sqoop使用与原理

1、sqoop简介

    sqoop是一个用来将hadoop中hdfs和关系型数据库中的数据相互迁移的工具，可以将一个关系型数据库（mysql、oracle等）中的数据

    导入到hadoop的hdfs中，也可以将hdfs的数据导入到关系型数据库中。

2、sqoop的特点：

    sqoop的底层实现是mapreduce，所以sqoop依赖于hadoop,数据是并行导入的。

3、sqoop的安装和配置

    1)安装：

        解压缩sqoop-1.4.3.bin__hadoop-1.0.0.tar.gz，修改/etc/profile
将sqoop_home加入其中

        因为要链接数据库，所以要将数据库的驱动jar包拷贝到sqoop的lib文件夹子下

    2）配置：

        重命名配置文件

         
  mv sqoop-env-template.sh sqoop-env.sh

        修改文件内容（也可以不修改）：

        #Set
path to where bin/hadoop is available

export HADOOP_COMMON_HOME=/usr/local/hadoop/

#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/usr/local/hadoop

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

#Set the path to where bin/hive is available
export HIVE_HOME=/usr/local/hive

#Set the path for where zookeper config dir is
export ZOOCFGDIR=/usr/local/zk

4.sqoop的使用：

    第一类：数据库中的数据导入到HDFS上

sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123  

--table trade_detail --columns 'id, account, income, expenses'

指定输出路径、指定数据分隔符

sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123  

--table trade_detail --target-dir '/sqoop/td' --fields-terminated-by '\t'

指定Map数量 -m 

sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123 

--table trade_detail --target-dir '/sqoop/td1' --fields-terminated-by '\t' -m 2

增加where条件, 注意：条件必须用引号引起来

sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123  

--table trade_detail --where 'id>3' --target-dir '/sqoop/td2' 

增加query语句(使用 \ 将语句换行)

sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123 \

--query 'SELECT * FROM trade_detail where id > 2 AND $CONDITIONS' --split-by trade_detail.id --target-dir '/sqoop/td3'

注意：如果使用--query这个命令的时候，需要注意的是where后面的参数，AND $CONDITIONS这个参数必须加上

而且存在单引号与双引号的区别，如果--query后面使用的是双引号，那么需要在$CONDITIONS前加上\即\$CONDITIONS

如果设置map数量为1个时即-m 1，不用加上--split-by ${tablename.column}，否则需要加上

第二类：将HDFS上的数据导出到数据库中

sqoop export --connect jdbc:mysql://192.168.8.120:3306/itcast --username root --password 123 

--export-dir '/td3' --table td_bak -m 1 --fields-termianted-by '\t'

    
  第三类：使用sqoop导入数据到hive常用语句

            sqoop
import --connect jdbc:postgresql://ip/db_name--username user_name  --table table_name  --hive-import -m 5 

         
      内部执行实际分三部，1.将数据导入hdfs（可在hdfs上找到相应目录），2.创建hive表名相同的表，3，将hdfs上数据传入hive表中 

    

         
      sqoop根据postgresql表创建hive表 

         
      sqoop create-hive-table
--connect jdbc:postgresql://ip/db_name --username user_name  --table table_name  --hive-table      
       

         
      hive_table_name( --hive-partition-key
partition_name若需要分区则加入分区名称) 

         
      导入hive已经创建好的表中 

        
       sqoop import --connect
jdbc:postgresql://ip/db_name --username user_name  --table table_name  --hive-import -m 5 --hive-

         
      table hive_table_name
 (--hive-partition-key partition_name --hive-partition-value partititon_value); 

         
      使用query导入hive表 

         
      sqoop import --connect
jdbc:postgresql://ip/db_name --username user_name  --query "select ,* from retail_tb_order where      
      

         
      \$CONDITIONS"  --hive-import
-m 5 --hive-table hive_table_name  (--hive-partition-key partition_name --hive-partition-value      
 

         
      partititon_value); 

         
      注意：$CONDITIONS条件必须有，query子句若用双引号，则$CONDITIONS需要使用\转义，若使用单引号，则不需要转义。 

            

5.配置mysql远程连接

GRANT ALL PRIVILEGES ON itcast.* TO 'root'@'192.168.1.201' IDENTIFIED BY '123' WITH GRANT OPTION;
FLUSH PRIVILEGES; 

GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '123' WITH GRANT OPTION;
FLUSH PRIVILEGES

6.Sqoop原理（以import为例）

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。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。

