您的位置：首页 > 运维架构

Sqoop-1.4.4工具import和export使用详解

2015-06-06 14:52 337 查看
Sqoop可以在HDFS/Hive和关系型数据库之间进行数据的导入导出，其中主要使用了import和export这两个工具。这两个工具非常强大，提供了很多选项帮助我们完成数据的迁移和同步。比如，下面两个潜在的需求：

业务数据存放在关系数据库中，如果数据量达到一定规模后需要对其进行分析或同统计，单纯使用关系数据库可能会成为瓶颈，这时可以将数据从业务数据库数据导入（import）到Hadoop平台进行离线分析。

对大规模的数据在Hadoop平台上进行分析以后，可能需要将结果同步到关系数据库中作为业务的辅助数据，这时候需要将Hadoop平台分析后的数据导出（export）到关系数据库。

这里，我们介绍Sqoop完成上述基本应用场景所使用的import和export工具，通过一些简单的例子来说明这两个工具是如何做到的。

工具通用选项

import和export工具有些通用的选项，如下表所示：
选项含义说明
--connect <jdbc-uri>
指定JDBC连接字符串
--connection-manager <class-name>
指定要使用的连接管理器类
--driver <class-name>
指定要使用的JDBC驱动类
--hadoop-mapred-home <dir>
指定$HADOOP_MAPRED_HOME路径
--help
打印用法帮助信息
--password-file
设置用于存放认证的密码信息文件的路径
-P
从控制台读取输入的密码
--password <password>
设置认证密码
--username <username>
设置认证用户名
--verbose
打印详细的运行信息
--connection-param-file <filename>
可选，指定存储数据库连接参数的属性文件
数据导入工具import

import工具，是将HDFS平台外部的结构化存储系统中的数据导入到Hadoop平台，便于后续分析。我们先看一下import工具的基本选项及其含义，如下表所示：
选项含义说明
--append
将数据追加到HDFS上一个已存在的数据集上
--as-avrodatafile
将数据导入到Avro数据文件
--as-sequencefile
将数据导入到SequenceFile
--as-textfile
将数据导入到普通文本文件（默认）
--boundary-query <statement>
边界查询，用于创建分片（InputSplit）
--columns <col,col,col…>
从表中导出指定的一组列的数据
--delete-target-dir
如果指定目录存在，则先删除掉
--direct
使用直接导入模式（优化导入速度）
--direct-split-size <n>
分割输入stream的字节大小（在直接导入模式下）
--fetch-size <n>
从数据库中批量读取记录数
--inline-lob-limit <n>
设置内联的LOB对象的大小
-m,--num-mappers <n>
使用n个map任务并行导入数据
-e,--query <statement>
导入的查询语句
--split-by <column-name>
指定按照哪个列去分割数据
--table <table-name>
导入的源表表名
--target-dir <dir>
导入HDFS的目标路径
--warehouse-dir <dir>
HDFS存放表的根路径
--where <where clause>
指定导出时所使用的查询条件
-z,--compress
启用压缩
--compression-codec <c>
指定Hadoop的codec方式（默认gzip）
--null-string <null-string>
果指定列为字符串类型，使用指定字符串替换值为null的该类列的值
--null-non-string <null-string>
如果指定列为非字符串类型，使用指定字符串替换值为null的该类列的值
下面，我们通过实例来说明，在实际中如何使用这些选项。

将MySQL数据库中整个表数据导入到Hive表

1
bin/sqoop
import
--connect
jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-
import
--
--default-character-
set
=utf-8
将MySQL数据库workflow中project表的数据导入到Hive表中。

将MySQL数据库中多表JION后的数据导入到HDFS

1
bin/sqoop
import
--connect
jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn -P --query
'SELECT
users.*, tags.tagFROM users JOIN tags ON (users.id= tags.user_id)WHERE $CONDITIONS'
--
split
-by
users
.
id
--target-
dir
/hive/tag_db/user_tags
-- --default-character-
set
=utf-8
这里，使用了
--query
选项，不能同时与
--table
选项使用。而且，变量$CONDITIONS必须在WHERE语句之后，供Sqoop进程运行命令过程中使用。上面的
--target-dir
指向的其实就是Hive表存储的数据目录。

将MySQL数据库中某个表的数据增量同步到Hive表

1
bin/sqoop
job --create your-
sync
-job
--
import
--connect
jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-
import
--incremental
append --check-column
id
--last-value
1 -- --default-character-
set
=utf-8
这里，每次运行增量导入到Hive表之前，都要修改
--last-value
的值，否则Hive表中会出现重复记录。

