sqoop学习

最近学习了下这个导数据的工具，但是在export命令这里卡住了，暂时排不了错误。先记录学习的这一点吧

sqoop是什么

sqoop（sql-on-hadoop）：是用来实现结构型数据（如关系型数据库）和hadoop之间进行数据迁移的工具。它充分利用了mapreduce的并行特点以及批处理的方式加快数据的传输，同时也借助mapreduce实现了容错。

sqoop架构

1）sqoop目前有两个版本sqoop1（1.4.x）和sqoop2（1.99.x），这里安装的是sqoop1版本

2）sqoop1是由client端直接接入hadoop，任务通过解析生成对应的mapreduce执行

3）sqoop1架构图

4）导入（import）与导出（export） 导入：往hdfs上导数据 导出：从hdfs上导出去

导入流程： 1）读取要导入数据的表结构 2）读取参数，设置好job 3）调用mapreduce执行任务 ----a 首先要对数据进行切分 ----b 写入范围，以便读取 ----c 读取范围参数（第二步中设置的参数） ----d 创建RecordReader并从数据库中读取数据 ----e 创建map ----f 执行map

导出流程：导入过程的逆向过程

sqoop常用命令

命令初步认识

[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test'

注释：
sqoop：表示sqoop命令
import：表示导入
--connect jdbc:mysql://spark1:3306 ：表示告诉jdbc，连接mysql的url。这个是在hive的hive-site.xml中设置的
wujiadong：表示mysql数据库中的一个数据库
--username root: 连接mysql的用户名
--password xxx: 连接mysql的密码，我这里省略了
--table stud_info: 从mysql要导出数据的表名称
--fields-terminated-by '\t': 指定输出文件中的行的字段分隔符，我这没有写
-m 1 表示复制过程使用1个map作业，如果不写的话默认是4个map
注：因我安装mysql时没有设置密码，所以没有加密码项

我导数据时候有时遇到导入不成功，报10020端口连接不上，试试在namenode上执行命令： mr-jobhistory-daemon.sh start historyserver 之后再去导数据

1）version：显示sqoop版本

查看安装的sqoop版本
[root@spark1 ~]# sqoop version

2）help：查看sqoop帮助信息

[root@spark1 ~]# sqoop help

3）list-databases：打印出关系数据库所有的数据库名

显示出mysql数据库下所有数据库名
[root@spark1 sqoop]# sqoop list-databases --connect jdbc:mysql://spark1:3306 --username root

4）数据库连接参数

–connect <jdbc-uri> ：Jdbc连接url，示例如--connect jdbc:mysql://spark1:3306

–connection-manager ：指定要使用的连接管理类

–driver ：指定jdbc要使用的驱动类

-P ：从控制台读取输入的密码，注意P是大写的

–password ：Jdbc url中的数据库连接密码

–username ：Jdbc url中的数据库连接用户名

–verbose ：在控制台打印出详细运行信息

–connection-param-file ：一个记录着数据库连接参数的文件

4）list-tables：打印出关系数据库某一数据库的所有表名

显示mysql数据库中wujiadong这个数据库中所有的表名
[root@spark1 ~]# sqoop list-tables --connect jdbc:mysql://spark1:3306/wujiadong -username root

5）import：将数据库表的数据导入到hive中，如果在hive中没有对应的表，则自动生成与数据库表名相同的表

–append : 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，生成该文本文件后，可以在hive中通过sql语句查询出结果

–boundary-query : 边界查询，也就是在导入前先通过SQL查询得到一个结果集，然后导入的数据就是该结果集内的数据，格式如：–boundary-query ‘select id,creationdate from person where id = 3’，表示导入的数据为id=3的记录.注意查询的字段中不能有数据类型为字符串的字段，否则会报错：java.sql.SQLException: Invalid value for

–columns ： 指定要导入的字段值，格式如：–columns id,username

–query，-e<statement> ： 从查询结果中导入数据，该参数使用时必须指定–target-dir、–hive-table，在查询语句中一定要有where条件且在where条件中需要包含$CONDITIONS，示例：–query ‘select * from person where $CONDITIONS ‘ –target-dir /user/hive/warehouse/person –hive-table person

–split-by<column-name> ：表的列名，用来切分工作单元，一般后面跟主键ID

–table <table-name> ：关系数据库表名，数据从该表中获取

–target-dir <dir> ：指定hdfs路径

增量导入

–check-column (col)：用来作为判断的列名，如id
–incremental (mode)：append：追加，比如对大于last-value指定的值之后的记录进行追加导入。lastmodified：最后的修改时间，追加last-value指定的日期之后的记录
–last-value (value)：指定自从上次导入后列的最大值（大于该指定的值），也可以自己设定某一值

数据从mysql导入到hdfs

实例1：将mysql中wujiadong数据库中的表stud_info表中的数据导入到hdfs(--target-dir)

[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test'   如果这个目录存在会报错。
[root@spark1 ~]# hadoop fs -lsr /user/sqoop_test 导入成功后查看
[root@spark1 ~]# hadoop fs -cat /user/sqoop_test/part* 可以直接查看导入的数据。这里出现了中文乱码暂时不管，后面解决

