在先前的几篇随笔中已经介绍了Hadoop、Zookeeper、Hbase的分布式框架搭建方案，目前已经搭建完成了一个包含11个节点的分布式集群。而对于HBase数据库的使用仅限于测试性质的增删改查指令，为了进一步熟悉分布式框架的使用，本文介绍将已有的数据从关系型数据库SQL Server中导入到HBase中的方法。

要完成从关系型数据库到HBase数据的迁移，我们需要使用Sqoop工具，Sqoop是Apache的一个独立项目，设计目的即是在Hadoop(Hive)和传统数据库(MySQL、postgresql)之间进行数据的传递。Sqoop工具基于数据仓库工具Hive，通过Hive来将数据查询转换成MapReduce任务实现数据的传递。因此，要完成本次数据的迁移，我们需要以下几个准备：

④Connector between SQL Server and Sqoop：sqoop-sqlserver-1.0.tar.gz

======================以下所有操作均在Master主机上并且以root用户执行======================

1、安装Hive

①建立hive目录

cd /home

mkdir hive

②解压安装包(安装包移至/home/hive下)

tar -zxvf apache-hive-2.1.1-bin.tar.gz

③设置环境变量

vi /etc/profile

追加以下：

export HIVE_HOME=/home/hive/apche-hive-2.1.1-bin

export PATH=$HIVE_HOME/bin:$PATH

export PATH

追加以下：

export HCAT_HOME=$HIVE_HOME/hcatalog

④使配置生效

source /etc/profile

2、安装sqoop

①建立sqoop目录

cd /home

mkdir sqoop

②解压安装包(安装包移至/home/sqoop下)

tar -zxvf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz

③设置环境变量

vi /etc/profile

追加以下：

export SQOOP_HOME=/home/sqoop/sqoop-1.4.6.bin__hadoop-2.0.4-alpha

export SQOOP_CONF_DIR=$SQOOP_HOME/conf

export PATH=$SQOOP_HOME/bin:$PATH

export PATH

④使配置生效

source /etc/profile

3、配置JDBC

①解压(位置随意)

tar -zxvf sqljdbc_3.0.1301.101_enu.atr.gz

②复制jdbc到sqoop下

cp sqljdbc_3.0/enu/sqljdbc4.jar /home/sqoop/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib

4、配置SQL Server sqoop Connector

①解压(位置随意，这里是/home)

tar -zxvf sqoop-sqlserver-1.0.tar.gz

②设置环境变量

vi /etc/profile

追加以下：

export MSSQL_CONNECTOR_HOME=/home/sqoop-sqlserver-1.0/

配置生效：

source /etc/profile

③配置到sqoop

cd sqoop-sqlserver-1.0

./install.sh

5、 配置sqoop

存在这部分工作的原因是sqoop的默认配置会有一些我们不需要用到的东西，在其配置文件$SQOOP_HOME/bin/configure-sqoop文件中，定义了许多需要预先配置的参数与环境，有些我们已经配置完成，但是另外有些是不需要用到的(目前还没意识到有什么作用)，因此，为了防止运行时检查配置不通过，我们直接的处理办法就是取消这部分的配置检查。

注释ACCUMULO相关配置：在configure-sqoop文件中，注释掉与ACCUMULO_HOME相关的所有命令行，并保存退出。

6、目前的环境变量

值得注意的是，之前并没有加入HBase的环境变量，在这里是需要把HBase相关的环境变量加入的。

#/etc/profile

#System wide environment and startup programs, for login setup#Functions and aliases go in /etc/bashrc

#It's NOT a good idea to change this file unless you know what you#are doing. It's much better to create a custom.sh shell script in#/etc/profile.d/ to make custom changes to your environment, as this#will prevent the need for merging in future updates.

pathmunge () {

case":${PATH}:" in

*:"$1":*)

;;*)if [ "$2" = "after"] ; then

PATH=$PATH:$1

elsePATH=$1:$PATHfi

esac

}if [ -x /usr/bin/id ]; thenif [ -z "$EUID"]; then#ksh workaround

EUID=`id -u`

UID=`id -ru`

fi

USER="`id -un`"