将MySQL数据库中某个表的几个字段的数据导入到Hive表

1
bin/sqoop
import
--connect
jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn --P --table tags --columns
'id,tag'
--create-hive-table
-target-
dir
/hive/tag_db/tags
-m 1 --hive-table tags --hive-
import
--
--default-character-
set
=utf-8
我们这里将MySQL数据库workflow中tags表的id和tag字段的值导入到Hive表tag_db.tags。其中
--create-hive-table
选项会自动创建Hive表，
--hive-import
选项会将选择的指定列的数据导入到Hive表。如果在Hive中通过SHOW
TABLES无法看到导入的表，可以在conf/hive-site.xml中显式修改如下配置选项：

1
<
property
>
2
<
name
>javax.jdo.option.ConnectionURL</
name
>
3
<
value
>jdbc:derby:;databaseName=hive_metastore_db;create=true</
value
>
4
</
property
>
然后再重新运行，就能看到了。

使用验证配置选项

1
sqoop
import
 
--connect
jdbc:mysql://db.foo.com/corp --table EMPLOYEES --validate --validator org.apache.sqoop.validation.RowCountValidator
--validation-threshold org.apache.sqoop.validation.AbsoluteValidationThreshold --validation-failurehandler org.apache.sqoop.validation.AbortOnFailureHandler
上面这个是官方用户手册上给出的用法，我们在实际中还没用过这个，有感兴趣的可以验证尝试一下。

数据导出工具export

export工具，是将HDFS平台的数据，导出到外部的结构化存储系统中，可能会为一些应用系统提供数据支持。我们看一下export工具的基本选项及其含义，如下表所示：
选项含义说明
--validate <class-name>
启用数据副本验证功能，仅支持单表拷贝，可以指定验证使用的实现类
--validation-threshold <class-name>
指定验证门限所使用的类
--direct
使用直接导出模式（优化速度）
--export-dir <dir>
导出过程中HDFS源路径
-m,--num-mappers <n>
使用n个map任务并行导出
--table <table-name>
导出的目的表名称
--call <stored-proc-name>
导出数据调用的指定存储过程名
--update-key <col-name>
更新参考的列名称，多个列名使用逗号分隔
--update-mode <mode>
指定更新策略，包括：updateonly（默认）、allowinsert
--input-null-string <null-string>
使用指定字符串，替换字符串类型值为null的列
--input-null-non-string <null-string>
使用指定字符串，替换非字符串类型值为null的列
--staging-table <staging-table-name>
在数据导出到数据库之前，数据临时存放的表名称
--clear-staging-table
清除工作区中临时存放的数据
--batch
使用批量模式导出
下面，我们通过实例来说明，在实际中如何使用这些选项。这里，我们主要结合一个实例，讲解如何将Hive中的数据导入到MySQL数据库。

首先，我们准备几个表，MySQL数据库为tag_db，里面有两个表，定义如下所示：

01
CREATE
 
TABLE
 
tag_db.users
(
02
id
INT
(11)
NOT
 
NULL
 
AUTO_INCREMENT,
03
name
 
VARCHAR
(100)
NOT
 
NULL
,
04
PRIMARY
 
KEY
 
(`id`)
05
)
ENGINE=InnoDB
DEFAULT
 
CHARSET=utf8;
06
07
CREATE
 
TABLE
 
tag_db.tags
(
08
id
INT
(11)
NOT
 
NULL
 
AUTO_INCREMENT,
09
user_id
INT
 
NOT
 
NULL
,
10
tag
VARCHAR
(100)
NOT
 
NULL
,
11
PRIMARY
 
KEY
 
(`id`)
12
)
ENGINE=InnoDB
DEFAULT
 
CHARSET=utf8;
这两个表中存储的是基础数据，同时对应着Hive中如下两个表：

01
CREATE
 
TABLE
 
users
(
02
id
INT
,
03
name
 
STRING
04
);
05
06
CREATE
 
TABLE
 
tags
(
07
id
INT
,
08
user_id
INT
,
09
tag
STRING
10
);
我们首先在上述MySQL的两个表中插入一些测试数据：

