Sqoop详解

Sqoop下载及安装

Sqoop目前有两大版本，Sqoop1和Sqoop2，这两个版本都是一直在维护者的，所以使用哪个版本都可以。

这两个版本我都用过，还是感觉Sqoop1用起来比较方便，使用Sqoop1的时候可以将具体的命令全部都写到脚本中，这样看起来是比较清晰的，但是有一个弊端，就是在操作MySQL的时候，MySQL数据库的用户名和密码会明文暴露在这些脚本中，不过一般也没有什么问题，因为在访问生产环境下的MySQL的时候，是需要申请权限的，就算你知道了MySQL的用户名和密码，但是你压根无法访问MySQL的那台机器，所以这样也是安全的，只要运维那边权限控制到位了就没问题。

sqoop2中引入了sqoop server(服务)，集中管理connector(连接)，而sqoop1只是客户端工具。
相对来说，Sqoop1更加简洁，轻量级。

下载地址，这里我们使用1.4.7版本。

Sqoop的安装部署很简单，因为Sqoop1只是一个客户端工具，直接解压，修改一下配置文件就行，不需要启动任何进程。
Sqoop在执行的时候底层会生成MapReduce任务，所以Sqoop需要部署在Hadoop客户端机器上，因为它是依赖于Hadoop的。

修改配置文件的名称

mv sqoop-env-template.sh sqoop-env.sh

将mysql的驱动jar包，添加到sqoop的lib目录下，因为我们需要使用Sqoop操作mysql

cp /root/test_hive/hive3.1.2/lib/mysql-connector-java-8.0.18.jar /root/test_sqoop/sqoop1.4.7/lib/

注意：使用hadoop 3.2.0版本的时候，需要在sqoop的lib目录下增加commons-lang2.6.jar

Sqoop参数

Sqoop通用参数：

选项                                 含义说明
--connect <jdbc-uri>                指定JDBC连接字符串
--connection-manager <class-name>   指定要使用的连接管理器类
--driver <class-name>               指定要使用的JDBC驱动类
--hadoop-mapred-home <dir>          指定$HADOOP_MAPRED_HOME路径
--help                              万能帮助
--password-file                     设置用于存放认证的密码信息文件的路径
-P                                  从控制台读取输入的密码
--password <password>               设置认证密码
--username <username>               设置认证用户名
--verbose                           打印详细的运行信息
--connection-param-file <filename>  可选，指定存储数据库连接参数的属性文件

导入功能相关参数

选项                                 含义说明
--append                            将数据追加到HDFS上一个已存在的数据集上
--as-avrodatafile                   将数据导入到Avro数据文件
--as-sequencefile                   将数据导入到SequenceFile
--as-textfile                       将数据导入到普通文本文件（默认）
--boundary-query <statement>        边界查询，用于创建分片（InputSplit）
--columns <col,col,col…>            从表中导出指定的一组列的数据
--delete-target-dir                 如果指定目录存在，则先删除掉
--direct                            使用直接导入模式（优化导入速度）
--direct-split-size <n>             分割输入stream的字节大小（在直接导入模式下）
--fetch-size <n>                    从数据库中批量读取记录数
--inline-lob-limit <n>              设置内联的LOB对象的大小
-m,--num-mappers <n>                使用n个map任务并行导入数据
-e,--query <statement>              导入的查询语句
--split-by <column-name>            指定按照哪个列去分割数据
--table <table-name>                导入的源表表名
--target-dir <dir>                  导入HDFS的目标路径
--warehouse-dir <dir>               HDFS存放表的根路径
--where <where clause>              指定导出时所使用的查询条件
-z,--compress                       启用压缩
--compression-codec <c>             指定Hadoop的codec方式（默认gzip）
--null-string <null-string>         如果指定列为字符串类型，使用指定字符串替换值为null的该类列的值
--null-non-string <null-string>     如果指定列为非字符串类型，使用指定字符串替换值为null的该类列的值

导出功能相关参数

选项                                 含义说明
--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
--call <stored-proc-name>           导出数据调用的指定存储过程名
--update-key <col-name>             更新参考的列名称，多个列名使用逗号分隔
--update-mode <mode>                指定更新策略，包括：updateonly（默认）、allowinsert
--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
--clear-staging-table               清除工作区中临时存放的数据
--batch                             使用批量模式导出

数据导入

数据导入可以分为全表导入和查询导入

全表导入

直接把一个表中的所有数据全部导入到HDFS里面，需要提前配置HADOOP_HOME的环境变量

sqoop import \
--connect jdbc:mysql://42.192.20.119:3310/mall?serverTimezone=UTC \
--username root \
--password abdyou000 \
--table order_item \
--target-dir /sqoop-out1 \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by ','

注意：如果表中没有主键则会报错(因为mapper数默认是4，需要分4个Task。但是info表又没有主键，MapReduce不知道以哪个字段为准来分Task。)

解决办法有三种：

• 可以选择在表中设置主键，默认根据主键字段分task
• 使用–num-mappers 1 ，表示将map任务个数设置为1，sqoop默认是4
• 使用–split-by ，后面跟上一个数字类型的列，会根据这个列分task

查询导入

使用sql语句查询表中满足条件的数据导入到HDFS里面

注意：在使用–query指定sql的时候，则必须包含$CONDITIONS

sqoop import \
--connect jdbc:mysql://42.192.20.119:3310/mall?serverTimezone=UTC \
--username root \
--password abdyou000 \
--target-dir /sqoop-out2 \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by ',' \
--query 'select order_id, goods_id, goods_amount, curr_price from order_item where order_id > 1 and $CONDITIONS;'

注意：–query和–table不能同时指定

问题：sqoop在导入数据的时候针对空值如何处理？

默认情况下MySQL中的null值(无论字段类型是字符串类型还是数字类型)，使用Sqoop导入到HDFS文件中之后，都会显示为字符串null。针对字符串null类型：通过 --null-string '*' 来指定，单引号中指定一个字符即可，这个字符不能是 -- ，因为 -- 是保留关键字

针对非字符串的null类型：通过 --null-non-string '=' 来指定，单引号中指定一个字符即可，这个字符不能是 -- ，因为 -- 是保留关键字

这两个参数可以同时设置，这样在导入数据的时候，针对空值字段，会替换为指定的内容。
例如：可以使用 \N ，因为我们把数据导入到HDFS之后，最终是希望在Hive中查询的，Hive中针对NULL值在底层是使用 \N 存储的。
当然了，我们也可以选择给NULL值指定一个默认的其它字符。

数据导出

从HDFS导出到MySQL，将刚才导入到HDFS中的数据再导出来。

sqoop export \
--connect jdbc:mysql://42.192.20.119:3310/mall?serverTimezone=UTC \
--username root \
--password abdyou000 \
--table order_item \
--export-dir /sqoop-out2 \
--input-fields-terminated-by ','

注意：这里–table指定的表名需要提前创建，sqoop不会自动创建此表。

在导出的时候可以实现插入和更新功能
如果存在就更新，不存在就插入，如果不指定这两个参数，mysql主键冲突时，导出会报错

--update-key order_id,goods_id
--update-mode allowinsert

注意：此时表中必须有一个主键字段