大数据高级开发工程师——大数据相关工具之一 Sqoop

文章目录

大数据相关工具
- Sqoop ETL工具
- - Sqoop简介
  - Sqoop1与Sqoop2架构对比
  - Sqoop安装部署
  - Sqoop的数据导入
  - - 1. 列出所有数据库
    - 2. 准备表数据
    - 3. 导入数据库表数据到HDFS
    - 4. 导入到HDFS指定目录
    - 5. 导入到hdfs指定目录并指定字段之间的分隔符
    - 6. 导入关系表到HIVE
    - 7. 导入关系表到hive并自动创建hive表
    - 8. 将mysql表数据导入到hbase当中去
    - 9. 导入表数据子集
    - 10. sql语句查找导入hdfs
    - 11. 增量导入
  - Sqoop的数据导出
  - - 1. 将数据从HDFS把文件导出到RDBMS数据库
  - Sqoop常用命令及参数详解
  - - 1. 常用命令列表
    - 2. 数据库连接公共参数
    - 3. import 公共参数
    - 4. export 公共参数
    - 5. hive 公共参数
    - 6. import 特有参数
    - 7. export 特有参数
    - 8. codegen 特有参数
    - 9. create-hive-table 特有参数
    - 10. eval 特有参数
    - 11. import-all-tables 特有参数
    - 12. job 特有参数
    - 13. list-databases 特有参数
    - 14. list-tables 特有参数
    - 15. merge 特有参数
    - 16. metastore 特有参数
  - Sqoop作业
  - - 1. 语法
    - 2. 创建作业(--create)
    - 3. 验证作业 (--list)
    - 4. 检查作业(--show)
    - 5. 执行作业 (--exec)

大数据相关工具 Sqoop ETL工具 Sqoop简介

Sqoop是apache旗下的一款 ”Hadoop和关系数据库之间传输数据”的工具
- 导入数据：将 MySQL、Oracle 导入数据到 Hadoop 的 HDFS、HIVE、Hbase 等数据存储系统
- 导出数据：从 Hadoop 的文件系统中导出数据到关系数据库

工作机制：
- 将导入和导出的命令翻译成mapreduce程序实现
- 在翻译出的mapreduce中主要是对inputformat和outputformat进行定制

Sqoop1与Sqoop2架构对比

sqoop在发展中的过程中演进出来了两种不同的架构——架构演变史

Sqoop1 架构：
- 版本号：1.4.x
- 使用 sqoop 客户端直接提交方式，CLI 控制台进行访问
- 安全性：命令或脚本中指定用户数据库名及密码

Sqoop2 架构：
- 版本号：1.99.x
- 引入了sqoop server，对connector实现了集中的管理，可以通过 REST API、 JAVA API、 WEB UI 以及CLI 控制台方式进行访问

比较	Sqoop1	Sqoop2
架构	仅仅使用一个 Sqoop 客户端	引入了 Sqoop Server 集中化管理连接，以及 rest api、web ui，引入安全机制
部署	简单，使用 root 权限安装，连接器必须符合 JDBC	架构稍复杂，配置部署更加繁琐
使用	命令方式容易出错，格式紧耦合，无法支持所有数据类型，安全机制不够完善，容易暴露密码	多种交互方式：命令行、WebUI、REST API，连接集中管理，完善的权限管理机制，connector仅仅负责数据的读写。

Sqoop安装部署

Sqoop安装很简单，解压好进行简单的修改就可以使用
安装包下载&解压

wget http://archive.apache.org/dist/sqoop/1.4.7/sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz
# 解压
tar -zxvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz -C /bigdata/install/

修改配置文件：

cd /bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0/conf
mv sqoop-env-template.sh sqoop-env.sh
vim sqoop-env.sh

# 根据自己实际的安装目录填写
#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/bigdata/install/hadoop-3.1.4
#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/bigdata/install/hadoop-3.1.4
#set the path to where bin/hbase is available
export Hbase_HOME=/bigdata/install/hbase-2.2.6
#Set the path to where bin/hive is available
export HIVE_HOME=/bigdata/install/hive-3.1.2
#Set the path for where zookeper config dir is
export ZOOCFGDIR=/usr/apps/zookeeper-3.4.14/conf

添加两个必要的jar包：将 java-json.jar，mysql-connector-java-5.1.38.jar 拷贝到sqoop的lib目录下

scp java-json.jar mysql-connector-java-5.1.38.jar hadoop@node03:/bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0/lib