1
INSERT
 
INTO
 
tag_db.users(
name
)
VALUES
(
'jeffery'
);
2
INSERT
 
INTO
 
tag_db.users(
name
)
VALUES
(
'shirdrn'
);
3
INSERT
 
INTO
 
tag_db.users(
name
)
VALUES
(
'sulee'
);
4
5
INSERT
 
INTO
 
tag_db.tags(user_id,
tag)
VALUES
(1,
'Music'
);
6
INSERT
 
INTO
 
tag_db.tags(user_id,
tag)
VALUES
(1,
'Programming'
);
7
INSERT
 
INTO
 
tag_db.tags(user_id,
tag)
VALUES
(2,
'Travel'
);
8
INSERT
 
INTO
 
tag_db.tags(user_id,
tag)
VALUES
(3,
'Sport'
);
然后，使用Sqoop的import工具，将MySQL两个表中的数据导入到Hive表，执行如下命令行：

1
bin/sqoop
import --connect jdbc:mysql://10.95.3.49:3306/tag_db --table users --username shirdrn -P --hive-import
-- --default-character-set=utf-8
2
bin/sqoop
import --connect jdbc:mysql://10.95.3.49:3306/tag_db --table tags --username shirdrn -P --hive-import
-- --default-character-set=utf-8
导入成功以后，再在Hive中创建一个用来存储users和tags关联后数据的表：

1
CREATE
 
TABLE
 
user_tags
(
2
id
STRING,
3
name
 
STRING,
4
tag
STRING
5
);
执行如下HQL语句，将关联数据插入user_tags表：

1
FROM
 
users
u
JOIN
 
tags
t
ON
 
u.id=t.user_id
INSERT
 
INTO
 
TABLE
 
user_tags
SELECT
 
CONCAT(
CAST
(u.id
AS
 
STRING),
CAST
(t.id
AS
 
STRING)),
u.
name
,
t.tag;
将users.id与tags.id拼接的字符串，作为新表的唯一字段id，name是用户名，tag是标签名称。

再在MySQL中创建一个对应的user_tags表，如下所示：

1
CREATE
 
TABLE
 
tag_db.user_tags
(
2
id
varchar
(200)
NOT
 
NULL
,
3
name
 
varchar
(100)
NOT
 
NULL
,
4
tag
varchar
(100)
NOT
 
NULL
5
);
使用Sqoop的export工具，将Hive表user_tags的数据同步到MySQL表tag_db.user_tags中，执行如下命令行：

1
bin/sqoop
export
 
--connect
jdbc:mysql://10.95.3.49:3306/tag_db --username shirdrn --P --table user_tags--
export
-
dir
 
/hive/user_tags
--input-fields-terminated-by
'\001'
 
--
--default-character-
set
=utf-8
执行导出成功后，可以在MySQL的tag_db.user_tags表中看到对应的数据。

如果在导出的时候出现类似如下的错误：

查看源代码

打印帮助

01
14/02/27
17:59:06 INFO mapred.JobClient: Task Id : attempt_201402260008_0057_m_000001_0, Status : FAILED
02
java.io.IOException:
Can't export data, please check task tracker logs
03
at
org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:112)
04
at
org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:39)
05
at
org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:145)
06
at
org.apache.sqoop.mapreduce.AutoProgressMapper.run(AutoProgressMapper.java:64)
07
at
org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:764)
08
at
org.apache.hadoop.mapred.MapTask.run(MapTask.java:364)
09
at
org.apache.hadoop.mapred.Child$4.run(Child.java:255)
10
at
java.security.AccessController.doPrivileged(Native Method)
11
at
javax.security.auth.Subject.doAs(Subject.java:396)
12
at
org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1190)
13
at
org.apache.hadoop.mapred.Child.main(Child.java:249)
14
Caused
by: java.util.NoSuchElementException
15
at
java.util.AbstractList$Itr.next(AbstractList.java:350)
16
at
user_tags.__loadFromFields(user_tags.java:225)
17
at
user_tags.parse(user_tags.java:174)
18
at
org.apache.sqoop.mapreduce.TextExportMapper.map(TextExportMapper.java:83)
19
...
10 more
通过指定字段分隔符选项
--input-fields-terminated-by
，指定Hive中表字段之间使用的分隔符，供Sqoop读取解析，就不会报错了。
                                            

                                        

                        
                        内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息 
                    

                    

                    

                        

                         标签： 
                                                

                        

                    


                

            


            

                
相关文章推荐

                

                
            

        

        

            

            
            

                

                    
新的分享

                    

                        
                    

                

            


            

                

                    
章节导航