|
目录
一、Sqoop概述
?二、?常用命令列举
三、公共参数详解
3.1 公用参数：数据库连接
3.2 公用参数：import
3.3 公共参数：export
四、import参数详解
4.1.1 mysql导入到hdfs（全量导入）
4.1.2 mysql导入到hdfs（行列裁剪+多个reducer）
4.1.3 mysql导入hdfs（增量导入）append 和lastmodified（使用时间戳）
4.1.4 mysql导入到hive(表不存在则创建)
4.1.5 分区表单分区表导入
五、export参数详解
?六、codegen参数详解
七、create-hive-table命令详解?
八、eval命令详解?
九、import-all-tables
十、job命令详解
十一、list-databases命令详解
十二、?list-tables命令详解
十三、merge
十四、metastore命令详解
一、Sqoop概述
????????Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递，可以将一个关系型数据库（例如 ： MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
????????对于某些NoSQL数据库它也提供了连接器。Sqoop，类似于其他ETL工具，使用元数据模型来判断数据类型并在数据从数据源转移到Hadoop时确保类型安全的数据处理。Sqoop专为大数据批量传输设计，能够分割数据集并创建maptask任务来处理每个区块。
?二、?常用命令列举
这里给大家列出来了一部分 Sqoop 操作时的常用参数，以供参考，需要深入学习的可以参看对应类的源代码。
| 序号 | 命令 | 类 | 说明 | | 1 | import | ImportTool | 将数据导入到集群 | | 2 | export | ExportTool | 将集群数据导出 | | 3 | codegen | CodeGenTool | 获取数据库中某张表数据生成 | | 4 | create-hive-table | CreateHiveTableTool | 创建Hive表 | | 5 | eval | EvalSqlTool | 查看SQL执行结果 | | 6 | import-all-tables | ImportAllTablesTool | 导入某个数据库下所有表到HDFS中 | | 7 | job | JobTool | 用来生成一个 | | 8 | list-databases | ListDatabasesTool | 列出所有数据库名 | | 9 | list-tables | ListTablesTool | 列出某个数据库下所有表 | | 10 | 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 | | 11 | 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 | | 12 | help | HelpTool | 打印sqoop帮助信息 | | 13 | version | VersionTool | 打印sqoop版本信息 |
三、公共参数详解
刚才列举了一些 Sqoop 的常用命令，对于不同的命令，有不同的参数，让我们来一一列举说明。
首先来我们来介绍一下公用的参数，所谓公用参数，就是大多数命令都支持的参数。
3.1 公用参数：数据库连接
| 序号 | 参数 | 说明 | | 1 | –connect | 连接关系型数据库的 | | 2 | –connection-manager | 指定要使用的连接管理类 | | 3 | –driver | JDBC | | 4 | –help | 打印帮助信息 | | 5 | –password | 连接数据库的密码 | | 6 | –username | 连接数据库的用户名 | | 7 | –verbose | 在控制台打印出详细信息 |
3.2 公用参数：import
| 序号 | 参数 | 说明 | | 1 | –enclosed-by char | 给字段值前后加上指定的字符 | | 2 | –escaped-by char | 对字段中的双引号加转义符 | | 3 | –fields-terminated-by char | 设定每个字段是以什么符号作为结束，默认为逗号 | | 4 | –lines-terminated-by char | 设定每行记录之间的分隔符，默认是\n | | 5 | –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。 | | 6 | –optionally-enclosed-by char | 给带有双引号或单引号的字段值前后加上指定字符。 |
3.3 公共参数：export
| 序号 | 参数 | 说明 | | 1 | –input-enclosed-by char | 对字段值前后加上指定字符 | | 2 | –input-escaped-by char | 对含有转移符的字段做转义处理 | | 3 | –input-fields-terminated-by char | 字段之间的分隔符 | | 4 | –input-lines-terminated-by char | 行之间的分隔符 | | 5 | –input-optionally-enclosed-by char | 给带有双引号或单引号的字段前后加上指定字符 |
3.4?公用参数： hive
| 序号 | 参数 | 说明 | | 1 | –hive-delims-replacement arg | 用自定义的字符串替换掉数据中的\r\n和\013 \010等字符 | | 2 | –hive-drop-import-delims | 在导入数据到hive时，去掉数据中的\r\n\013\010这样的字符 | | 3 | –map-column-hive map | 生成hive表时，可以更改生成字段的数据类型 | | 4 | –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 | | 5 | –hive-partition-value v | 导入数据时，指定某个分区的值 | | 6 | –hive-home dir | hive的安装目录，可以通过该参数覆盖之前默认配置的目录 | | 7 | –hive-import | 将数据从关系数据库中导入到hive表中 | | 8 | –hive-overwrite | 覆盖掉在hive表中已经存在的数据 | | 9 | –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。 | | 10 | –hive-table | 后面接要创建的hive表,默认使用MySQL的表名 | | 11 | –table | 指定关系数据库的表名 |
