Hadoop和关系型数据库间的数据传输工具——Sqoop
一、Sqoop简介以及使用
1.1、产生背景
基于传统关系型数据库的稳定性，还是有很多企业将数据存储在关系型数据库中；早期由于工具的缺乏，Hadoop与传统数据库之间的数据传输非常困难。基于前两个方面的考虑，需要一个在传统关系型数据库和Hadoop之间进行数据传输的项目，Sqoop应运而生。
1.2、Sqoop是什么
Sqoop是一个用于Hadoop和结构化数据存储（如关系型数据库）之间进行高效传输大批量数据的工具。它包括以下两个方面：
- 可以使用Sqoop将数据从关系型数据库管理系统(如MySQL)导入到Hadoop系统(如HDFS、Hive、HBase)中
- 将数据从Hadoop系统中抽取并导出到关系型数据库(如MySQL)
常见数据库开源工具：
- sqoop
- datax
- kettle
- cannal
1.3、底层实现原理
Sqoop的核心设计思想是利用MapReduce加快数据传输速度。也就是说Sqoop的导入和导出功能是通过基于Map Task（只有map）的MapReduce作业实现的。所以它是一种批处理方式进行数据传输，难以实现实时的数据进行导入和导出。
官网介绍：
Apache Sqoop™ is a tool designed for efficiently transferring bulk
data between Apache Hadoop and structured datastores such as relational databases.
Sqoop结构图:
1.4、特点
- 优点：它可以将跨平台的数据进行整合。
- 缺点：它不是很灵活。
主要执行操作
sqoop的重要的几个关键词
- import ： 从关系型数据库到hadoop
- export ： 从hadoop到关系型数据库。
二、Sqoop的安装
注意：在安装sqoop之前要配置好本机的Java环境和Hadoop环境
先把spoop的安装包
sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz拷贝在系统目录下的 /root/soft下面
2.1、解压配置环境变量
# 解压tar.gz包
[root@master local] tar -zxvf /root/sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz -C /usr/local/
#把sqoop的安装路径修改为sqoop,方便以后配置和调用
[root@master local]# mv sqoop-1.4.7.bin__hadoop-2.6.0 sqoop
[root@master sqoop]# vim /etc/profile
# 追加内容如下:
export SQOOP_HOME=/usr/local/sqoop
export PATH=$SQOOP_HOME/bin:$PATH
2.2、新建配置文件
[root@master sqoop] mv ./conf/sqoop-env-template.sh ./conf/sqoop-env.sh
2.3、修改配置文件
配置文件：
[root@master sqoop] vim ./conf/sqoop-env.sh
按照本系统实际安装的Hadoop系列目录配置好下面的路径:
export HADOOP_COMMON_HOME=/usr/local/hadoop
export HADOOP_MAPRED_HOME=/usr/local/hadoop
export HIVE_HOME=/usr/local/hive
export ZOOCFGDIR=/usr/local/zookeeper
2.4、拷贝mysql驱动
因为我们现在通过JDBC让Mysql和HDFS等进行数据的导入导出,所以我们先必须把JDBC的驱动包拷贝到sqoop/lib路径下,如下
[root@master sqoop] cp /root/mysql-connector-java-5.1.18.jar ./lib/
2.5、验证安装：
#查看sqoop的版本
[root@master sqoop] sqoop version
三、Sqoop命令执行
3.1、常见命令执行参数
通过sqoop加不同参数可以执行导入导出,通过sqoop help 可以查看常见的命令行
#常见sqoop参数
[root@master sqoop] sqoop help
codegen Generate code to interact with database records
create-hive-table Import a table definition into Hive
eval Evaluate a SQL statement and display the results
export Export an HDFS directory to a database table #导出
help List available commands
import Import a table from a database to HDFS #导入
import-all-tables Import tables from a database to HDFS
import-mainframe Import mainframe datasets to HDFS
list-databases List available databases on a server
list-tables List available tables in a database
version Display version information
3.2、直接执行命令
Sqoop运行的时候不需要启动后台进程,直接执行sqoop命令加参数即可.简单举例如下:
# #通过参数用下面查看数据库
[root@master sqoop] sqoop list-databases --connect jdbc:mysql://node2:3306 --username root --password 123123;
3.3、通过文件传递参数(脚本)
在执行sqoop命令时,如果每次执行的命令都相似,那么把相同的参数可以抽取出来,放在一个文本文件中,把执行时的参数加入到这个文本文件为参数即可. 这个文本文件可以用--options-file来指定,平时可以用定时任务来执行这个脚本,避免每次手工操作.