如果执行之后不成功可以试试在命令后加上-m 1 只启动一个map

实例2：在1的基础上继续往这个文件中导入数据(append)

[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --append --target-dir 'hdfs://spark1:9000/user/sqoop_test'  可以看到比原来的多了解一个文件

实例3：在1基础上删除已存在文件并导入数据(--delete-target-dir)

[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test'   --delete-target-dir

实例4：增量导入数据到hdfs

实例5：指定条件导入(注意不能含中文)

[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test' -m 1 --where "stud_gend='M'" --append 

模糊查询
[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test' -m 1 --where "stud_code like '%201510%'" --append 

实例6：启用压缩

[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username http://www.90168.org/root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test' -m 1 --where "stud_gend='M'" --append -z
默认Gzip压缩；其它压缩方式用--compression-codec xxx

使用text命令查看压缩文件
[root@spark1 ~]# hadoop fs -text   /user/sqoop_test/part-m-00001.gz

实例7：导入空值（NULL）处理

字符串类型
[root@spark1 ~]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test' -m 1 --where "stud_gend='M'" --append --null-string "**"
非字符串类型
[root@spark1 hive_test]# sqoop import --connect jdbc:mysql://spark1:3306/wujiadong --username root --table stud_info --target-dir 'hdfs://spark1:9000/user/sqoop_test' -m 1 --where "stud_gend='M'" --append --null-string "**" --null-non-string "##"

实例8：sql导入

数据从mysql导入到hive

--hive-home <dir>：直接指定hive安装目录
--hive-import：使用默认分隔符导入hive
--hive-overwrite：覆盖掉在hive表中已经存在的数据
--create-hive-table：生成与关系数据库表的表结构对应的HIVE表。如果表不存在，则创建，如果存在，报错
--hive-table <table-name>：导入到hive指定的表，可以创建新表
--hive-drop-import-delims：入数据到hive时，删除字符串字段中的 \n, \r, and \01
--hive-delims-replacement：用自定义的字符串替换掉数据中的\n, \r, and \01等字符

--hive-partition-key：创建分区，后面直接跟分区名即可，创建完毕后，通过describe 表名可以看到分区名，默认为string型
--hive-partition-value <v>：该值是在导入数据到hive中时，与–hive-partition-key设定的key对应的value值
--map-column-hive <map>：生成hive表时，可以更改生成字段的数据类型，格式如：–map-column-hive LAST_ACCESS_TIME=string
--fields-terminated-by：指定分隔符(hive默认的分隔符是/u0001)

实例1 :将mysql数据库wujiadong1中的stud_info表中数据导入到hive总的stud_info1表中（该表未先创建）

[root@spark1 ~]# sqoop import --connect jdbc:mysql://192.168.220.144:3306/wujiadong1 --username root -table stud_info --hive-import -m 1 --hive-table stud_info1
没有指定导入到哪个数据库，默认导入到default数据库中

实例2：将mysql数据库wujiadong1中的stud_info表中数据导入到hive的sqoop_test数据库的stud_info表中（该表未先创建）

在hive中创建数据库sqoop_test
hive> create database sqoop_test;
使用sqoop创建表并导入表
[root@spark1 ~]# sqoop import --connect jdbc:mysql://192.168.220.144:3306/wujiadong1 --username root --table stud_info --hive-import -m 1 --hive-table sqoop_test.stud_info  #指定导入到那个数据库中
进入hive查看是否导入成功
hive> use sqoop_test;
hive> show tables;
hive> desc stud_info;
hive> select * from stud_info;

实例3：在2的基础上用--hive-overwrite覆盖导入

[root@spark1 ~]# sqoop import --connect jdbc:mysql://192.168.220.144:3306/wujiadong1 --username root --table stud_info --hive-import -m 1 --hive-table sqoop_test.stud_info --hive-overwrite
只覆盖数据，不覆盖表结构

实例4：使用非默认分隔符“,”分隔hive表字段

[root@spark1 ~]# sqoop import --connect jdbc:mysql://192.168.220.144:3306/wujiadong1 www.90168.org--username root --table stud_info --hive-import -m 1 --hive-table sqoop_test.stud_info1 --fields-terminated-by ","
hive> show create table stud_info1; 查看详细信息

实例5:增量导入

数据从mysql导入到hbase（学完hbase再学）

7）文件输出参数

–enclosed-by <char> : 给字段值前后加上指定的字符，比如双引号，示例：–enclosed-by ‘\”‘，显示例子：”3″,”jimsss”

–fields-terminated-by <char> : 设定每个字段是以什么符号作为结束的，默认是逗号，也可以改为其它符号

–lines-terminated-by <char> : 设定每条记录行之间的分隔符，默认是换行，但也可以设定自己所需要的字符串

–delete-target-dir : 每次运行导入命令前，若有就先删除target-dir指定的目录

6）export：从hdfs中导出数据到关系数据库中

--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

--update-key <col-name>:更新参考的列名称，多个列名使用逗号分隔

--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

```

参考资料1： sqoop中文手册

参考资料2： Sqoop导入关系数据库到Hive

参考资料3： sqoop安装文档

参考资料4： Sqoop之导入导出操作