第1章 Sqoop简介

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。

Sqoop项目开始于2009年，最早是作为Hadoop的一个第三方模块存在，后来为了让使用者能够快速部署，也为了让开发人员能够更快速的迭代开发，Sqoop独立成为一个Apache项目。

Sqoop2的最新版本是1.99.7。请注意，2与1不兼容，且特征不完整，它并不打算用于生产部署。

第2章Sqoop原理

将导入或导出命令翻译成mapreduce程序来实现。

在翻译出的mapreduce中主要是对inputformat和outputformat进行定制。

第3章Sqoop安装

安装Sqoop的前提是已经具备Java和Hadoop的环境。

3.1 下载并解压

1) 下载地址：http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/

2) 上传安装包sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz到虚拟机中

3) 解压sqoop安装包到指定目录，如：

$ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/

3.2 修改配置文件

Sqoop的配置文件与大多数大数据框架类似，在sqoop根目录下的conf目录中。

1) 重命名配置文件

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

2) 修改配置文件

sqoop-env.sh

export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2
export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2
export HIVE_HOME=/opt/module/hive
export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
export ZOOCFGDIR=/opt/module/zookeeper-3.4.10
export HBASE_HOME=/opt/module/hbase

3.3 拷贝JDBC驱动

拷贝jdbc驱动到sqoop的lib目录下，如：

$ cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/

3.4 验证Sqoop

我们可以通过某一个command来验证sqoop配置是否正确：

$ bin/sqoop help

出现一些Warning警告（警告信息已省略），并伴随着帮助命令的输出：

Available commands:codegen            Generate code to interact with database recordscreate-hive-table     Import a table definition into Hiveeval               Evaluate a SQL statement and display the resultsexport             Export an HDFS directory to a database tablehelp               List available commandsimport             Import a table from a database to HDFSimport-all-tables     Import tables from a database to HDFSimport-mainframe    Import datasets from a mainframe server to HDFSjob                Work with saved jobslist-databases        List available databases on a serverlist-tables           List available tables in a databasemerge              Merge results of incremental importsmetastore           Run a standalone Sqoop metastoreversion            Display version information

3.5 测试Sqoop是否能够成功连接数据库

$ bin/sqoop list-databases --connect jdbc:mysql://hadoop102:3306/ --username root --password 000000

出现如下输出：

information_schema
metastore
mysql
oozie
performance_schema

第4章Sqoop的简单使用案例

4.1 导入数据

在Sqoop中，“导入”概念指：从非大数据集群（RDBMS）向大数据集群（HDFS，HIVE，HBASE）中传输数据，叫做：导入，即使用import关键字。

4.1.1 RDBMS到HDFS

1) 确定Mysql服务开启正常

2) 在Mysql中新建一张表并插入一些数据

$ mysql -uroot -p000000
mysql> create database company;
mysql> create table company.staff(id int(4) primary key not null auto_increment, name varchar(255), sex varchar(255));
mysql> insert into company.staff(name, sex) values('Thomas', 'Male');
mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale');

3) 导入数据

（1）全部导入

$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"

骚戴理解：全部导入就是关系型数据库整个表导入到hdfs中，上面每一行尾\是用来换行的，如果没有这个按回车就会当做命令执行，上面的主要分为两大块，第一块是mysql的配置，第二块是hdfs的配置，其中delete-target-dir的意思是如果有target-dir配置的目录就删除这个目录，这个慎用！fields-terminated-by指定分隔符。

--num-mappers 是在使用 Hadoop MapReduce 进行数据处理时的一个参数，它表示要启动几个 Map 任务来处理输入数据。具体来说，--num-mappers 参数用于指定 MapReduce 作业中 Mapper 的数量。这个参数的设置会影响作业的并行度和运行时间。通常情况下，建议将该参数设置为输入文的总大小除以 Hadoop 集群中可用的计算资源数量，以实现最优的并行处理效果。

（2）查询导入

$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--query 'select name,sex from staff where id <=1 and $CONDITIONS;'

骚戴理解：注意上面最后一句where后面拼接了and $CONDITIONS，必须要拼接and $CONDITIONS;不然会报错：must contain '$CONDITIONS' in WHERE clause.

sqoop的查询导入为什么要 $CONDITIONS？

$CONDITIONS是一个占位符，在使用Sqoop进行查询导入时，可以使用 $CONDITIONS 来指定查询的条件。这个参数的作用是动态地生成一个 WHERE 子句，并将其添加到 SELECT 语句中。

$CONDITIONS 可以让我们在每次调用 Sqoop 命令时传递不同的查询条件，而不必修改 Sqoop 命令本身。这种灵活性使得在数据源发生变化时能够轻松地更新导入命令。

例如，假设我们希望从数据库中导入销售额大于 1000 的数据。使用 $CONDITIONS 就可以很容易地实现这一点，只需在 Sqoop 命令中指定 --where 参数并设置为 "$CONDITIONS AND sales > 1000" 即可。每次运行 Sqoop 命令时，$CONDITIONS 将被替换为适当的查询条件，从而过滤出我们需要的数据。

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）导入指定列

$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--columns id,sex \
--table staff

提示：columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格

（4）使用sqoop关键字筛选查询导入数据

$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--target-dir /user/company \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t" \
--table staff \
--where "id=1"