把3.2章节中命令中的jdbc连接的参数一般是不变的,可以把它抽取出来放在一个文件中/.../sqoop/config.conf,如下:
list-databases
--connect
jdbc:mysql://localhost:3306
--username
root
--password
123123
那么上面的执行的命令就可以变为:
[root@master sqoop] bin/sqoop --options-file config.conf
为了让配置文件config.txt的可读性更强,可以加入空行和注释,不会影响文件内容的读取,如下:
# 指令: 列出mysql中的所有数据库
list-databases
# 指定连接字符串
--connect
jdbc:mysql://localhost:3306
--username
root
--password
123123
3.4、Import 详解
import是从关系数据库导入到Hadoop,下面是一些通用参数介绍:
3.4.1、通用参数
如下:
| Argument | Description |
|---|---|
| –connect | 指定JDBC连接字符串 |
--connection-manager |
指定连接管理类 |
--driver |
指定连接的驱动程序 |
-P |
从控制台读入密码(可以防止密码显示中控制台) |
| –password | 指定访问数据库的密码 |
| –username | 指定访问数据库的用户名 |
3.4.1.1、连接数据库
sqoop的设计就是把数据库数据导入HDFS，所以必须指定连接字符串才能访问数据库，这个连接字符串类似于URL，这个连接字符串通过--connect参数指定，它描述了连接的数据库地址和具体的连接数据库，譬如:
#指定连接的服务器地址是database.example.com ,要连接的数据库是employees
[root@master sqoop] sqoop import --connect jdbc:mysql://database.example.com/employees
上面连接命令只是指定数据库,默认情况下数据库都是需要用户名和参数的,在这里可以用--username 和--password来指定,譬如:
#指定用户名和密码来连接数据库
[root@master sqoop] sqoop import --connect jdbc:mysql://localhost:3306/mysql --username root --password 123123;
3.4.1.2、查看数据库
在Sqoop中,可以通过list-databases参数来查看mysql的数据库,这样在导入之前可以得到所有的数据库的名字,具体案例如下:
# 列出所有数据库
[root@master sqoop] bin/sqoop list-databases --connect jdbc:mysql://localhost:3306 --username root --password 123123;
3.4.1.3、查看所有表
在得到所有数据库的名字后，也可以查看当前数据库中的所有表，可以使用 list-tables参数来进行查看，查看的时候在url连接中一定要指定数据库的名字.
