About云-梭伦科技
标题: Sqoop详细介绍包括:sqoop命令,原理,流程 [打印本页]
作者: pig2 时间: 2013-12-25 16:08
标题: Sqoop详细介绍包括:sqoop命令,原理,流程
一简介
Sqoop是一个用来将Hadoop和关系型数据库中的数据相互转移的工具,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。
二特点
Sqoop中一大亮点就是可以通过hadoop的mapreduce把数据从关系型数据库中导入数据到HDFS。
三 Sqoop 命令
Sqoop大约有13种命令,和几种通用的参数(都支持这13种命令),这里先列出这13种命令。
接着列出Sqoop的各种通用参数,然后针对以上13个命令列出他们自己的参数。Sqoop通用参数又分Common arguments,Incremental import arguments,Output line formatting arguments,Input parsing arguments,Hive arguments,HBase arguments,Generic Hadoop command-line arguments,下面一一说明:
1.Common arguments
通用参数,主要是针对关系型数据库链接的一些参数
四 sqoop命令举例
1)列出mysql数据库中的所有数据库
sqoop list-databases –connect jdbc:mysql://localhost:3306/ –username root –password 123456
2)连接mysql并列出test数据库中的表
sqoop list-tables –connect jdbc:mysql://localhost:3306/test –username root –password 123456
命令中的test为mysql数据库中的test数据库名称 username password分别为mysql数据库的用户密码
3)将关系型数据的表结构复制到hive中,只是复制表的结构,表中的内容没有复制过去。
sqoop create-hive-table –connect jdbc:mysql://localhost:3306/test
–table sqoop_test –username root –password 123456 –hive-table
test
其中 –table sqoop_test为mysql中的数据库test中的表 –hive-table
test 为hive中新建的表名称
4)从关系数据库导入文件到hive中
sqoop import –connect jdbc:mysql://localhost:3306/zxtest –username
root –password 123456 –table sqoop_test –hive-import –hive-table
s_test -m 1
5)将hive中的表数据导入到mysql中,在进行导入之前,mysql中的表
hive_test必须已经提起创建好了。
sqoop export –connect jdbc:mysql://localhost:3306/zxtest –username
root –password root –table hive_test –export-dir
/user/hive/warehouse/new_test_partition/dt=2012-03-05
6)从数据库导出表的数据到HDFS上文件
./sqoop import –connect
jdbc:mysql://10.28.168.109:3306/compression –username=hadoop
–password=123456 –table HADOOP_USER_INFO -m 1 –target-dir
/user/test
7)从数据库增量导入表数据到hdfs中
./sqoop import –connect jdbc:mysql://10.28.168.109:3306/compression
–username=hadoop –password=123456 –table HADOOP_USER_INFO -m 1
–target-dir /user/test –check-column id –incremental append
–last-value 3
五 Sqoop原理(以import为例)
Sqoop在import时,需要制定split-by参数。Sqoop根据不同的split-by参数值来进行切分,然后将切分出来的区域分配到不同map中。每个map中再处理数据库中获取的一行一行的值,写入到HDFS中。同时split-by根据不同的参数类型有不同的切分方法,如比较简单的int型,Sqoop会取最大和最小split-by字段值,然后根据传入的num-mappers来确定划分几个区域。 比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分别为1000和1,而num-mappers为2的话,则会分成两个区域(1,500)和(501-100),同时也会分成2个sql给2个map去进行导入操作,分别为select XXX from table where split-by>=1 and split-by<500和select XXX from table where split-by>=501 and split-by<=1000。最后每个map各自获取各自SQL中的数据进行导入工作。
六mapreduce job所需要的各种参数在Sqoop中的实现
1) InputFormatClass
com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat
2) OutputFormatClass
1)TextFile
com.cloudera.sqoop.mapreduce.RawKeyTextOutputFormat
2)SequenceFile
org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat
3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroOutputFormat
3)Mapper
1)TextFile
com.cloudera.sqoop.mapreduce.TextImportMapper
2)SequenceFile
com.cloudera.sqoop.mapreduce.SequenceFileImportMapper
3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroImportMapper
4)taskNumbers
1)mapred.map.tasks(对应num-mappers参数)
2)job.setNumReduceTasks(0);