配置 sqoop 的环境变量

sudo vim /etc/profile

export SQOOP_HOME=/bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0
export PATH=$PATH:$SQOOP_HOME/bin

source /etc/profile

执行命令sqoop help 命令，有warning日志

解决方案：

# pwd = /bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0
vim bin/configure-sqoop

再次执行命令sqoop help 命令，一切正常啦！

Sqoop的数据导入 1. 列出所有数据库

# 列出node03主机所有的数据库
sqoop list-databases --connect jdbc:mysql://node03:3306/ --username root --password 123456
# 查看某一个数据库下面的所有数据表
sqoop list-tables --connect jdbc:mysql://node03:3306/mysql --username root --password 123456

2. 准备表数据

初始化数据：

CREATE DATAbase `userdb` ;

USE `userdb`;

DROp TABLE IF EXISTS `emp`;

CREATE TABLE `emp` (
  `id` INT(11) DEFAULT NULL,
  `name` VARCHAR(100) DEFAULT NULL,
  `deg` VARCHAR(100) DEFAULT NULL,
  `salary` INT(11) DEFAULT NULL,
  `dept` VARCHAR(10) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=latin1;

INSERT  INTO `emp`(`id`,`name`,`deg`,`salary`,`dept`) VALUES (1201,'gopal','manager',50000,'TP'),(1202,'manisha','Proof reader',50000,'TP'),(1203,'khalil','php dev',30000,'AC'),(1204,'prasanth','php dev',30000,'AC'),(1205,'kranthi','admin',20000,'TP');

DROP TABLE IF EXISTS `emp_add`;

CREATE TABLE `emp_add` (
  `id` INT(11) DEFAULT NULL,
  `hno` VARCHAR(100) DEFAULT NULL,
  `street` VARCHAR(100) DEFAULT NULL,
  `city` VARCHAR(100) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=latin1;

INSERT  INTO `emp_add`(`id`,`hno`,`street`,`city`) VALUES (1201,'288A','vgiri','jublee'),(1202,'108I','aoc','sec-bad'),(1203,'144Z','pgutta','hyd'),(1204,'78B','old city','sec-bad'),(1205,'720X','hitec','sec-bad');

DROP TABLE IF EXISTS `emp_conn`;
CREATE TABLE `emp_conn` (
  `id` INT(100) DEFAULT NULL,
  `phno` VARCHAR(100) DEFAULT NULL,
  `email` VARCHAR(100) DEFAULT NULL,
  `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `is_delete` BIGINT(20) DEFAULT '1'
) ENGINE=INNODB DEFAULT CHARSET=latin1;

INSERT  INTO `emp_conn`(`id`,`phno`,`email`) VALUES (1201,'2356742','gopal@tp.com'),(1202,'1661663','manisha@tp.com'),(1203,'8887776','khalil@ac.com'),(1204,'9988774','prasanth@ac.com'),(1205,'1231231','kranthi@tp.com');

查看数据：

3. 导入数据库表数据到HDFS

使用sqoop命令导入、导出数据前，要先启动hadoop集群。下面的命令用于从MySQL数据库服务器中的emp表导入HDFS：

sqoop import --connect jdbc:mysql://node03:3306/userdb --password 123456 --username root --table emp -m 1
# 参数`--m 1`，表示只启动一个map task进行数据的导入

为了验证在HDFS导入的数据，可以使用以下命令查看导入的数据

hdfs dfs -ls /user/hadoop/emp

Found 2 items
-rw-r--r--   3 hadoop supergroup          0 2022-01-01 21:35 /user/hadoop/emp/_SUCCESS
-rw-r--r--   3 hadoop supergroup        381 2022-01-01 21:35 /user/hadoop/emp/part-m-00000

也可以到 hadoop web 页面查看：

如果要开启多个map task的话，需要在命令中添加--split-by column-name，如下，其中map个数为4

sqoop import --connect jdbc:mysql://node03:3306/userdb --password 123456 --username root --table emp -m 4 --split-by id

4. 导入到HDFS指定目录

在导入表数据到HDFS使用Sqoop导入工具，我们可以指定目标目录。
使用参数 --target-dir 来指定导出目的地，使用参数 --delete-target-dir 来判断导出目录是否存在，如果存在就删掉

