Hadoop 之 Sqoop 安装配置与示例

Sqoop是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（例如 ： MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。Sqoop是为大数据集设计的。Sqoop支持增量更新，将新记录添加到最近一次的导出的数据源上，或者指定上次修改的时间戳。

接下来我们看一下如何安装与做简单示例

要安装Sqoop与简单应用，当然需要先安装好Hadoop，Hive, 相关的数据库，如Mysql,Sql Server

一、下载安装包

1、 下载地址：选择CDH相应版本下的

http://archive.cloudera.com/cdh5/cdh/5/

下载sqoop-1.4.5-cdh5.3.6.tar.gz安装包

2、解压sqoop-1.4.5-cdh5.3.6.tar.gz至指定目录，如：/opt

       mv sqoop-1.4.5-cdh5.3.6.tar.gz  /opt

       tar -zxvf sqoop-1.4.5-cdh5.3.6.tar.gz

二、配置环境变量

      /etc/profile

#sqoop enviroment 
export SQOOP_HOME=/opt/sqoop-1.4.5-cdh5.3.6
export PATH=$PATH:$SQOOP_HOME/bin

三、Sqoop配置项更改

 1、$HIVE_HOME/conf/hive-env.sh

  example,这里具体值是我本地测试目录，可自行更改，如果数据操作不涉及Hbase，那么相关Hbase的配置可以不配，如果没有独立的ZooKeeper集群，那么ZooKeeper不用配置

export HADOOP_COMMON_HOME=/opt/hadoop/hadoop-2.7.3
#Set path to where hadoop-*-core.jar is available
#export HADOOP_MAPRED_HOME=
export HADOOP_MAPRED_HOME=/opt/hadoop/hadoop-2.7.3

#set the path to where bin/hbase is available
#export HBASE_HOME=

#Set the path to where bin/hive is available
#export HIVE_HOME=
export HIVE_HOME=/opt/hive/apache-hive-2.1.1.bin

2、配置jdbc驱动包

下载mysql的jdbc驱动包mysql-connector-java-5.1.6-bin.jar放入sqoop的lib目录下$SQOOP_HOME/lib

下载sqlserver的jdbc驱动包sqljdbc4.jar放入sqoop的lib目录下$SQOOP_HOME/lib

四、连接数据库与表命令

    因本地Sql server数据库的表有数据，就以Sql Server为例，mysql相似

    1、连接数据库，查看数据库列表  

sqoop list-databases
 --connect 'jdbc:sqlserver://10.10.0.1:1433;instanceName=SQL2008;username=test;password=test;database=testDB'

  2、连接sqlserver列出数据库在表    

sqoop list-tables \
--connect
'jdbc:sqlserver:// 10.0.0.1:1433;instanceName=SQL2008;username=test;password=test;database=testDB’

  3、导入数据库中查询的结果到指定的hdfs中目录 

sqoop import \
--connect 'jdbc:sqlserver://10.0.0.1:1433;instanceName=SQL2008;username=test;password=test;database=TestDB' \
- -query 'select CustomerID,UserName from Customer where $CONDITIONS  ' \
--target-dir /user/hive/warehouse/tmp2 \
--num-mappers 1

 

可选参数

--table  //指定表名

--as-parquetfile //指定文件格式

--columns id,account  //指定表的列

指定压缩

--compress

--compression-codec org.apache.hadoop.io.compress.SnappyCodec

 --fields-terminated-by '\t'   //指定列的分隔符，这个很关键，在导入导出时最好指定

#增量导入

--incremental append

- -check-column id  //以哪个字段为依据，如id字段

--last-value 4

 

4、从sql server中导入到hive数据库中

sqoop import \
--connect 'jdbc:sqlserver://10.0.0.1:1433;instance=SQL2008;username=test;password=test;database=TestDB' \
--table Customer \
--fields-terminated-by ',' \
--num-mappers 1 \
--hive-import \
--hive-database mydatabase \
--hive-table test_table

 

5、从HDFS中将数据导入Sql Server数据库

sqoop export \
--connect 'jdbc:sqlserver://10.0.0.1:1433;instanceName=SQL2008;username=test;password=test;database=TestDB' \
--table ken_test \
--export-dir /user/hive/warehouse/tmp1/part-m-00000 \
--num-mappers 1

本人遇到的问题：

导出文件指定到文件名 Error :Verify the server and instance names and check that no firewall is blocking UDP traffic to port 1434

          当有多个数据库实例时，注意开放相应的端口

          如连接实例SQL2008，连接字符串中地址改为 sqlserver://10.0.0.1\SQL2008 

一直报错，导出不成功

ERROR tool.ExportTool: Error during export: Export job failed!

     最后通过表的每一个字段类型分析，主键的自增类型字段是否影响数据导入，测试结果，确实如此，不能对自增长类型字段直接赋值，当然是限于当前的环境

    若是我们在数据库客户端是可以这样操作的

 

附参数说明：

--append

添加到HDFS已存在数据记录中

 --as-sequencefile

import序列化的文件

 --as-textfile

 plain文件 ，默认

--columns <col,col,col…>

 指定列import，逗号分隔，如：--columns "id,name"

--delete-target-dir

若已存在的import目录，则删除

--direct

直连模式，速度更快（HBase不支持）

--fetch-size <n>

一次从数据库读取n条数据

-m,--num-mappers <n>

建立 n 个并发执行task import

 -e,--query <statement>

表达式<statement>执行，一般有条件查询数据时用

 --split-by <column-name>

根据column分隔实例

 --autoreset-to-one-mappe

如果没有主键和split-by参数  用one mapper import，此参数与split-by参数二选一

 --target-dir <d>

  HDFS中目标路径，如/user/hive/warehouse

 --warehouse-dir <d>

HDFS 中表的父级目录

 --where <where clause>

 指定where从句，如果有双引号，注意转义 \$CONDITIONS，一定要加上，不能用or，子查询，join

 -z,--compress

 开启压缩

 --null-string <null-string>

  string列为空指定为此值

 --null-non-string <null-string>

  非string列为空指定为此值，-null这两个参数可选 , 如果不设置，会指定为"null"

     --export-dir

     指定导出的文件位置，不是目录，具体化文件名