LOGNAME=$USER

MAIL="/var/spool/mail/$USER"fi

# Path manipulation

if ["$EUID"="0"]; then

pathmunge /sbin

pathmunge /usr/sbin

pathmunge /usr/local/sbin

else

pathmunge /usr/local/sbin after

pathmunge /usr/sbin after

pathmunge /sbin after

fi

HOSTNAME=`/bin/hostname 2>/dev/null`

HISTSIZE=1000

if ["$HISTCONTROL"="ignorespace"] ; then

export HISTCONTROL=ignoreboth

else

export HISTCONTROL=ignoredups

fi

export PATH USER LOGNAME MAIL HOSTNAME HISTSIZE HISTCONTROL

# By default, we want umask to get set. This sets it for login shell

# Current threshold for system reserved uid/gids is 200

# You could check uidgid reservation validity in

# /usr/share/doc/setup-*/uidgid file

if [ $UID -gt 199 ] && ["`id -gn`"="`id -un`"]; then

umask 002

else

umask 022

fi

for i in /etc/profile.d/*.sh ; do

if [ -r"$i"]; then

if ["${-#*i}" != "$-" ]; then

. "$i"

else."$i" >/dev/null 2>&1fi

fi

done

unset i

unset-fpathmunge

export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-1.7.0.131.x86_64

export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

export PATH=$PATH:$JAVA_HOME/bin#hadoop

export HADOOP_HOME=/home/hadoop/hadoop-2.7.3export PATH=$PATH:$HADOOP_HOME/sbin

export PATH=$PATH:$HADOOP_HOME/bin#zookeeper

export ZOOKEEPER_HOME=/home/zookeeper/zookeeper-3.4.6/export PATH=$ZOOKEEPER_HOME/bin:$PATHexport PATH#HBase

export HBASE_HOME=/home/hbase/hbase-1.2.4export PATH=$HBASE_HOME/bin:$PATHexport PATH#hive

export HIVE_HOME=/home/hive/apache-hive-2.1.1-bin

export PATH=$HIVE_HOME/bin:$PATHexport PATH

export HCAT_HOME=$HIVE_HOME/hcatalog#sqoop

export SQOOP_HOME=/home/sqoop/sqoop-1.4.6.bin__hadoop-2.0.4-alpha

export SQOOP_CONF_DIR=$SQOOP_HOME/conf

export PATH=$SQOOP_HOME/bin:$PATHexport PATH

export MSSQL_CONNECTOR_HOME=/home/sqoop-sqlserver-1.0/

7、数据迁移实验

在执行迁移命令之前，需要在Hbase中建立好对应的表

#hbase shell

进入hbase shell后执行

>create 'test', 'cf'

然后在Terminal中执行

#sqoop import --connect 'jdbc:sqlserver://;username=;password=;database=' --table --hbase-table --column-family --hbase-row-key

需要注意：

①如果SQL Server的表是正常的单一主键的表结构，那么可以直接指定hbase-row-key执行上述命令，此时该命令会默认以多个mapreduce任务执行该指令

②如果SQL Server的表是联合主键，那么这样导入就会存在一个问题，无法根据主键分解查询任务，也就没有办法进行MapReduce，那么此时必须指定参数 '-m 1'只用一个mapreduce任务

③针对没有主键的情况，若数据量巨大，必须分为多个mapreduce任务，那么需要找到一个拆分字段，从而hive可以根据该字段拆分任务。此时我们须在导入指令中添加'--split-by '

在我实际的操作中，SQL Server中的表结构是联合主键，第一次导入表中100条数据记录，根据这篇博客的介绍，配置了$SQOOP_HOME/conf/sqoop-site.xml，我指定了'--hbase-row-key ,'，并指定'-m 1'，导入数据成功。(耗时22sec)

第二次尝试将数据库中的近160W条数据记录导入到HBase中，添加参数'--split-by '，并指定'-m 12'，数据同样导入成功。(耗时17min25sec)

8、存在问题

对sqoop拆分任务的理解仍然不够深入，自己完成的实验虽然成功，但是并没有做对比实验确定真正的影响因素

9、参考文章

参考链接