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --delete-target-dir --table emp --target-dir /sqoop/emp -m 1

查看导出数据

hdfs dfs -text /sqoop/emp/part-m-00000

# 它会用逗号（，）分隔emp表的数据和字段
1201,gopal,manager,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1202,manisha,Proof reader,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

5. 导入到hdfs指定目录并指定字段之间的分隔符

使用参数 --fields-terminated-by 指定分隔符

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --delete-target-dir --table emp --target-dir /sqoop/emp2 -m 1 --fields-terminated-by 't'

再查看数据

hdfs dfs -text /sqoop/emp2/part-m-00000

# 它会用（t）分隔emp表的数据和字段
1201	gopal	manager	50000	TP	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1202	manisha	Proof reader	50000	TP	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1203	khalil	php dev	30000	AC	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1204	prasanth	php dev	30000	AC	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1
1205	kranthi	admin	20000	TP	2022-01-01 21:30:39.0	2022-01-01 21:30:39.0	1

6. 导入关系表到HIVE

将我们 mysql 表当中的数据直接导入到 hive 表中的话，需要将 hive 的一个叫做 hive-exec-3.1.2.jar 的 jar 包拷贝到 sqoop 的 lib 目录下

cp /bigdata/install/hive-3.1.2/lib/hive-exec-3.1.2.jar /bigdata/install/sqoop-1.4.7.bin__hadoop-2.6.0/lib/

准备 hive 表数据，进入 hive 客户端执行以下命令初始化数据

hive (default)> create database sqooptohive;
hive (default)> use sqooptohive;
hive (sqooptohive)> create external table emp_hive(id int,name string,deg string,salary int ,dept string) row format delimited fields terminated by '01';

开始使用 sqoop 导入：

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --fields-terminated-by '01' --hive-import --hive-table sqooptohive.emp_hive --hive-overwrite --delete-target-dir --m 1

在 hive 中查询数据：

select * from emp_hive;

7. 导入关系表到hive并自动创建hive表

可以通过命令来将我们的 mysql 的表直接导入到 hive 表当中去

# 通过这个命令，我们可以直接将我们mysql表当中的数据以及表结构一起倒入到hive当中去
sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_conn --hive-import -m 1 --hive-database sqooptohive

导入完成后，到 hive 查询数据：

select * from emp_conn;

8. 将mysql表数据导入到hbase当中去

sqoop1的最新版本1.4.7只与hbase 1.x相兼容，因此这里修改 sqoop 的配置文件 sqoop-env.sh，指定 hbase-2.2.2 版本的 Hbase
初始化 mysql 表数据

CREATE DATAbase IF NOT EXISTS library;
USE library;
CREATE TABLE book(
id INT(4) PRIMARY KEY NOT NULL AUTO_INCREMENT, 
NAME VARCHAR(255) NOT NULL, 
price VARCHAR(255) NOT NULL);
-- 插入数据
INSERT INTO book(NAME, price) VALUES('Lie Sporting', '30'); 
INSERT INTO book (NAME, price) VALUES('Pride & Prejudice', '70'); 
INSERT INTO book (NAME, price) VALUES('Fall of Giants', '50');

执行如下命令将 mysql 表当中的数据导入到Hbase当中去

sqoop import --connect jdbc:mysql://node03:3306/library --username root --password 123456 --table book --columns "id,name,price" --column-family "info" --hbase-create-table --hbase-row-key "id" --hbase-table "hbase_book" --num-mappers 1 --split-by id

Hbase当中查看表数据

hbase(main):057:0> scan 'hbase_book'
ROW           COLUMN+CELL                            
 1            column=info:name, timestamp=1550634017823, value=Lie Sporting   
 1            column=info:price, timestamp=1550634017823, value=30       
 2            column=info:name, timestamp=1550634017823, value=Pride & Prejudice 
 2            column=info:price, timestamp=1550634017823, value=70       
 3            column=info:name, timestamp=1550634017823, value=Fall of Giants  
 3            column=info:price, timestamp=1550634017823, value=50

9. 导入表数据子集

可以使用Sqoop工具导入表的“where”子句的一个子集，它执行在各自的数据库服务器相应的SQL查询，并将结果存储在HDFS的目标目录。
通过--where 参数来查找表 emp_add 当中 city 字段的值为 sec-bad 的所有数据导入到 hdfs 上面去

