Sqoop应用案例

测试数据准备

Mysql创建新数据库

1 2	-- 用于在 Mysql 中生成测试数据 CREATE DATABASE sqoop;

连接新建的数据库,并执行以下语句

CREATE TABLE sqoop.goodtbl(
  gname varchar(50),
  serialNumber int,
  price int,
  stock_number int,
  create_time date
);

DROP FUNCTION IF EXISTS `rand_string`;
DROP PROCEDURE IF EXISTS `batchInsertTestData`;

-- 替换语句默认的执行符号，将；替换成 //
DELIMITER //

CREATE FUNCTION `rand_string` (n INT) RETURNS VARCHAR(255) CHARSET 'utf8'
BEGIN
  DECLARE char_str varchar(200) DEFAULT '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ';
  DECLARE return_str varchar(255) DEFAULT '';
  DECLARE i INT DEFAULT 0;
  WHILE i < n DO
    SET return_str = concat(return_str, substring(char_str, FLOOR(1 + RAND()*36), 1));
    SET i = i+1;
  END WHILE;
  RETURN return_str;
END
//

-- 第一个参数表示：序号从几开始；第二个参数表示：插入多少条记录
CREATE PROCEDURE `batchInsertTestData` (m INT, n INT)
BEGIN
  DECLARE i INT DEFAULT 0;
  WHILE i < n DO
    insert into goodtbl (gname, serialNumber, price, stock_number, create_time) values (rand_string(6), i+m, ROUND(RAND()*100), FLOOR(RAND()*100), now());
    SET i = i+1;
  END WHILE;
END
//

DELIMITER ;

执行存储过程插入数据

1	call batchInsertTestData(1, 100);

以下案例需要启动：HDFS、YARN、MySQL 对应的服务；

导入是指：从关系型数据库向大数据集群（HDFS、HIVE、HBASE）传输数据；使用import关键字；

导出是指：从大数据集群向关系型数据库传输数据；使用export关键字；

导入数据

MySQL 到 HDFS

1. 导入全部数据

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"

target-dir：将数据导入 HDFS 的路径；
delete-target-dir：如果目标文件夹在 HDFS 上已经存在，那么再次运行就会报错。可以使用–delete-target-dir来先删除目录。也可以使用 append 参数，表
示追加数据；
num-mappers：启动多少个Map Task；默认启动4个Map Task；也可以写成 -m 1
fields-terminated-by：HDFS文件中数据的分隔符；

2. 导入查询数据

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--append \
-m 1 \
--fields-terminated-by "\t" \
--query 'select gname, serialNumber, price, stock_number, create_time from goodtbl where price>88 and $CONDITIONS;'

查询语句的where子句中必须包含 ‘$CONDITIONS’
如果query后使用的是双引号，则$CONDITIONS前必须加转移符，防止shell识别为自己的变量

3. 导入指定的列

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns gname,serialNumber,price \
--table goodtbl

columns中如果涉及到多列，用逗号分隔，不能添加空格

4. 导入查询数据(使用关键字)

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
-m 1 \
--fields-terminated-by "\t" \
--table goodtbl \
--where "price>=68"

5. 启动多个Map Task导入数据

# 给 goodtbl 表增加主键
alter table goodtbl add primary key(serialNumber);

# 在 goodtbl 中增加数据
call batchInsertTestData(100,1000000);

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--fields-terminated-by "\t" \
--table goodtbl \
--split-by gname

使用多个 Map Task 进行数据导入时，sqoop 要对每个Task的数据进行分区

如果 MySQL 中的表有主键，指定 Map Task 的个数就行
如果 MySQL 中的表没有主键，要使用 split-by 指定分区字段
如果分区字段是字符类型，使用 sqoop 命令的时候要添加：-Dorg.apache.sqoop.splitter.allow_text_splitter=true。即

sqoop import
- Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://Liunx123:3306/sqoop \
... ...

查询语句的where子句中的 ‘$CONDITIONS’ ，也是为了做数据分区使用的，即使只有1个Map Task

sqoop import \
-Dorg.apache.sqoop.splitter.allow_text_splitter=true \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--target-dir /root/lagou \
--delete-target-dir \
--fields-terminated-by "\t" \
--table goodtbl \
--split-by gname

MySQL 到 Hive

在 hive 中创建表

CREATE TABLE mydb.goodtbl(
  gname string,
  serialNumber int,
  price int,
  stock_number int,
  create_time date
);

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--create-hive-table \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table mydb.goodtbl \
-m 1

hive-import。必须参数，指定导入hive
hive-database。Hive库名(缺省值default)
hive-table。Hive表名
fields-terminated-by。Hive字段分隔符
hive-overwrite。覆盖中已经存在的数据
create-hive-table。创建好 hive 表，但是表可能存在错误。不建议使用这个参数，建议提前建好表

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table mydb.goodtbl \
-m 1

导出数据

Hive/HDFS到RDBMS

MySQL表需要提前创建

# 提前创建表
CREATE TABLE sqoop.goodtbl2(
  gname varchar(50),
  serialNumber int,
  price int,
  stock_number int,
  create_time date
);

# 执行导出
sqoop export \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl2 \
--num-mappers 1 \
--export-dir /user/hive/warehouse/mydb.db/goodtbl \
--input-fields-terminated-by "\t"