# 列出数据库中所有表
[root@master sqoop] bin/sqoop list-tables --connect jdbc:mysql://node2:3306/qfdb --username root --password 123123;
3.4.2、Import的控制参数
常见Import的控制参数有如下几个:
| Argument | Description |
|---|---|
--append |
通过追加的方式导入到HDFS |
--as-avrodatafile |
导入为 Avro Data 文件格式 |
--as-sequencefile |
导入为 SequenceFiles文件格式 |
--as-textfile |
导入为文本格式 (默认值) |
--as-parquetfile |
导入为 Parquet 文件格式 |
--columns |
指定要导入的列 |
--delete-target-dir |
如果目标文件夹存在,则删除 |
--fetch-size |
一次从数据库读取的数量大小 |
-m,--num-mappers |
n 用来指定map tasks的数量,用来做并行导入 |
-e,--query |
指定要查询的SQL语句 |
--split-by |
用来指定分片的列 |
--table |
需要导入的表名 |
--target-dir |
HDFS 的目标文件夹 |
--where |
用来指定导入数据的where条件 |
-z,--compress |
是否要压缩 |
--compression-codec |
使用Hadoop压缩 (默认是 gzip) |
3.4.2.1、指定表导入
数据准备
在本地mysql数据库中新建一个qfdb数据库,sql代码在data/qfdb.sql中,如下:
CREATE TABLE emp(
empno INT primary key,
ename VARCHAR(50),
job VARCHAR(50),
mgr INT,
hiredate DATE,
sal DECIMAL(7,2),
comm decimal(7,2),
deptno INT
) ;
INSERT INTO emp values(7369,'SMITH','CLERK',7902,'1980-12-17',800,NULL,20);
INSERT INTO emp values(7499,'ALLEN','SALESMAN',7698,'1981-02-20',1600,300,30);
INSERT INTO emp values(7521,'WARD','SALESMAN',7698,'1981-02-22',1250,500,30);
INSERT INTO emp values(7566,'JONES','MANAGER',7839,'1981-04-02',2975,NULL,20);
INSERT INTO emp values(7654,'MARTIN','SALESMAN',7698,'1981-09-28',1250,1400,30);
INSERT INTO emp values(7698,'BLAKE','MANAGER',7839,'1981-05-01',2850,NULL,30);
INSERT INTO emp values(7782,'CLARK','MANAGER',7839,'1981-06-09',2450,NULL,10);
INSERT INTO emp values(7788,'SCOTT','ANALYST',7566,'1987-04-19',3000,NULL,20);
INSERT INTO emp values(7839,'KING','PRESIDENT',NULL,'1981-11-17',5000,NULL,10);
INSERT INTO emp values(7844,'TURNER','SALESMAN',7698,'1981-09-08',1500,0,30);
INSERT INTO emp values(7876,'ADAMS','CLERK',7788,'1987-05-23',1100,NULL,20);
INSERT INTO emp values(7900,'JAMES','CLERK',7698,'1981-12-03',950,NULL,30);
INSERT INTO emp values(7902,'FORD','ANALYST',7566,'1981-12-03',3000,NULL,20);
INSERT INTO emp values(7934,'MILLER','CLERK',7782,'1982-01-23',1300,NULL,10);
sqoop的典型导入都是把关系数据库中的表导入到HDFS中,使用--table参数可以指定具体的表导入到hdfs,譬如用 --table emp,默认情况下是全部字段导入.如下:
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--target-dir hdfs://master:9000/sqoopdata/emp
--delete-target-dir
可以快速使用hdfs的命令查询结果
[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*
3.4.2.2、指定列导入
如果想导入某几列,可以使用 --columns,如下:
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--columns 'empno,mgr' \
--target-dir hdfs://master:9000/sqoopdata/emp \
--delete-target-dir
可以使用下面hdfs命令快速查看结果
[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*
3.4.2.3、指定条件导入
在导入表的时候,也可以通过指定where条件来导入,具体参数使用 --where,譬如要导入员工号大于7800的记录,可以用下面参数:
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--columns 'empno,mgr' \
--where 'empno>7800' \
--target-dir hdfs://master:9000/sqoopdata/5 \
--delete-target-dir
用命令查询结果:
[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*
结果如下:
7839,null
7844,7698
7876,7788
7900,7698
7902,7566
7934,7782
3.4.2.4、指定Sql导入
上面的可以通过表,字段，条件进行导入，但是还不够灵活，其实sqoop还可以通过自定义的sql来进行导入，可以通过--query 参数来进行导入，这样就最大化的用到了Sql的灵活性。如下:
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--query 'select empno,mgr,job from emp WHERE empno>7800 and $CONDITIONS' \
--target-dir hdfs://master:9000/sqoopdata/emp \
--delete-target-dir \
--split-by empno \
-m 1
注意：在通过--query来导入数据时，必须要指定--target-dir
如果你想通过并行的方式导入结果，每个map task需要执行sql查询语句的副本，结果会根据sqoop推测的边界条件分区。query必须包含$CONDITIONS。这样每个scoop程序都会被替换为一个独立的条件。同时你必须指定--split-by。分区 -m 1 是指定通过一个Mapper来执行流程
查询执行结果
[root@master sqoop]# hdfs dfs -cat /sqoopdata/emp/par*
结果如下:
7839,null,PRESIDENT
7844,7698,SALESMAN
7876,7788,CLERK
7900,7698,CLERK
7902,7566,ANALYST
7934,7782,CLERK
3.4.2.5、单双引号区别
在导入数据时,默认的字符引号是单引号,这样sqoop在解析的时候就安装字面量来解析,不会做转移:例如:
--query 'select empno,mgr,job from emp WHERE empno>7800 and $CONDITIONS' \
如果使用了双引号，那么Sqoop在解析的时候会做转义的解析，这时候就必须要加转义字符 \ 如下:
--query "select empno,mgr,job from emp WHERE empno>7800 and \$CONDITIONS" \
3.4.2.6、MySql缺主键问题
1、如果mysql的表没有主键，将会报错：
19/12/02 10:39:50 ERROR tool.ImportTool: Import
failed: No primary key could be found for table u1. Please specify one with
-- split-by or perform a sequential import with '-m 1'
解决方案:
通过 --split-by 来指定要分片的列
代码如下:
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--query 'select empno,mgr,job from emp WHERE empno>7800 and $CONDITIONS' \
--target-dir hdfs://master:9000/sqoopdata/emp \
--delete-target-dir \
--split-by empno \
-m 1
3.4.3、导入到Hive中
3.4.3.1、说明
Sqoop的导入工具的主要功能是将数据上传到HDFS中的文件中。如果您有一个与HDFS集群相关联的Hive，Sqoop还可以通过生成和执行CREATETABLE语句来定义Hive中的数据，从而将数据导入到Hive中。将数据导入到Hive中就像在Sqoop命令行中添加–hive-import选项。
如果Hive表已经存在，则可以指定--hive-overwrite选项，以指示必须替换单元中的现有表。在将数据导入HDFS或省略此步骤之后，Sqoop将生成一个Hive脚本，其中包含使用Hive的类型定义列的CREATE表操作，并生成LOAD Data INPATH语句将数据文件移动到Hive的仓库目录中。
在导入Hive之前先要配置Hadoop的Classpath才可以,否则会报类找不到错误,在/etc/profile末尾添加如下配置:
export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HIVE_HOME/lib/*
#刷新配置
source /etc/profile
3.4.3.2、参数说明
具体的参数如下:
| Argument | Description |
|---|---|
--hive-home |
覆盖环境配置中的$HIVE_HOME,默认可以不配置 |
| –hive-import | 指定导入数据到Hive中 |
--hive-overwrite |
覆盖当前已有的数据 |
--create-hive-table |
是否创建hive表,如果已经存在,则会失败 |
--hive-table |
设置要导入的Hive中的表名 |
3.4.3.3、实际导入案例
具体导入演示代码如下:
提示: 为了看到演示效果,可以先在Hive删除emp表
[root@master sqoop] bin/sqoop import --connect jdbc:mysql://node2:3306/qfdb \
--username root \
--password 123123 \
--table emp \
--hive-import \
--hive-overwrite \
--fields-terminated-by ',' \
-m 1
在Hive中查看表:
hive> show tables;
#结果如下:
OK
emp
可以在Hive中查看数据是否导入:
select * from emp;
#结果如下:
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20
7499 ALLEN SALESMAN 7698 1981-02-20 1600.0 300.0 30
7521 WARD SALESMAN 7698 1981-02-22 1250.0 500.0 30
7566 JONES MANAGER 7839 1981-04-02 2975.0 NULL 20