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_add --target-dir /sqoop/emp_add -m 1 --delete-target-dir --where "city = 'sec-bad'"

hdfs 查看数据

hdfs dfs -text /sqoop/emp_add/part-*

1202,108I,aoc,sec-bad,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,78B,old city,sec-bad,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,720X,hitec,sec-bad,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

10. sql语句查找导入hdfs

还可以通过 --query 参数来指定我们的 sql 语句，通过 sql 语句来过滤我们的数据进行导入

import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --delete-target-dir -m 1 --query 'select phno from emp_conn where 1=1 and  $CONDITIONS' --target-dir /sqoop/emp_conn

hdfs 查看数据

hdfs dfs -text /sqoop/emp_conn/part-*

2356742
1661663
8887776
9988774
1231231

注意：使用sql语句来进行查找是不能加参数–table，并且必须要添加where条件，并且where条件后面必须带一个$ConDITIONS 这个字符串，并且这个sql语句必须用单引号，不能用双引号。

11. 增量导入

在实际工作当中，数据的导入，很多时候都是只需要导入增量数据即可，并不需要将表中的数据全部导入到hive或者hdfs当中去。全部导入会出现重复的数据的状况，所以我们一般都是选用一些字段进行增量的导入，为了支持增量的导入，sqoop也给我们考虑到了这种情况并且支持增量的导入数据。
增量导入是仅导入新添加的表中的行的技术。
它需要添加 incremental，check-column 和 last-value 选项来执行增量导入。语法如下：

--incremental        			//基于递增列的增量导入           
--check-column  			//递增列
--last-value  	//阈值

方式一：使用上面的选项来实现
- 注意：增量导入的时候，一定不能加参数 --delete-target-dir 否则会报错

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --incremental append --check-column id --last-value 1202 -m 1 --target-dir /sqoop/increment

# 查看
hdfs dfs -text /sqoop/increment/part*

1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

方式二：通过 --where 条件来实现

sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --incremental append --where "create_time > '2021-12-30 00:00:00' and is_delete='1' and create_time < '2022-01-02 23:59:59'" --target-dir /sqoop/increment2 --check-column id --m 1

# 查看
hdfs dfs -text /sqoop/increment2/part*

1201,gopal,manager,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1202,manisha,Proof reader,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

Sqoop的数据导出 1. 将数据从HDFS把文件导出到RDBMS数据库

导出前，目标表必须存在于目标数据库中。
默认操作是将文件中的数据使用 INSERT 语句插入到表中，更新模式下，是生成 UPDATE 语句更新表数据。
数据是在HDFS当中的如下目录/sqoop/emp，数据内容如下：

1201,gopal,manager,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1202,manisha,Proof reader,50000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1203,khalil,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1204,prasanth,php dev,30000,AC,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1
1205,kranthi,admin,20000,TP,2022-01-01 21:30:39.0,2022-01-01 21:30:39.0,1

创建 mysql 表

use userdb;

CREATE TABLE `emp_out` (
 `id` INT(11) DEFAULT NULL,
 `name` VARCHAR(100) DEFAULT NULL,
 `deg` VARCHAR(100) DEFAULT NULL,
 `salary` INT(11) DEFAULT NULL,
 `dept` VARCHAR(10) DEFAULT NULL,
 `create_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,
 `update_time` TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
 `is_delete` BIGINT(20) DEFAULT '1' 
) ENGINE=INNODB DEFAULT CHARSET=utf8;

执行导出命令：

sqoop export --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_out --export-dir /sqoop/emp --input-fields-terminated-by ","

验证：去 mysql 表查询数据

Sqoop常用命令及参数详解 1. 常用命令列表

命令	类	说明
import	importTool	将数据导入到集群
export	ExportTool	将集群数据导出
codegen	CodeGenTool	获取数据库中某张表数据生成Java并打包Jar
create-hive-table	CreateHiveTableTool	创建Hive表
eval	evalSqlTool	查看SQL执行结果
import-all-tables	importAllTablesTool	导入某个数据库下所有表到HDFS中
job	JobTool	用来生成一个sqoop的任务，生成后，该任务并不执行，除非使用命令执行该任务。
list-databases	ListDatabasesTool	列出所有数据库名
list-tables	ListTablesTool	列出某个数据库下所有表
merge	MergeTool	将HDFS中不同目录下面的数据合在一起，并存放在指定的目录中
metastore	metastoreTool	记录sqoop job的元数据信息，如果不启动metastore实例，则默认的元数据存储目录为：~/.sqoop，如果要更改存储目录，可以在配置文件sqoop-site.xml中进行更改。
help	HelpTool	打印sqoop帮助信息
version	VersionTool	打印sqoop版本信息

