转载sqoop
Sqoop可以在HDFS/Hive和关系型数据库之间进行数据的导入导出,其中主要使用了import和export这两个工具。这两个工具非常强大,提供了很多选项帮助我们完成数据的迁移和同步。比如,下面两个潜在的需求:
业务数据存放在关系数据库中,如果数据量达到一定规模后需要对其进行分析或同统计,单纯使用关系数据库可能会成为瓶颈,这时可以将数据从业务数据库数据导入(import)到Hadoop平台进行离线分析。
对大规模的数据在Hadoop平台上进行分析以后,可能需要将结果同步到关系数据库中作为业务的辅助数据,这时候需要将Hadoop平台分析后的数据导出(export)到关系数据库。
这里,我们介绍Sqoop完成上述基本应用场景所使用的import和export工具,通过一些简单的例子来说明这两个工具是如何做到的。
import和export工具有些通用的选项,如下表所示:
选项 | 含义说明 |
---|---|
–connect | 指定JDBC连接字符串 |
–connection-manager | 指定要使用的连接管理器类 |
–driver | 指定要使用的JDBC驱动类 |
–hadoop-mapred-home
|
指定$HADOOP_MAPRED_HOME路径 |
–help | 打印用法帮助信息 |
–password-file | 设置用于存放认证的密码信息文件的路 |
-P | 从控制台读取输入的密码 |
–password | 设置认证密码 |
–username | 设置认证用户名 |
–verbose | 打印详细的运行信息 |
–connection-param-file | 可选,指定存储数据库连接参数的属性文件 |
数据导入工具import
import工具,是将HDFS平台外部的结构化存储系统中的数据导入到Hadoop平台,便于后续分析。我们先看一下import工具的基本选项及其含义,如下表所示:
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 | $1 |
–as-textfile | 将数据导入到普通文本文件(默认) |
–boundary-query | 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 | 分割输入stream的字节大小(在直接导入模式下) |
–fetch-size | 从数据库中批量读取记录数 |
–inline-lob-limit | 设置内联的LOB对象的大小 |
-m,–num-mappers | 使用n个map任务并行导入数据 |
-e,–query | 导入的查询语句 |
–split-by | 指定按照哪个列去分割数据 |
–table | 导入的源表表名 |
–target-dir
|
导入HDFS的目标路径 |
–warehouse-dir
|
HDFS存放表的根路径 |
–where | 指定导出时所使用的查询条件 |
-z,–compress | 启用压缩 |
–compression-codec | 指定Hadoop的codec方式(默认gzip) |
–null-string | 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 | 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 |
1:sqoop查看mysql有多少个数据库
bin/sqoop list-databases
–connect jdbc:mysql://172.16.71.27:3306
–username root
–password root
2:将mysql表中数据导入到hdfs中 imports
bin/sqoop import
–connect jdbc:mysql://172.16.71.27:3306/babasport
–username root
–password root
–table test_tb
ps:如果没有指定hdfs的目录 默认会将数据存到系统当前登录用户下 以表名称命名的文件夹下
导入数据至指定hdfs目录
bin/sqoop import
–connect jdbc:mysql://hadoop-senior.ibeifeng.com:3306/test
–username root
–password 123456
–table my_user
–target-dir /user/beifeng/sqoop/imp_my_user
–num-mappers 1
ps: num-mappers 1 指定执行MapReduce的个数为1
target-dir 指定hdfs的目录
sqoop 底层的实现就是MapReduce,import来说,仅仅运行Map Task
数据存储文件
- textfile
- orcfile
- parquet
将数据按照parquet文件格式导出到hdfs指定目录
bin/sqoop import
–connect jdbc:mysql://172.16.71.27:3306/babasport
–username root
–password root
–table test_tb
–target-dir /user/xuyou/sqoop/imp_my_user_parquet
–fields-terminated-by ‘@’
–num-mappers 1
–as-parquetfile
ps fields-terminated-by ‘@’ 数据已@隔开
as-parquetfile 数据按照parquet文件格式存储
columns id,name 这个属性 可以只导入id已经name 这两个列的值
- 在实际的项目中,要处理的数据,需要进行初步清洗和过滤
- 某些字段过滤
- 条件
- join
bin/sqoop import
–connect jdbc:mysql://hadoop-senior.ibeifeng.com:3306/test
–username root
–password 123456
–query ‘select id, account from my_user where $CONDITIONS’
–target-dir /user/beifeng/sqoop/imp_my_user_query
–num-mappers 1
ps: query 这个属性代替了 table 可以通过用sql 语句来导出数据
(where $CONDITIONS’ 是固定写法 如果需要条件查询可以 select id, account from my_user where $CONDITIONS’ and id > 1)
压缩导入至hdfs的数据 可以指定格式
bin/sqoop import
–connect jdbc:mysql://hadoop-senior.ibeifeng.com:3306/test
–username root
–password 123456
–table my_user
–target-dir /user/beifeng/sqoop/imp_my_sannpy
–delete-target-dir
–num-mappers 1
–compress
–compression-codec org.apache.hadoop.io.compress.SnappyCodec
–fields-terminated-by ‘\t’
ps:compress 这个属性 是 开启压缩功能
compression-codec 这个属性是 指定压缩的压缩码 本次是SnappyCodec