四、import参数详解
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。
4.1.1 mysql导入到hdfs（全量导入）
应用于：数据量小，历史数据可能会发生变化
#导入数据到hdfs：
sqoop import \
--connect jdbc:mysql://test:3306/test \
--username root \
--password 12345678 \
--table sqp_order \
-m 1 \
--delete-target-dir \
--target-dir /kb12/orderinfo \
--fields-terminated-by '\t' \
--lines-terminated-by '\n'
4.1.2 mysql导入到hdfs（行列裁剪+多个reducer）
方法一
sqoop import \
--connect jdbc:mysql://test:3306/test \
--username root \
--password 12345678 \
--table sqp_order \
--columns user_name,total_volume \
--where "total_volume>=200" \
-m 2 \
--split-by user_name \
--delete-target-dir \
--target-dir /kb12/orderinfo_cut \
--fields-terminated-by ',' \
--lines-terminated-by '\n'
方法二
sqoop import \
--connect jdbc:mysql://test:3306/test \
--username root \
--password 12345678 \
--query "select user_name,total_volume from sqp_order where total_volume>=300 and \$CONDITIONS" \
-m 2 \
--split-by user_name \
--delete-target-dir \
--target-dir /kb12/orderinfo_cut \
--fields-terminated-by ',' \
--lines-terminated-by '\n'
4.1.3 mysql导入hdfs（增量导入）append 和lastmodified（使用时间戳）
应用于：数据量大，且历史数据不会发上变化
- append 不能与–hive-等参数同时使用（Append mode for hive imports is not yetsupported. Please remove the parameter –append-mode）
- 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）
- last-value 指定的值是会包含于增量导入的数据中.
| 序号 | 参数 | 说明 | | 1 | –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。 | | 2 | –as-avrodatafile | 将数据导入到一个Avro数据文件中 | | 3 | –as-sequencefile | 将数据导入到一个sequence文件中 | | 4 | –as-textfile | 将数据导入到一个普通文本文件中 | | 5 | –boundary-query statement | 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。 | | 6 | –columns | col1,col2,col3 指定要导入的字段 | | 7 | –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。 | | 8 | –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 | | 9 | –inline-lob-limit | 设定大对象数据类型的最大值 | | 10 | –m或–num-mappers | 启动N个map来并行导入数据，默认4个。 | | 11 | –query | 或–e statement 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 | | 12 | –split-by column-name | 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） | | 13 | –table | table-name 关系数据库的表名 | | 14 | –target-dir dir | 指定HDFS路径 | | 15 | –warehouse-dir dir | 与14参数不能同时使用，导入数据到HDFS时指定的目录 | | 16 | –where | 从关系数据库导入数据时的查询条件 | | 17 | –z | 或–compress允许压缩 | | 18 | –compression-codec | 指定hadoop压缩编码类，默认为gzip(Use Hadoop codecdefault gzip) | | 19 | –null-string null-string | string类型的列如果null，替换为指定字符串 | | 20 | –null-non-string null-string | 非string类型的列如果null，替换为指定字符串 | | 21 | –check-column col | 作为增量导入判断的列名 | | 22 | –incremental mode | mode：append或lastmodified | | 23 | –last-value value | 指定某一个值，用于标记增量导入的位置 |
关键字段
?
–incremental append \
–check-column id \
–last-value 0 \
?