2. 数据库连接公共参数

参数	说明
–connect	连接关系型数据库的URL
–connection-manager	指定要使用的连接管理类
–driver	JDBC的driver class
–help	打印帮助信息
–password	连接数据库的密码
–username	连接数据库的用户名
–verbose	在控制台打印出详细信息

3. import 公共参数

参数	说明
–enclosed-by	给字段值前后加上指定的字符
–escaped-by	对字段中的双引号加转义符
–fields-terminated-by	设定每个字段是以什么符号作为结束，默认为逗号
–lines-terminated-by	设定每行记录之间的分隔符，默认是n
–mysql-delimiters	Mysql默认的分隔符设置，字段之间以逗号分隔，行之间以n分隔，默认转义符是，字段值以单引号包裹。
–optionally-enclosed-by	给带有双引号或单引号的字段值前后加上指定字符。

4. export 公共参数

参数	说明
–input-enclosed-by	对字段值前后加上指定字符
–input-escaped-by	对含有转移符的字段做转义处理
–input-fields-terminated-by	字段之间的分隔符
–input-lines-terminated-by	行之间的分隔符
–input-optionally-enclosed-by	给带有双引号或单引号的字段前后加上指定字符

5. hive 公共参数

参数	说明
–hive-delims-replacement	用自定义的字符串替换掉数据中的rn和13 10等字符
–hive-drop-import-delims	在导入数据到hive时，去掉数据中的rn1310这样的字符
–map-column-hive	生成hive表时，可以更改生成字段的数据类型
–hive-partition-key	创建分区，后面直接跟分区名，分区字段的默认类型为string
–hive-partition-value	导入数据时，指定某个分区的值
–hive-home	hive的安装目录，可以通过该参数覆盖之前默认配置的目录
–hive-import	将数据从关系数据库中导入到hive表中
–hive-overwrite	覆盖掉在hive表中已经存在的数据
–create-hive-table	默认是false，即，如果目标表已经存在了，那么创建任务失败。
–hive-table	后面接要创建的hive表,默认使用MySQL的表名
–table	指定关系数据库的表名

6. import 特有参数

将关系型数据库中的数据导入到HDFS（包括Hive，Hbase）中，如果导入的是Hive，那么当Hive中没有对应表时，则自动创建。
1、导入数据到hive中：

sqoop import 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--table emp 
--hive-import

2、增量导入到hive中 mode=append

sqoop import 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--table emp 
--num-mappers 1 
--fields-terminated-by "t" 
--target-dir /user/hive/warehouse/emp 
--check-column id 
--incremental append 
--last-value 3

append不能与–hive-等参数同时使用（Append mode for hive imports is not yet supported. Please remove the parameter --append-mode）

3、增量导入数据到hdfs中，mode=lastmodified

# 先在mysql中建表并插入几条数据
create table company.staff_timestamp(id int(4), name varchar(255), sex varchar(255), last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);

insert into company.staff_timestamp (id, name, sex) values(1, 'AAA', 'female');
insert into company.staff_timestamp (id, name, sex) values(2, 'BBB', 'female');

# 先导入一部分数据
sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_conn --delete-target-dir --m 1

insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');

# 再增量导入一部分数据
sqoop import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp_conn --check-column last_modified --incremental lastmodified --last-value "2018-0-28 22:20:38" -m 1 --append