7654 MARTIN SALESMAN 7698 1981-09-28 1250.0 1400.0 30
7698 BLAKE MANAGER 7839 1981-05-01 2850.0 NULL 30
7782 CLARK MANAGER 7839 1981-06-09 2450.0 NULL 10
7788 SCOTT ANALYST 7566 1987-04-19 3000.0 NULL 20
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10
7844 TURNER SALESMAN 7698 1981-09-08 1500.0 0.0 30
7876 ADAMS CLERK 7788 1987-05-23 1100.0 NULL 20
7900 JAMES CLERK 7698 1981-12-03 950.0 NULL 30
7902 FORD ANALYST 7566 1981-12-03 3000.0 NULL 20
7934 MILLER CLERK 7782 1982-01-23 1300.0 NULL 10
四、Sqoop导入实战
4.1、Sqoop-import
案例1
表没有主键，需要指定map task的个数为1个才能执行
Sqoop导入原理:
Sqoop默认是并行的从数据库源导入数据。您可以使用-m或–num-mappers参数指定用于执行导入的map任务(并行进程)的数量。每个参数都取一个整数值，该整数值对应于要使用的并行度。默认情况下，使用四个任务。一些数据库可以通过将这个值增加到8或16来改善性能。
默认情况下，Sqoop将标识表中的主键id列用作拆分列。从数据库中检索分割列的高值和低值，map任务操作整个范围的大小均匀的组件。譬如ID的范围是0-800,那么Sqoop默认运行4个进程,通过执行
SELECT MIN(id), MAX(id) FROM emp找出id的范围,然后把4个任务的id设置范围是(0-200),(200-400),(400-600),(600-800)但是当一个表没有主键时,上面的切分就无法进行,sqoop导入时就会出错,这时候可以通过-m把mapper的数量设为1,只有也Mapper在运行,这时候就不需要切分,也可以避免主键不存在时候报错的问题.
#错误信息 ERROR tool.ImportTool: Import failed: No primary key could be found for table emp. Please specify one with --split-by or perform a sequential import with '-m 1'.
导入代码:
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp -m 1
4.2、DBMS-HDFS
案例2
表没有主键，使用–split-by指定执行split的字段
问题同上,如果表没有主键,那么还有个办法就是手工指定要拆分的列,通过
--split-by来指定
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--split-by empno \
--delete-target-dir \
--target-dir hdfs://master:9000/sqoopdata/emp
-- 出错
Caused by: java.sql.SQLException: null, message from server: "Host 'master' is not allowed to connect to this MySQL server"
解决方案：
先连接mysql：
[root@master sqoop]# mysql -uroot -p
(执行下面的语句 .:所有库下的所有表 %：任何IP地址或主机都可以连接)
mysql> GRANT ALL PRIVILEGES ON . TO 'root'@'%' IDENTIFIED BY 'mysql' WITH GRANT OPTION;
FLUSH PRIVILEGES;
grant all privileges on . to root@"localhost" identified by "mysql" with grant option;
FLUSH PRIVILEGES;
案例3:条件导入
需要导入的数据不是全部的，而是带条件导入
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--table emp \
--split-by empno \
--where 'empno > 7777' \
--target-dir hdfs://master:9000/sqoopdata/emp
案例4:部分字段导入
：要导入的数据，不想包含全部字段，只需要部分字段
[root@master sqoop] bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb \
--username root --password 123123 \
--split-by empno \
--query 'select empno,ename,job from emp where empno > 7777 and $CONDITIONS' \
--target-dir hdfs://master:9000/sqoopdata/7
4.3、DBMS-Hive
案例5：将数据导入到hive中
[root@master sqoop]# bin/sqoop import --connect jdbc:mysql://localhost:3306/qfdb --username root --password 123123 --table emp --hive-import -m 1
五、Sqoop导出
在Sqoop中,使用export进行导出,指的是从HDFS中导出数据到Mysql中：
1、构建mysql的表：
CREATE TABLE `u2` (
`id` int(11) DEFAULT NULL,
`age` int(11) DEFAULT '0'
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
CREATE TABLE `u3` (
`id` int(11) DEFAULT NULL,
`name` varchar(20) default NULL,