这里以命令行:import –connect jdbc:mysql://localhost/test –username root –password 123456 –query “select sqoop_1.id as foo_id, sqoop_2.id as bar_id from sqoop_1 ,sqoop_2 WHERE $CONDITIONS” –target-dir /user/sqoop/test -split-by sqoop_1.id –hadoop-home=/home/hdfs/hadoop-0.20.2-CDH3B3 –num-mappers 2
1)设置Input
DataDrivenImportJob.configureInputFormat(Job job, String tableName,String tableClassName, String splitByCol)
a)DBConfiguration.configureDB(Configuration conf, String driverClass, String dbUrl, String userName, String passwd, Integer fetchSize)
1).mapreduce.jdbc.driver.class com.mysql.jdbc.Driver
2).mapreduce.jdbc.url jdbc:mysql://localhost/test
3).mapreduce.jdbc.username root
4).mapreduce.jdbc.password 123456
5).mapreduce.jdbc.fetchsize -2147483648
b)DataDrivenDBInputFormat.setInput(Job job,Class<? extends DBWritable> inputClass, String inputQuery, String inputBoundingQuery)
1)job.setInputFormatClass(DBInputFormat.class);
2)mapred.jdbc.input.bounding.query SELECT MIN(sqoop_1.id), MAX(sqoop_2.id) FROM (select sqoop_1.id as foo_id, sqoop_2.id as bar_id from sqoop_1 ,sqoop_2 WHERE (1 = 1) ) AS t1
3)job.setInputFormatClass(com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat.class);
4)mapreduce.jdbc.input.orderby sqoop_1.id
c)mapreduce.jdbc.input.class QueryResult
d)sqoop.inline.lob.length.max 16777216
2)设置Output
ImportJobBase.configureOutputFormat(Job job, String tableName,String tableClassName)
a)job.setOutputFormatClass(getOutputFormatClass());
b)FileOutputFormat.setOutputCompressorClass(job, codecClass);
c)SequenceFileOutputFormat.setOutputCompressionType(job,CompressionType.BLOCK);
d)FileOutputFormat.setOutputPath(job, outputPath);
3)设置Map
DataDrivenImportJob.configureMapper(Job job, String tableName,String tableClassName)
a)job.setOutputKeyClass(Text.class);
b)job.setOutputValueClass(NullWritable.class);
c)job.setMapperClass(com.cloudera.sqoop.mapreduce.TextImportMapper);
4)设置task number
JobBase.configureNumTasks(Job job)
mapred.map.tasks 4
job.setNumReduceTasks(0);
七 大概流程
1.读取要导入数据的表结构,生成运行类,默认是QueryResult,打成jar包,然后提交给Hadoop
2.设置好job,主要也就是设置好以上第六章中的各个参数
3.这里就由Hadoop来执行MapReduce来执行Import命令了,
1)首先要对数据进行切分,也就是DataSplit
DataDrivenDBInputFormat.getSplits(JobContext job)
2)切分好范围后,写入范围,以便读取
DataDrivenDBInputFormat.write(DataOutput output) 这里是lowerBoundQuery and upperBoundQuery
3)读取以上2)写入的范围
DataDrivenDBInputFormat.readFields(DataInput input)
4)然后创建RecordReader从数据库中读取数据
DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)
5)创建Map
TextImportMapper.setup(Context context)
6)RecordReader一行一行从关系型数据库中读取数据,设置好Map的Key和Value,交给Map
DBRecordReader.nextKeyValue()
7)运行map
TextImportMapper.map(LongWritable key, SqoopRecord val, Context context)
最后生成的Key是行数据,由QueryResult生成,Value是NullWritable.get()
八 总结
通过这些,了解了MapReduce运行流程.但对于Sqoop这种切分方式感觉还是有很大的问题.比如这里根据ID范围来切分,如此切分出来的数据会很不平均,比如min(split-id)=1,max(split-id)=3000,交给三个map来处理。那么范围是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是没有数据,已经被删除了。那么这个map就什么都不能做。而其他map却累的半死。如此就会拖累job的运行结果。这里说的范围很小,比如有几十亿条数据交给几百个map去做。map一多,如果任务不均衡就会影响进度。看有没有更好的切分方式?比如取样?如此看来,写好map reduce也不简单!、
作者: hahaxixi 时间: 2014-7-28 23:10
很详细,学习了!
