欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

跨库数据迁移利器 —— Sqoop

程序员文章站 2022-04-10 15:41:29
一、Sqoop 基本命令 1. 查看所有命令 2. 查看某条命令的具体使用方法 二、Sqoop 与 MySQL 1. 查询MySQL所有数据库 通常用于 Sqoop 与 MySQL 连通测试: 2. 查询指定数据库中所有数据表 三、Sqoop 与 HDFS 3.1 MySQL数据导入到HDFS 1. ......

一、sqoop 基本命令

1. 查看所有命令

# sqoop help
跨库数据迁移利器 —— Sqoop


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
跨库数据迁移利器 —— Sqoop


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 <column-name> 指明拆分数据的参考列。
跨库数据迁移利器 —— Sqoop

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。

跨库数据迁移利器 —— Sqoop


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;
跨库数据迁移利器 —— Sqoop

3. 可能出现的问题

跨库数据迁移利器 —— Sqoop


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:

跨库数据迁移利器 —— Sqoop

这里可以查看一下这个目录,文件结构如下:

跨库数据迁移利器 —— Sqoop

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

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:

跨库数据迁移利器 —— Sqoop

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器的地方,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<mapping> :重写 sql 到 java 类型的映射;
  • --map-column-hive <mapping> : 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)

更多大数据系列文章可以参见 github 开源项目大数据入门指南