使用lastmodified方式导入数据要指定增量数据是要–append（追加）还是要–merge-key（合并）

–incremental lastmodified模式下，last-value指定的值是会包含于增量导入的数据中。

参数	说明
–append	将数据追加到HDFS中已经存在的DataSet中，如果使用该参数，sqoop会把数据先导入到临时文件目录，再合并。
–as-avrodatafile	将数据导入到一个Avro数据文件中
–as-sequencefile	将数据导入到一个sequence文件中
–as-textfile	将数据导入到一个普通文本文件中
–boundary-query	边界查询，导入的数据为该参数的值（一条sql语句）所执行的结果区间内的数据。
–columns	指定要导入的字段
–direct	直接导入模式，使用的是关系数据库自带的导入导出工具，以便加快导入导出过程。
–direct-split-size	在使用上面direct直接导入的基础上，对导入的流按字节分块，即达到该阈值就产生一个新的文件
–inline-lob-limit	设定大对象数据类型的最大值
–m或–num-mappers	启动N个map来并行导入数据，默认4个。
–query或–e	将查询结果的数据导入，使用时必须伴随参–target-dir，–hive-table，如果查询中有where条件，则条件后必须加上$CONDITIONS关键字
–split-by	按照某一列来切分表的工作单元，不能与–autoreset-to-one-mapper连用（请参考官方文档）
–table	关系数据库的表名
–target-dir	指定HDFS路径
–warehouse-dir	与14参数不能同时使用，导入数据到HDFS时指定的目录
–where	从关系数据库导入数据时的查询条件
–z或–compress	允许压缩
–compression-codec	指定hadoop压缩编码类，默认为gzip(Use Hadoop codec default gzip)
–null-string	string类型的列如果null，替换为指定字符串
–null-non-string	非string类型的列如果null，替换为指定字符串
–check-column
作为增量导入判断的列名
–incremental	mode：append或lastmodified
–last-value	指定某一个值，用于标记增量导入的位置

7. export 特有参数

从HDFS（包括Hive和Hbase）中将数据导出到关系型数据库中

sqoop export 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--table emp_add 
--export-dir /user/company 
--input-fields-terminated-by "t" 
--num-mappers 1

参数	说明
–direct	利用数据库自带的导入导出工具，以便于提高效率
–export-dir	存放数据的HDFS的源目录
-m或–num-mappers	启动N个map来并行导入数据，默认4个
–table	指定导出到哪个RDBMS中的表
–update-key	对某一列的字段进行更新操作
–update-mode	updateonly allowinsert(默认)
–input-null-string	请参考import该类似参数说明
–input-null-non-string	请参考import该类似参数说明
–staging-table	创建一张临时表，用于存放所有事务的结果，然后将所有事务结果一次性导入到目标表中，防止错误。
–clear-staging-table	如果第9个参数非空，则可以在导出操作执行前，清空临时事务结果表

8. codegen 特有参数

将关系型数据库中的表映射为一个Java类，在该类中有各列对应的各个字段

sqoop codegen 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--table emp_add 
--bindir /home/admin/Desktop/staff 
--class-name Staff 
--fields-terminated-by "t"

参数	说明
–bindir	指定生成的Java文件、编译成的class文件及将生成文件打包为jar的文件输出路径
–class-name	设定生成的Java文件指定的名称
–outdir	生成Java文件存放的路径
–package-name	包名，如com.z，就会生成com和z两级目录
–input-null-non-string	在生成的Java文件中，可以将null字符串或者不存在的字符串设置为想要设定的值（例如空字符串）
–input-null-string	将null字符串替换成想要替换的值（一般与5同时使用）
–map-column-java	数据库字段在生成的Java文件中会映射成各种属性，且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型，例如：–map-column-java id=long, name=String
–null-non-string	在生成Java文件时，可以将不存在或者null的字符串设置为其他值
–null-string	在生成Java文件时，将null字符串设置为其他值（一般与8同时使用）
–table	对应关系数据库中的表名，生成的Java文件中的各个属性与该表的各个字段一一对应

9. create-hive-table 特有参数

生成与关系数据库表结构对应的hive表结构

sqoop create-hive-table 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--table emp_add 
--hive-table emp_add

参数	说明
–hive-home	Hive的安装目录，可以通过该参数覆盖掉默认的Hive目录
–hive-overwrite	覆盖掉在Hive表中已经存在的数据
–create-hive-table	默认是false，如果目标表已经存在了，那么创建任务会失败
–hive-table	后面接要创建的hive表
–table	指定关系数据库的表名

10. eval 特有参数

可以快速的使用SQL语句对关系型数据库进行操作，经常用于在 import 数据之前，了解一下 SQL 语句是否正确，数据是否正常，并可以将结果显示在控制台。

sqoop eval 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--query "SELECT * FROM emp"

参数	说明
–query或–e	后跟查询的SQL语句

11. import-all-tables 特有参数

可以将RDBMS中的所有表导入到HDFS中，每一个表都对应一个HDFS目录

$ bin/sqoop import-all-tables 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--warehouse-dir /all_tables

