

3.3 脚本打包

使用opt格式文件打包sqoop命令，文件后缀必须是.opt

vi ./job_HDFS2RDBMS.opt#以下命令是从staff_hive中追加导入到mysql的aca表中# 格式基本上是 option /n valueexport--connectjdbc:mysql://bigdata113:3306/Andy--usernameroot--password000000--tableaca--num-mappers1--export-dir/user/hive/warehouse/staff_hive--input-fields-terminated-by"\t"格式必须验证按照上面的写，选项和参数各自独立一行

执行脚本：

sqoop --options-file job_HDFS2RDBMS.opt

四、sqoop常用参数

sqoop的用法其实是以 sqoop subcommand options 的形式的，有很多子命令，选项也有公有选项以及独有选项，下面看看每个子命令的用法

4.1 数据库连接参数

4.2 import公用参数

4.3 export公用参数

4.4hive的公用参数

4.5 import--导入到hadoop

​ 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。导入数据时，默认是追加的方式。

导入到hive中sqoop import \--connect jdbc:mysql://bigdata113:3306/Andy \--username root \--password 000000 \--table access \--hive-import \--fields-terminated-by "\t"

增量导入：
有几个关键参数

append模式：

sqoop import \--connect jdbc:mysql://bigdata113:3306/Andy \--username root \--password 000000 \--table aca \--num-mappers 1 \--fields-terminated-by "\t" \--target-dir /user/hive/warehouse/staff_hive \--check-column id \--incremental append \--last-value 10     在check-column指定的字段中，下一次导入的开始的行的id的值尖叫提示1：append不能与--hive-等参数同时使用尖叫提示2：如果 --last-value N , N > MYSQL中最大行数，则HDFS会创建一个空文件。如果N<=0 , 那么就是所有数据

lastmodified模式：

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://bigdata113:3306/company \--username root \--password 000000 \--table staff_timestamp \--delete-target-dir \--hive-import \--fields-terminated-by "\t" \--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://bigdata113:3306/company \--username root \--password 000000 \--table staff_timestamp \--check-column last_modified \--incremental lastmodified \   指定为lastmodified模式--m 1 \--last-value "2019-05-17 09:50:12" \--append    指定为追加模式尖叫提示1：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 COLUMN（合并）尖叫提示2：在Hive中，如果不指定输出路径，可以去看以下两个目录1.  /user/root（此为用户名）追加模式中会将文件输出到这里如果需要导入到hive中的表时，需要-target-dir 指定输出目录到hive的目录2.  /user/hive/warehouse  个人配置的目录，普通模式下会输出到这里尖叫提示3：last-value指定的值是会包含于增量导入的数据中注意：lastmodified模式下，如果不指定输出hdfs路径，就是输出到/user/root/TABLE_NAME/ 下，不会再 /user/hive/warehouse/ 下，这点要注意

Last-modified和append的区别：

1、append，在导入的新数据ID值是连续时采用，对数据进行附加 加不加-last-value的区别在于：数据是否冗余，如果不加，则会导入源表中的所有数据导致数据冗余。加了就表示将大于 last-value值的行导入，小于的就不导入。而且作为 -check-column的字段必须是可比较的类型，字符是不行的，通常是数字，比如表的主键id2、lastmodified，在源表中有数据更新的时候使用，检查列就必须是一个时间戳或日期类型的字段，更新完之后，last-value会被设置为执行增量导入时的当前系统时间，当使用-incremental lastmodified模式进行导入且导入目录已存在时，需要使用-merge-key或-append ，--merge-key会将所有的行根据指定的key进行合并导入>=last-value的值。--incremental lastmodified --check-column created --last-value '2012-02-01 11:0:00'就是只导入修改时间 比'2012-02-01 11:0:00'更大的数据，如果存在就覆盖。--append  就是将指定时间之后的数据追加，不会做覆盖

4.6 export导出数据到mysql

从HDFS（包括Hive和HBase）中将数据导出到关系型数据库中。

从hdfs导出到mysqlsqoop export \--connect jdbc:mysql://bigdata113:3306/Andy \--username root \--password 000000 \--export-dir /user/hive/warehouse/staff_hive \    hdfs导出路径--table aca \--num-mappers 1 \--input-fields-terminated-by "\t"

4.7 codegen--数据打包成jar

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。

sqoop codegen \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--table staff \--bindir /opt/Desktop/staff \    --class-name Staff \--fields-terminated-by "\t"用法和import类似，只是把import换成codegen，打包成jar，但是不执行。默认会在/tmp/sqoop-root/compile/[JOB_ID]/ 生成对应的jar包

常用参数：

4.8 create-hive-table创建hive表

用于单独创建hive表

sqoop create-hive-table \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--table staff \--hive-table hive_staff1     指定创建的表名

4.9 eval--在命令行下执行sql语句

​ 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。

sqoop eval \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--query "SELECT * FROM staff"             查询语句

4.10 import-all-tables导入所有表

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

bin/sqoop import-all-tables \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--hive-import \--fields-terminated-by "\t"

4.11 job生成sqoop任务

用来生成一个sqoop任务，生成后不会立即执行，需要手动执行。

生成job$ bin/sqoop job \ --create myjob -- import-all-tables \ --connect jdbc:mysql://bigdata113:3306/company \ --username root \ --password 000000显示job$ bin/sqoop job \--list执行job$ 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 执行的结果在HDFS：/user/root/ 目录中，即导出所有表到/user/root中

4.12 list-databases和list-tables

显示mysql库：

sqoop list-databases \--connect jdbc:mysql://bigdata113:3306/ \--username root \--password 000000

显示mysql表：

sqoop list-tables \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000

4.13 merge合并hdfs文件

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：注意:以下数据自己手动改成\t
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。

开始合并

创建JavaBean：将数据以及任务打包成jar包$ bin/sqoop codegen \--connect jdbc:mysql://bigdata113:3306/company \--username root \--password 000000 \--table staff \--bindir /opt/Desktop/staff \--class-name Staff \--fields-terminated-by "\t"开始合并：注：是hdfs路径，运行上面的jar包.记得将上面的数据文件上传到hdfs$ bin/sqoop merge \--new-data /test/new/ \--onto /test/old/ \--target-dir /test/merged \--jar-file /opt/Desktop/staff/Staff.jar \--class-name Staff \--merge-key id结果：1 AAA MALE2 BBB MALE3 CCC MALE4 DDD MALE6 DDD FEMALE

参数：