增量分为两种：append 和 lastmodified(使用时间戳)
sqoop import --connect jdbc:mysql://test:3306/test \
--driver com.mysql.jdbc.Driver \
--username root --password 12345678 \
--table stu \
--incremental append \
--check-column id \
--last-value 0 \
--target-dir hdfs://master:9000/sqoop/05
?
sqoop import --connect jdbc:mysql://test:3306/test \
--driver com.mysql.jdbc.Driver \
--username root --password 12345678 \
--table stu \
-m 1 \
--incremental append \
--check-column id \
--last-value 4 \
--target-dir hdfs://master:9000/sqoop/06
?
?
--使用时间戳
sqoop import --connect jdbc:mysql://test:3306/test \
--driver com.mysql.jdbc.Driver \
--username root --password 12345678 \
--table stu \
--incremental lastmodified \
--check-column uptime \
--last-value 0 \
--target-dir hdfs://hd:9000/sqoop/08
4.1.4 mysql导入到hive(表不存在则创建)
sqoop import \
--connect jdbc:mysql://test:3306/test \
--username root \
--password 12345678 \
--table studentinfo \
-m 1 \
--hive-import \
--hive-table test.stuinfo \
--create-hive-table
4.1.5 分区表单分区表导入
#开启动态分区：一次性将某张表中的数据写入另一张分区表的多个分区中
create table sqp_partition(
id int,
name varchar(10),
dotime datetime
);
insert into sqp_partition(id,name,dotime) values
(1,'henry','2021-06-01 12:13:14'),
(2,'jack','2021-06-01 12:42:14'),
(3,'rose','2021-06-01 13:53:14'),
(4,'doris','2021-06-01 14:13:14'),
(5,'vicky','2021-06-01 16:13:14');
insert into sqp_partition(id,name,dotime) values
(6,'henry','2021-06-29 12:13:14'),
(7,'jack','2021-06-29 12:42:14'),
(8,'rose','2021-06-29 13:53:14'),
(9,'doris','2021-06-29 14:13:14'),
(10,'vicky','2021-06-29 16:13:14');
sqoop import \
--connect jdbc:mysql://test:3306/test \
--username root \
--password 12345678 \
--table sqp_partition \
-where "cast(dotime as date)='2021-06-01'" \
-m 1 \
--delete-target-dir \
--target-dir /user/hive/warehouse/test.db/sqp_partition/dodate=2021-06-01 \
--fields-terminated-by ',' \
--lines-terminated-by '\n'
create table sqp_partition(
id int,
name string,
dotime timestamp
)
partitioned by (dodate date)
row format delimited
fields terminated by ','
lines terminated by '\n'
stored as textfile;
alter table sqp_partition add partition(dodate='2021-06-01');
五、export参数详解
从 HDFS（包括 Hive 和 HBase） 中奖数据导出到关系型数据库中。
例如：
sqoop export \
--connect jdbc:mysql://test:3306/test \
--username root \
--password 12345678 \
--table stuinfo \
--export-dir /user/test \
--input-fields-terminated-by "\t" \
--m 1
| 序号 | 参数 | 说明 | | 1 | –direct | 利用数据库自带的导入导出工具，以便于提高效率 | | 2 | –export-dir dir | 存放数据的HDFS的源目录 | | 3 | #NAME? | 启动N个map来并行导入数据，默认4个 | | 4 | –table table-name | 指定导出到哪个RDBMS中的表 | | 5 | –update-key col-name | 对某一列的字段进行更新操作 | | 6 | –update-mode mode | updateonly allowinsert(默认) | | 7 | –input-null-string | 请参考import该类似参数说null-string明 | | 8 | –input-null-non-string null-string | 请参考import该类似参数说明 | | 9 | –staging-table staging-table-name | 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。 | | 10 | –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 |
?六、codegen参数详解
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。
例如：
sqoop codegen \
--connect jdbc:mysql://test:3306/company \
--username root \
--password 12345678 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
| 序号 | 参数 | 说明 | | 1 | –bindir dir | 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 | | 2 | –class-name name | 设定生成的Java文件指定的名称 | | 3 | –outdir dir | 生成Java文件存放的路径 | | 4 | –package-name name | 包名，如com.z，就会生成com和z两级目录 | | 5 | –input-null-non-string null-str | 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） | | 6 | –input-null-string null-str | 将null字符串替换成想要替换的值（一般与5同时使用） | | 7 | –map-column-java arg | 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 | | 8 | –null-non-string null-str | 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 | | 9 | –null-string null-str | 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） | | 10 | –table table-name | 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 |
七、create-hive-table命令详解?