7.mapreduce job所需要的各种参数在Sqoop中的实现

1) InputFormatClass
com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat
2) OutputFormatClass
1)TextFile
com.cloudera.sqoop.mapreduce.RawKeyTextOutputFormat
2)SequenceFile
org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat
3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroOutputFormat
3)Mapper
1)TextFile
com.cloudera.sqoop.mapreduce.TextImportMapper                 
2)SequenceFile
com.cloudera.sqoop.mapreduce.SequenceFileImportMapper        

3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroImportMapper
4)taskNumbers
1)mapred.map.tasks(对应num-mappers参数)   2)job.setNumReduceTasks(0);

8.实例讲解：

这里以命令行:import –connect jdbc:mysql://localhost/test  –username root –password 123456 –query “select sqoop_1.id as foo_id, sqoop_2.id as bar_id from sqoop_1 ,sqoop_2  WHERE $CONDITIONS” –target-dir /user/sqoop/test -split-by
sqoop_1.id   –hadoop-home=/home/hdfs/hadoop-0.20.2-CDH3B3  –num-mappers 2
注:红色部分参数，后接根据命令衍生的参数值
1）设置Input
DataDrivenImportJob.configureInputFormat(Job job, String tableName,String tableClassName, String splitByCol)
a)DBConfiguration.configureDB(Configuration conf, String driverClass,
     String dbUrl, String userName, String passwd, Integer fetchSize)
1).mapreduce.jdbc.driver.class com.mysql.jdbc.Driver
2).mapreduce.jdbc.url  jdbc:mysql://localhost/test              
3).mapreduce.jdbc.username  root
4).mapreduce.jdbc.password  123456
5).mapreduce.jdbc.fetchsize -2147483648
b)DataDrivenDBInputFormat.setInput(Job job,Class<? extends DBWritable> inputClass, String inputQuery, String inputBoundingQuery)
1)job.setInputFormatClass(DBInputFormat.class);                 2)mapred.jdbc.input.bounding.query SELECT MIN(sqoop_1.id), MAX(sqoop_2.id) FROM (select sqoop_1.id as foo_id, sqoop_2.id as bar_id from sqoop_1 ,sqoop_2  WHERE
 (1 = 1) ) AS t1
3)job.setInputFormatClass(com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat.class);
4)mapreduce.jdbc.input.orderby sqoop_1.id
c)mapreduce.jdbc.input.class QueryResult
d)sqoop.inline.lob.length.max 16777216

2）设置Output
ImportJobBase.configureOutputFormat(Job job, String tableName,String tableClassName)
a)job.setOutputFormatClass(getOutputFormatClass());                b)FileOutputFormat.setOutputCompressorClass(job, codecClass);
c)SequenceFileOutputFormat.setOutputCompressionType(job,CompressionType.BLOCK);
d)FileOutputFormat.setOutputPath(job, outputPath);
3）设置Map
DataDrivenImportJob.configureMapper(Job job, String tableName,String tableClassName)
     a)job.setOutputKeyClass(Text.class);
     b)job.setOutputValueClass(NullWritable.class);
c)job.setMapperClass(com.cloudera.sqoop.mapreduce.TextImportMapper);

4）设置task number
JobBase.configureNumTasks(Job job)
mapred.map.tasks 4
job.setNumReduceTasks(0);

9. 大概流程

1.读取要导入数据的表结构，生成运行类，默认是QueryResult，打成jar包，然后提交给Hadoop

2.设置好job，主要也就是设置好以上第六章中的各个参数
3.这里就由Hadoop来执行MapReduce来执行Import命令了，
1）首先要对数据进行切分，也就是DataSplit
DataDrivenDBInputFormat.getSplits(JobContext job)
2）切分好范围后，写入范围，以便读取
DataDrivenDBInputFormat.write(DataOutput output) 这里是lowerBoundQuery and  upperBoundQuery
3）读取以上2）写入的范围
DataDrivenDBInputFormat.readFields(DataInput input)
4）然后创建RecordReader从数据库中读取数据
DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)
5）创建Map
TextImportMapper.setup(Context context)
6）RecordReader一行一行从关系型数据库中读取数据，设置好Map的Key和Value，交给Map
DBRecordReader.nextKeyValue()
7）运行map
TextImportMapper.map(LongWritable key, SqoopRecord val, Context context)
最后生成的Key是行数据，由QueryResult生成，Value是NullWritable.get()