`age` int(11) DEFAULT '0'
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
2、HDFS导出到mysql
[root@master sqoop]# sqoop export --connect jdbc:mysql://master:3306/qfdb \
--username root \
--password root \
--table u2 \
--driver com.mysql.jdbc.Driver \
--export-dir '/1906sqoop/u2/*' \
-m 1
# 方法二：
先重新导入数据：
[root@master sqoop]# sqoop import --connect jdbc:mysql://master:3306/qfdb \
--username root \
--password root \
--query 'select id,name,age from stu where id > 6 and $CONDITIONS' \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir '/1906sqoop/u7' \
--split-by id \
-m 1 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '0'
导出语句：
[root@master sqoop]# sqoop export --connect jdbc:mysql://hadoop01:3306/qfdb \
--username root \
--password root \
--table u3 \
--driver com.mysql.jdbc.Driver \
--export-dir '/1906sqoop/u7/*' \
--input-fields-terminated-by '\t' \
--input-null-string '\\N' \
--input-null-non-string '\\N' \
-m 1
要注意以下问题
- mysql表的编码格式做为utf8，hdfs文件中的列数类型和mysql表中的字段数一样
- 导出暂不能由hbase表导出mysql关系型数据库中
--export-dir是一个hdfs中的目录，它不识别_SUCCESS文件- –query导入的时候注意设置问题。
- 导出数据中有些列值有"null"，会报没法解析
- 导出数据的类型需要和mysql中的一致(能自动转没有问题)
六、Sqoop的Job
6.1、增量导入数据
6.1.1、使用场景
- 经常被操作不断产生数据的表，建议增量。
- 当某表基数很大，但是变化很小，也建议增量
6.1.2、使用方式
- query where ： 能精确锁定数据范围
- –incremental ： 增量，最后记录值来做的
6.1.2.1、query where方式
通过查询具体日期的方式进行导入
新建一个脚本文件
[root@hadoop01 sqoop-1.4.7] vim ./import.sh
写入以下内容:
#!/bin/bash
# yesterday=`date -d "1 days ago" "+%Y-%m-%d"`
yesterday='2022-02-01'
sqoop import --connect jdbc:mysql://master:3306/sales_source \
--username root \
--password 123123 \
--query "select * from sales_order where DATE(order_date) = '${yesterday}' and \$CONDITIONS" \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir /user/hive/warehouse/sales_order/dt=${yesterday} \
--split-by id \
-m 1 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '0'
通过下面hdfs可以快速查询到结果:
[root@hadoop01 sqoop-1.4.7]# hdfs dfs -cat /user/hive/warehouse/sales_order/dt=2019-01-01/pa*
6.1.2.2 increment的append方式：
#将会手动维护last-value
[root@hadoop01 sqoop-1.4.7]# sqoop import --connect jdbc:mysql://master:3306/sales_source \
--username root \
--password root \
--table sales_order \
--driver com.mysql.jdbc.Driver \
--target-dir /user/hive/warehouse/sales_order1/dt=2019-12-30 \
--split-by id \
-m 1 \
--check-column order_number \
--incremental append \
--last-value 80000 \
--fields-terminated-by '\t' \
--null-string '\\N' \
--null-non-string '0'
使用下面命令查看:
[root@hadoop01 sqoop-1.4.7]# hdfs dfs -cat /user/hive/warehouse/sales_order1/dt=2019-12-30/pa*
6.2、Job操作
job的好处：
- 一次创建，后面不需要创建，可重复执行job即可
- 它可以帮我们记录增量导入数据的最后记录值
- job的元数据默认存储目录：$HOME/.sqoop/
- job的元数据也可以存储于mysql中。
sqoop提供一系列的job语句来操作sqoop。
$ sqoop job (generic-args) (job-args) [-- [subtool-name] (subtool-args)]
$ sqoop-job (generic-args) (job-args) [-- [subtool-name] (subtool-args)]
使用方法：