生成与关系数据库表结构对应的 hive 表结构。
例如：
sqoop create-hive-table \
--connect jdbc:mysql://test:3306/company \
--username root \
--password 12345678 \
--table staff \
--hive-table hive_staff
| 序号 | 参数 | 说明 | | 1 | –hive-home dir | Hive的安装目录，可以通过该参数覆盖掉默认的Hive目录 | | 2 | –hive-overwrite | 覆盖掉在Hive表中已经存在的数据 | | 3 | –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 | | 4 | –hive-table | 后面接要创建的hive表 | | 5 | –table | 指定关系数据库的表名 |
八、eval命令详解?
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://test:3306/company \
--username root \
--password 12345678 \
--query "SELECT * FROM staff"
| 序号 | 参数 | 说明 | | 1 | –query 或–e | 后跟查询的SQL语句 |
九、import-all-tables
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
sqoop import-all-tables \
--connect jdbc:mysql://test:3306/company \
--username root \
--password test \
--warehouse-dir /all_tables
| 序号 | 参数 | 说明 | | 1 | –as-avrodatafile | 这些参数的含义均和import对应的含义一致 | | 2 | –as-sequencefile | | | 3 | –as-textfile | | | 4 | –direct | | | 5 | –direct-split-size n | | | 6 | –inline-lob-limit n | | | 7 | –m或—num-mappers n | | | 8 | –warehouse-dir dir | | | 9 | #NAME? | | | 10 | –compression-codec | |
十、job命令详解
?用来生成一个 sqoop 任务，生成后不会立即执行，需要手动执行。
例如：
sqoop job \
--create myjob -- import-all-tables \
--connect jdbc:mysql://test:3306/company \
--username root \
--password 12345678
bin/sqoop job \
--list
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://test:16000/sqoop
| 序号 | 参数 | 说明 | | 1 | –create job-id | 创建job参数 | | 2 | –delete job-id | 删除一个job | | 3 | –exec job-id | 执行一个job | | 4 | –help | 显示job帮助 | | 5 | –list | 显示job列表 | | 6 | –meta-connect jdbc-uri | 用来连接metastore服务 | | 7 | –show job-id | 显示一个job的信息 | | 8 | –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
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
<description>If true, allow saved passwords in the metastore.</description>
</property>
十一、list-databases命令详解
sqoop list-databases \
--connect jdbc:mysql://test:3306/ \
--username root \
--password 12345678
参数： 与公用参数一样
十二、?list-tables命令详解
sqoop list-tables \
--connect jdbc:mysql://test:3306/company \
--username root \
--password 12345678
参数： 与公用参数一样
十三、merge
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
例如：
有如下文件：
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：
bin/sqoop codegen \
--connect jdbc:mysql://test:3306/company \
--username root \
--password 12345678 \
--table staff \
--bindir /opt/admin \
--class-name Staff \
--fields-terminated-by "\t"
#开始合并：
bin/sqoop merge \
--new-data /test/new/ \
--onto /test/old/ \
--target-dir /test/merged \
--jar-file /opt/admin/Staff.jar \
--class-name Staff \
--merge-key id
#结果：
1 AAA MALE
2 BBB MALE
3 CCC MALE
4 DDD MALE
6 DDD FEMALE
| 序号 | 参数 | 说明 | | 1 | –new-data path | HDFS待合并的数据目录，合并后在新的数据集中保留 | | 2 | –onto path | HDFS合并后，重复的部分在新的数据集中被覆盖 | | 3 | –merge-key col | 合并键，一般是主键ID | | 4 | –jar-file file | 合并时引入的jar包，该jar包是通过Codegen工具生成的 | | 5 | –class-name class | 对应的表名或对象名，该class类是包含在jar包中的 | | 6 | –target-dir path | 合并后的数据在HDFS里存放的目录 |
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。
例如：
#启动sqoop的metastore服务
sqoop metastore
| 序号 | 参数 | 说明 | | 1 | –shutdown 关闭 | metastore |
|