骚戴理解：这个跟上面查询导入的--query 'select name,sex from staff where id <=1 and $CONDITIONS;'的区别就是查询导入可以指定字段和条件，而这个where只能指定条件，但是可以和

--columns一起使用，注意--query和--where不能一起使用！

4.1.2 RDBMS到Hive

$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table staff_hive

骚戴理解：该过程分为两步，第一步将数据导入到HDFS，第二步将导入到HDFS的数据迁移到Hive仓库，第一步默认的临时目录是/user/atguigu/表名，如果hive中没有--hive-table参数指定的表就会自动新建一个

--hive-overwrite 是在使用 Apache Hive 进行数据导入时的一个参数，它表示当向 Hive 表中导入数据时，如果表中已经存在同名的数据，是否覆盖已有数据。具体来说，--hive-overwrite 参数用于指定将新数据覆盖原有数据的方式进行数据导入。如果不使用该参数，则默认是将新数据追加到原有数据之后。

4.1.3 RDBMS到Hbase

$ bin/sqoop import \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table company \
--columns "id,name,sex" \
--column-family "info" \
--hbase-create-table \
--hbase-row-key "id" \
--hbase-table "hbase_company" \
--num-mappers 1 \
--split-by id

骚戴理解：sqoop的--split-by用于指定一个列作为数据分割的依据，将大型数据集拆分成多个小块进行并行处理。这有助于提高数据传输和导入的效率。--hbase-create-table参数指的如果hbase没有表就自动创建hbase中的表，但是由于版本不兼容，会报错（sqoop1.4.6只支持HBase1.0.1之前的版本的自动创建HBase表的功能）

解决方案：手动创建HBase表

hbase> create 'hbase_company,'info'

在HBase中scan这张表得到如下内容

hbase> scan ‘hbase_company’

4.2、导出数据

在Sqoop中，“导出”概念指：从大数据集群（HDFS，HIVE，HBASE）向非大数据集群（RDBMS）中传输数据，叫做：导出，即使用export关键字。

4.2.1 HIVE/HDFS到RDBMS

$ bin/sqoop export \
--connect jdbc:mysql://hadoop102:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--export-dir /user/hive/warehouse/staff_hive \
--input-fields-terminated-by "\t"

骚戴理解：sqoop的--export-dir参数用于将数据从Hadoop分布式文件系统（如HDFS）导出到关系型数据库中。它指定了包含要导出数据的HDFS目录路径。sqoop的--input-fields-terminated-by参数用于指定输入数据文件中字段之间的分隔符。它可以是一个字符或一个字符串，并且默认为逗号“，”。这个参数在导入数据时非常有用，因为它告诉sqoop如何解析源数据文件。Mysql中如果表不存在，不会自动创建

4.3 脚本打包

使用opt格式的文件打包sqoop命令，然后执行

1) 创建一个.opt文件

$ mkdir opt
$ touch opt/job_HDFS2RDBMS.opt

2) 编写sqoop脚本

$ vi opt/job_HDFS2RDBMS.optexport
--connect jdbc:mysql://hadoop102:3306/company
--username root
--password 000000
--table staff
--num-mappers 1
--export-dir /user/hive/warehouse/staff_hive
--input-fields-terminated-by "\t"

3) 执行该脚本

$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

第5章Sqoop一些常用命令及参数

5.1 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。

5.2 命令&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。

5.2.1 公用参数：数据库连接

5.2.2 公用参数：import

5.2.3 公用参数：export

5.2.4 公用参数：hive

公用参数介绍完之后，我们来按照命令介绍命令对应的特有参数。

5.2.5 命令&参数：import

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) 命令：

如：导入数据到hive中

如：增量导入数据到hive中，mode=append

尖叫提示：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）

如：增量导入数据到hdfs中，mode=lastmodified

尖叫提示：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）

尖叫提示：last-value指定的值是会包含于增量导入的数据中

2) 参数：

5.2.6 命令&参数：export

从HDFS（包括Hive和HBase）中奖数据导出到关系型数据库中。

1) 命令：

如：

2) 参数：

5.2.7 命令&参数：codegen

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。

如：

5.2.8 命令&参数：create-hive-table

生成与关系数据库表结构对应的hive表结构。

命令：

如：

参数：

5.2.9 命令&参数：eval

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。

命令：

如：

参数：

5.2.10 命令&参数：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

命令：

如：

参数：

5.2.11 命令&参数：job

用来生成一个sqoop任务，生成后不会立即执行，需要手动执行。

命令：

如：

尖叫提示：注意import-all-tables和它左边的--之间有一个空格

尖叫提示：如果需要连接metastore，则--meta-connect jdbc:hsqldb:hsql://linux01:16000/sqoop

参数：

尖叫提示：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

5.2.12 命令&参数：list-databases

命令：

如：

参数：与公用参数一样

5.2.13 命令&参数：list-tables

命令：

如：

参数：与公用参数一样

5.2.14 命令&参数：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

数据环境：

尖叫提示：上边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，如果直接复制，请检查之。

命令：

如：

参数：

5.2.15 命令&参数：metastore

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。

命令：

如：启动sqoop的metastore服务

参数：