参数	说明
–as-avrodatafile	这些参数的含义均和import对应的含义一致
–as-sequencefile
–as-textfile
–direct
–direct-split-size
–inline-lob-limit
–m或—num-mappers
–warehouse-dir
-z或–compress
–compression-codec

12. job 特有参数

用来生成一个sqoop任务，生成后不会立即执行，需要手动执行。

$ bin/sqoop job 
 --create myjob -- import-all-tables 
 --connect jdbc:mysql://node03:3306/userdb 
 --username root 
 --password 123456
$ bin/sqoop job 
--list
$ bin/sqoop job 
--exec myjob

注意 import-all-tables 和它左边的–之间有一个空格

如果需要连接metastore，则–meta-connect jdbc:hsqldb:hsql://node03:16000/sqoop

参数	说明
–create	创建job参数
–delete	删除一个job
–exec	执行一个job
–help	显示job帮助
–list	显示job列表
–meta-connect	用来连接metastore服务
–show	显示一个job的信息
–verbose	打印命令运行时的详细信息

在执行一个job时，如果需要手动输入数据库密码，可以做如下优化


	sqoop.metastore.client.record.password
	true
	If true, allow saved passwords in the metastore.

13. list-databases 特有参数

列出所有数据库名称

sqoop list-databases 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456

参数与公用参数一样

14. list-tables 特有参数

列出某个数据库下所有表

$ bin/sqoop list-tables 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456

**参数：**与公用参数一样

15. merge 特有参数

将HDFS中不同目录下面的数据合并在一起并放入指定目录中

# 数据准备
# 数据的列之间的分隔符应该为t，行与行之间的分割符为n
new_staff
1       AAA     male
2       BBB     male
3       CCC     male
4       DDD     male
old_staff
1       AAA     female
2       CCC     female
3       BBB     female
6       DDD     female

# 创建JavaBean
sqoop codegen 
--connect jdbc:mysql://node03:3306/userdb 
--username root 
--password 123456 
--table emp_conn 
--bindir /home/admin/Desktop/staff 
--class-name EmpConn 
--fields-terminated-by "t"

开始合并：

sqoop merge 
--new-data /test/new/ 
--onto /test/old/ 
--target-dir /test/merged 
--jar-file /home/admin/Desktop/staff/EmpConn.jar 
--class-name Staff 
--merge-key id

结果：

1	AAA	MALE
2	BBB	MALE
3	CCC	MALE
4	DDD	MALE
6	DDD	FEMALE

参数	说明
–new-data	HDFS 待合并的数据目录，合并后在新的数据集中保留
–onto	HDFS合并后，重复的部分在新的数据集中被覆盖
–merge-key
合并键，一般是主键ID
–jar-file	合并时引入的jar包，该jar包是通过Codegen工具生成的jar包
–class-name	对应的表名或对象名，该class类是包含在jar包中的
–target-dir	合并后的数据在HDFS里存放的目录

16. metastore 特有参数

记录了Sqoop job的元数据信息，如果不启动该服务，那么默认job元数据的存储目录为~/.sqoop，可在sqoop-site.xml中修改。

# 启动sqoop的metastore服务
sqoop metastore

参数	说明
–shutdown	关闭metastore

Sqoop作业

Sqoop作业：将事先定义好的数据导入导出任务按照指定流程运行

1. 语法

$ sqoop job (generic-args)  (job-args)    [-- [subtool-name] (subtool-args)]    
$ sqoop-job (generic-args)  (job-args)    [-- [subtool-name] (subtool-args)]

2. 创建作业(–create)

创建一个名为 myjob，可以从 RDBMS 表的数据导入到 HDFS 的作业。

sqoop job --create myjob -- import --connect jdbc:mysql://node03:3306/userdb --username root --password 123456 --table emp --delete-target-dir

3. 验证作业 (–list)

–list 参数用来验证保存的作业

sqoop job --list

4. 检查作业(–show)

–show 参数用于检查或验证特定的工作，及其详细信息

sqoop job --show myjob

5. 执行作业 (–exec)

–exec 选项用于执行保存的作业

sqoop job --exec myjob

大数据高级开发工程师——大数据相关工具之一 Sqoop

大数据系统相关栏目本月热门文章