增量数据导入

变化数据捕获(CDC)

前面都是执行的全量数据导入。如果数据量很小，则采取完全源数据抽取；如果源数据量很大，则需要抽取发生变化的数据，这种数据抽取模式叫做变化数据捕获，简称CDC(Change Data Capture)。

CDC大体分为两种：侵入式和非侵入式。侵入式指CDC操作会给源系统带来性能影响，只要CDC操作以任何一种方式对源数据库执行了SQL操作，就认为是侵入式的。

常用的4种CDC方法是(前三种是侵入式的)：

基于时间戳的CDC。抽取过程可以根据某些属性列来判断哪些数据是增量的，最常见的属性列有以下两种：

时间戳：最好有两个列，一个插入时间戳，表示何时创建，一个更新时间戳，表示最后一次更新的时间；时间戳的CDC是最简单且常用的，但是有如下缺点：

不能记录删除记录的操作
无法识别多次更新
不具有实时能力
序列：大多数数据库都提供自增功能，表中的列定义成自增的，很容易地根据该列识别新插入的数据；

基于触发器的CDC。当执行INSERT、UPDATE、DELETE这些SQL语句时，激活数据库里的触发器，使用触发器可捕获变更的数据，并把数据保存在中间临时表里。然后这些变更数据再从临时表取出。大多数场合下，不允许向操作型数据库里添加触发器，且这种方法会降低系统性能，基本不会被采用；

基于快照的CDC。可以通过比较源表和快照表来获得数据变化。基于快照的CDC可以检测到插入、更新和删除的数据，这是相对于基于时间戳的CDC方案的优点。其缺点是需要大量存储空间来保存快照；

基于日志的CDC。最复杂的和没有侵入性的CDC方法是基于日志的方式。数据库会把每个插入、更新、删除操作记录到日志里。解析日志文件，就可以获取相关信息。每个关系型数据库日志格式不一致，没有通用的产品。阿里巴巴的canal可以完成MySQL日志文件解析。

基于时间戳的CDC

增量导入数据分为两种方式：

基于递增列的增量数据导入（Append方式）
基于时间列的数据增量导入（LastModified方式）

Append方式

1. 准备初始数据

-- 删除 MySQL 表中的全部数据
truncate table sqoop.goodtbl;

-- 删除 Hive 表中的全部数据
truncate table mydb.goodtbl;

-- 向MySQL的表中插入100条数据
call batchInsertTestData(1, 100);

2. 将数据导入Hive

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 50 \
-m 1

check-column 用来指定一些列（即可以指定多个列），这些列在增量导入时用来检查这些数据是否作为增量数据进行导入，和关系型数据库中的自增字段及时间戳类似。这些被指定的列的类型不能使任意字符类型，如char、varchar等类型都不可以
last-value 指定上一次导入中检查列指定字段最大值

3. 检查hive表中是否有数据，有多少条数据

select count(1) from mydb.goodtbl;  
OK
_c0
50

4. 再向MySQL中加入1000条数据，编号从200开始

1	call batchInsertTestData(200, 1000);

5. 再次执行增量导入，将数据从 MySQL 导入 Hive 中；此时要将 last-value 改为100

sqoop import \
--connect jdbc:mysql://Linux123:3306/sqoop \
--username hive \
--password 12345678 \
--table goodtbl \
--incremental append \
--hive-import \
--fields-terminated-by "\t" \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 100 \
-m 1

6. 再检查hive表中是否有数据，有多少条数据

select count(1) from mydb.goodtbl;  
OK
_c0
1050

执行 job

执行数据增量导入有两种实现方式：

每次手工配置last-value，手工调度
使用job，给定初始last-value，定时任务每天定时调度

很明显方式2更简便

1. 创建口令文件

echo -n "12345678" > sqoopPWD.pwd
hdfs dfs -mkdir -p /sqoop/pwd
hdfs dfs -put sqoopPWD.pwd /sqoop/pwd
hdfs dfs -chmod 400 /sqoop/pwd/sqoopPWD.pwd

# 可以在 sqoop 的 job 中增加：
--password-file /sqoop/pwd/sqoopPWD.pwd

2. 创建 sqoop job

# 创建 sqoop job
sqoop job --create myjob1 -- import \
--connect jdbc:mysql://Linux123:3306/sqoop?useSSL=false \
--username hive \
--password-file /sqoop/pwd/sqoopPWD.pwd \
--table goodtbl \
--incremental append \
--hive-import \
--hive-table mydb.goodtbl \
--check-column serialNumber \
--last-value 0 \
-m 1

3. 查看、执行job

# 查看已创建的job
sqoop job --list

# 查看job详细运行是参数
sqoop job --show myjob1

# 执行job
sqoop job --exec myjob1

4. 删除job

1 2	# 删除job sqoop job --delete myjob1

实现原理

因为job执行完成后，会把当前check-column的最大值记录到meta中，下次再调起时把此值赋给last-value。

缺省情况下元数据保存在 ~/.sqoop/ 其中，metastore.db.script 文件记录了对last-value的更新操作

1
2
3

cd ~/.sqoop

cat metastore.db.script |grep incremental.last.value