Hadoop学习笔记—18.Sqoop框架学习

Hadoop学习笔记—18.Sqoop框架学习

一、Sqoop基础：连接关系型数据库与Hadoop的桥梁

1.1 Sqoop的基本概念　　

　　Hadoop正成为企业用于大数据分析的最热门选择，但想将你的数据移植过去并不容易。Apache Sqoop正在加紧帮助客户将重要数据从数据库移到Hadoop。随着Hadoop和关系型数据库之间的数据移动渐渐变成一个标准的流程，云管理员们能够 利用Sqoop的并行批量数据加载能力来简化这一流程，降低编写自定义数据加载脚本的需求。



　　Apache Sqoop（SQL-to-Hadoop） 项目旨在协助 RDBMS 与 Hadoop 之间进行高效的大数据交流。用户可以在 Sqoop 的帮助下，轻松地把关系型数据库的数据导入到 Hadoop 与其相关的系统 (如HBase和Hive)中；同时也可以把数据从 Hadoop 系统里抽取并导出到关系型数据库里。因此，可以说Sqoop就是一个桥梁，连接了关系型数据库与Hadoop。

1.2 Sqoop的基本机制

　　Sqoop中一大亮点就是可以通过hadoop的mapreduce把数据从关系型数据库中导入数据到HDFS。Sqoop架构非常简单，其整 合了Hive、Hbase和Oozie，通过map-reduce任务来传输数据，从而提供并发特性和容错。Sqoop的基本工作流程如下图所示：



　　Sqoop在import时，需要制定split-by参数。Sqoop根据不同的split-by参数值来进行切分，然后将切分出来的区域分配到不同map中。每个map中再处理数据库中获取的一行一行的值，写入到HDFS中[b](由此也可知，导入导出的事务是以Mapper任务为单位)。[/b]同 时split-by根据不同的参数类型有不同的切分方法，如比较简单的int型，Sqoop会取最大和最小split-by字段值，然后根据传入的 num-mappers来确定划分几个区域。 比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分别为1000和1，而num-mappers为2的话，则会分成两个区域 (1,500)和(501-100),同时也会分成2个sql给2个map去进行导入操作，分别为select XXX from table where split-by>=1 and split-by<500和select XXX from table where split-by>=501 and split-by<=1000。最后每个map各自获取各自SQL中的数据进行导入工作。

二、Sqoop实践：MySQL->HDFS/HDFS->MySQL

2.1 Sqoop的安装配置

　　（1）下载sqoop安装包：这里使用的是1.4.3版本，已经上传至网盘中（http://pan.baidu.com/s/1pJ7gfxh）

　　（2）解压sqoop安装包：tar -zvxf sqoop-1.4.3.bin__hadoop-1.0.0.tar.gz

　　（3）设置环境变量：vim /etc/profile ，增加以下内容


　　最后是环境变量生效：source /etc/profile

　　（4）将mysql的jdbc驱动mysql-connector-java-5.1.10.jar复制到sqoop项目的lib目录下：


　　（5）重命名配置文件：在${SQOOP_HOME}/conf中执行命令


　　（6）【可选】修改配置文件：vim sqoop-env.sh

2.2 数据导入：MySQL->HDFS

　　这里假设我们已经在hadoop-master服务器中安装了MySQL数据库服务，并使用默认端口3306。需要注意的是，sqoop的数据
库驱动driver默认只支持mysql和oracle，如果使用sqlserver的话，需要把sqlserver的驱动jar包放在sqoop的
lib目录下，然后才能使用drive参数。

　　（1）MySQL数据源：mysql中的hive数据库的TBLS表，这里使用学习笔记17《Hive框架学习》里边Hive的数据库表。



　　（2）使用import命令将mysql中的数据导入HDFS：

　　首先看看import命令的基本格式：


　　然后看看如何进行实战：这里将mysql中的TBLS表导入到hdfs中（默认导入目录是/user/<username>）


　　最后看看是否成功导入了HDFS中：可以看到TBLS表存入了多个map任务所生成的文件中



　　


　　（3）刚刚看到了默认是由多个map来进行处理生成，可以设置指定数量的map任务。又由于sqoop默认不是追加方式写入，还可以设置其为追加方式写入已有文件末尾：


　　（4）还可以将MySQL中的数据导入Hive中（你设定的hive在hdfs中的存储位置，我这里是/hive/）：


　　最后看看是否导入到了hive目录（/hive/）中：



　　（5）还可以对指定数据源进行增量导入：所谓增量打入，就是导入上一次导入后数据源新增的那部分数据，例如：上次导入的数据是id从1~100
的数据，那么这次就只导入100以后新增的数据，而不必整体导入，节省了导入时间。下面的命令以TBL_ID字段作为判断标准采用增量导入，并记录上一次
的最后一个记录是6，只导入6以后的数据即可。

2.3 数据导出：HDFS->MySQL

　　（1）既然要导出到MySQL，那么首先得要有一张接收从HDFS导出数据的表。这里为了示范，只创建一个最简单的数据表TEST_IDS，只有一个int类型的ID字段。



　　（2）使用export命令进行将数据从HDFS导出到MySQL中，可以看看export命令的基本格式：


　　（3）准备一个符合数据表规范的文件ids并上传到HDFS中，作为导出到MySQL的数据源：这个ids里边只有10个数字

1
2
3
4
5
6
7
8
9
10

　　（4）export实战：将HDFS中的ids导出到mysql中的TEST_IDS数据表中


　　最后查看是否导入到了mysql中的TEST_IDS数据表中：

2.4 创建job，运行job

　　刚刚我们使用了import和export命令进行了常规的导入导出操作，但是每次都要我们使用那么长的命令不太容易记忆。于是，我们可以将其创建为一个job，每次需要使用时只需要记住job名，运行job即可。

　　这里以导入为例，创建一个job名为myjob1的job：


　　可以通过命令查看是否存在job：sqoop job --list

　　执行刚刚创建的job：


　　但是，我们发现上面的设置后还需要我们输入密码，这样便无法做到真正的自动执行job。



　　于是，我们做一点小小的配置（hive-site.xml）修改：将下面的xml配置的注释移除即可

<!--  -->
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
<description>If true, allow saved passwords in the metastore.
</description>
</property>

　　移除之后，还需要将刚刚那个job删除掉，重新创建job后才可以无密码自动执行。

参考资料

（1）吴超，《Sqoop的安装与使用》：http://www.superwu.cn/2013/08/12/444/

（2）谈翔，《Apache Sqoop：云端大数据分析的关键一环》：http://www.searchcloudcomputing.com.cn/showcontent_86735.htm

（3）标点符，《Hadoop数据传输工具：Sqoop》：http://www.biaodianfu.com/sqoop.html

作者：周旭龙

出处：http://www.cnblogs.com/edisonchou/

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。