usage: sqoop job [GENERIC-ARGS] [JOB-ARGS] [-- [<tool-name>] [TOOL-ARGS]]
Job management arguments:
--create <job-id> Create a new saved job
--delete <job-id> Delete a saved job
--exec <job-id> Run a saved job
--help Print usage instructions
--list List saved jobs
--meta-connect <jdbc-uri> Specify JDBC connect string for the metastore
--show <job-id> Show the parameters for a saved job
--verbose Print more information while working
列出sqoop的job：
[root@master sqoop] sqoop job --list
创建一个sqoop的job：
[root@master sqoop]# sqoop job --create job1 -- import --connect jdbc:mysql://master:3306/qfdb \
--username root \
--password root \
--table u2 \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir '/sqoop/job/job1' \
--split-by id \
-m 1
执行sqoop的job：
#如报错json包找不到，则需要手动添加
sqoop job --exec job1
执行的时候回让输入密码：
输入该节点用户的对应的密码即可
# 1、配置客户端记住密码(sqoop-site.xml)追加
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
</property>
# 2、将密码配置到hdfs的某个文件，我们指向该密码文件
说明：在创建Job时，使用--password-file参数，而且非--passoword。主要原因是在执行Job时使用--password参数将有警告，并且需要输入密码才能执行Job。当我们采用--password-file参数时，执行Job无需输入数据库密码。
[root@master sqoop]# echo -n "root" > sqoop.pwd
[root@master sqoop]# hdfs dfs -rm sqoop.pwd /input/sqoop.pwd
[root@master sqoop]# hdfs dfs -put sqoop.pwd /input
[root@master sqoop]# hdfs dfs -chmod 400 /input/sqoop.pwd
[root@master sqoop]# hdfs dfs -ls /input
-r-------- 1 hadoop supergroup 6 2018-01-15 18:38 /input/sqoop.pwd
查看sqoop的job:
[root@master sqoop] sqoop job --show sq1
删除sqoop的job:
[root@master sqoop] sqoop job --delete sq1
问题:
1、创建job报错：19/12/02 23:29:17 ERROR sqoop.Sqoop: Got exception running Sqoop: java.lang.NullPointerException
java.lang.NullPointerException
at org.json.JSONObject.<init>(JSONObject.java:144)
解决办法：
添加java-json.jar包到sqoop的lib目录中。
如果上述办法没有办法解决，请注意hcatlog的版本是否过高，过高将其hcatlog包剔除sqoop的lib目录即可。
2、报错：Caused by: java.lang.ClassNotFoundException: org.json.JSONObject
解决办法：
添加java-json.jar包到sqoop的lib目录中。
6.3、metastore服务
metastore服务是元数据服务，用于存储sqoop的job相关信息，将信息保存于关系型数据库中。
优点：
- job信息更加有保障
- 多个client之间共享job信息。
（1）在MySQL中创建Sqoop的元数据存储数据库 （如果有root可以用root）
create database sqoop;
create user 'sqoop'@'%' identified by 'sqoop';
grant all privileges on sqoop.* to 'sqoop'@'%';
flush privileges;
（2）配置Sqoop的元数据存储参数
在$SQOOP_HOME/conf/sqoop-site.xml中添加以下的参数,在/code/sqoop-site.xml也可以查阅。
sqoop.metastore.server.location：指定元数据服务器位置，初始化建表时需要。
sqoop.metastore.client.autoconnect.url：客户端自动连接的数据库的URL。
sqoop.metastore.client.autoconnect.username：连接数据库的用户名。
sqoop.metastore.client.enable.autoconnect：启用客户端自动连接数据库。
sqoop.metastore.client.record.password：在数据库中保存密码，不需要密码即可执行sqoop job脚本。
sqoop.metastore.client.autoconnect.password：连接数据库的密码。
<property>
<name>sqoop.metastore.client.enable.autoconnect</name>
<value>false</value>
<description>If true, Sqoop will connect to a local metastore
for job management when no other metastore arguments are
provided.
</description>
</property>
<property>
<name>sqoop.metastore.client.autoconnect.url</name>
<value>jdbc:mysql://192.168.10.103:3306/sqoop</value>
</property>
<property>
<name>sqoop.metastore.client.autoconnect.username</name>
<value>root</value>
</property>
<property>
<name>sqoop.metastore.client.autoconnect.password</name>
<value>123456</value>
</property>
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
</property>
<property>
<name>sqoop.metastore.server.location</name>
<value>/usr/local/sqoop/sqoop-metastore/shared.db</value>
</property>
<property>
<name>sqoop.metastore.server.port</name>
<value>16000</value>
</property>
（3）重启Sqoop服务
保存配置并重启完成后，MySQL的sqoop库中有了一个名为SQOOP_ROOT的空表。
#启动：
[root@master sqoop]# sqoop metastore &
#查看进程：
[root@master sqoop]# jps
sqoop
#关闭：
[root@master sqoop]# sqoop metastore --shutdown
（4）预装载SQOOP表
insert into SQOOP_ROOT values (NULL, 'sqoop.hsqldb.job.storage.version', '0');
（5）job相关操作
[root@master sqoop]# sqoop job --list ###需要加--meta-connect
创建job:
[root@master sqoop]# sqoop job --create sq3 --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' -- import --connect jdbc:mysql://hadoop01:3306/test \
--username root \
--password root \
--table user_info \
--driver com.mysql.jdbc.Driver \
--delete-target-dir \
--target-dir '/1906sqoop/u9' \
--split-by id \
-m 1
列出job：
[root@master sqoop]# sqoop job --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' --list
执行job：
[root@master sqoop]# sqoop job --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' --exec sq3
执行job并打印详细信息：
[root@master sqoop]# sqoop job --meta-connect 'jdbc:mysql://master:3306/sqoop?user=root&password=root' --exec sq3 -verbose
此时并不会返回先前已经创建的myjob_incremental_import作业，因为此时MySQL中没有元数据信息。该命令执行完成后，MySQL的sqoop库中有了一个名为SQOOP_SESSIONS的空表，该表存储sqoop job相关信息。
（6）将表的存储引擎修改为MYISAM(如job信息存储到mysql的SQOOP_SESSIONS则不用执行如下)
alter table SQOOP_ROOT engine=myisam;
alter table SQOOP_SESSIONS engine=myisam;
因为每次执行增量抽取后都会更新last_value值，如果使用Innodb可能引起事务锁超时错误。
七、Sqoop优化
7.1、-m与split-by的优化
- 小量数据时(200M左右) :最好使用一一个map，快且减少小文件。
- 大量数据时:要特别考虑数据的特征，对于split- by最完美的情况是有一个:均匀分布的数字(如自增列)或时间字段，且这个字段还有索引(最好字段是int、tinyin)，这样在抽取时使得并发的每个sq1处理相近的数据量，并且sqoop附加的where条件可以使用索引。
- split-by id，-m 2， 数据量1-100。第 一个mapper:(0,50]第二个mapper: (50, 100],对于m要综合考虑数据量、I0、源数据库的性能、集群的资源等等。一种简单的考虑是最大不超过yarn.上分配给这个用户的vcore个数，最小“数据量/m”要够一个128MB的文件。如果条件允许可以先设置一个值跑着试试，然后观察源数据库负载、集群I0以及运行时长等，再进行相应调整。
7.2、 --fetch-size n
一次取mysq1中批量读取的数据条数。建议优化如下:
- 考虑一条数据的量。(如果2个字段和200个字段的–fetch-size不能一-样)
- 考虑数据库的性能
- 考虑网络速度
- 最好的状态是一 次–fetch-si ze能满足-一个mapper
相关文章
暂无评论...
致力于称为最好的程序员导航网站