作者: szcountryboy 时间: 2014-8-20 14:17
sqoop:000> sqoop list-databases -connect jdbc:mysql://172.16.28.77:3306/ -username root -password master
Exception has occurred during processing command
Exception: org.codehaus.groovy.control.MultipleCompilationErrorsException Message: startup failed:
groovysh_parse: 1: expecting EOF, found ':' @ line 1, column 35.
sqoop list-databases -connect jdbc:mysql://172.16.28.77:3306/ -username root -password master
^
1 error
sqoop-1.99.3 client里面执行报错
作者: anyhuayong 时间: 2014-9-14 08:16
很详细,学习了!
作者: wubaozhou 时间: 2015-1-1 19:02
作者: persist 时间: 2015-4-13 10:15
你解决了没,我也报这错误
作者: pioneer 时间: 2015-4-15 19:55
问楼主一个问题,我的sqoop2服务端与客户端启动成功,但是sqoop指令不起作用:sqoop command not found,知道如何解决吗?
作者: 非客 时间: 2015-6-11 11:48
文章里面的下面这条语句
sqoop list-databases -connect jdbc:mysql://localhost:3306/ -username root -password xhq123
其中 -connect、-username、-password 里的连字符竟然是中文的,结果报以下错误:
[hadoop@mdhadoop ~]$ sqoop list-tables –connect jdbc:mysql://localhost/test –username root –password root
15/06/11 11:15:23 INFO sqoop.Sqoop: Running Sqoop version: 1.4.4-cdh5.0.0
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Error parsing arguments for list-tables:
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Unrecognized argument: –connect
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Unrecognized argument: jdbc:mysql://localhost/test
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Unrecognized argument: –username
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Unrecognized argument: root
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Unrecognized argument: –password
15/06/11 11:15:23 ERROR tool.BaseSqoopTool: Unrecognized argument: root
改成英文连字符就好了
作者: 锟铻 时间: 2015-10-21 09:59
作者: heller_yun 时间: 2015-11-10 22:09
作者: 恋枫缩影 时间: 2015-11-11 01:10
不错,学习了
作者: 月如钩 时间: 2015-11-24 21:39
一般而言 现在大多数的涉及到大数据的技术,底层或多或少的都会封装mapreduce,比如hive,但是往往很多时候在特定的业务场景下,效率会打折扣,这时候就需要定制mapreduce了。个人认为,mapreduce是大数据最底层的技术之一
作者: qqzj 时间: 2016-1-5 19:39
学习学习
作者: 巅峰142斤 时间: 2016-1-7 09:50
楼主很棒,敲喜欢。有一个笑笑的意见。。头像的楼主老婆吗?是蛮漂亮的,只是我看帖的时候她都一直盯着我看,我滑轮向下滑,还会跟着继续盯着我,楼主的老婆可以换个姿势吗
作者: stwen 时间: 2016-2-27 10:14
hao 东西,学习
作者: bingyuac 时间: 2016-5-8 11:28
学习了
麻烦还想问下:sqoop导入数据到HDFS时候,怎么确定数据是完整的。怎么查日志?
作者: song_7788 时间: 2016-5-23 17:33
好,支持楼主
作者: jackqiang2011 时间: 2016-7-6 10:07
谢谢楼主x分享
作者: 小学生的我 时间: 2016-7-13 09:46
感谢分享!
作者: jackqiang2011 时间: 2016-7-13 09:57
very good
作者: zero-86 时间: 2016-8-4 10:43
学习了
作者: xingoo 时间: 2016-9-12 09:03
嗯 了解了~ sqoop底层的任务可以用其他的计算引擎比如spark来代替么?现在hive2都直接声明不推荐mapreduce了。
作者: arsenduan 时间: 2016-9-12 09:25
目前应该还没有。
思想挺先进的。
如果能开源一个,应该非常受欢迎
作者: xingoo 时间: 2016-9-29 10:03
请问有没有什么文章是详细讲解split-by的机制的,如果key不是数字,是按照hash来进行切分么?
作者: playzhp 时间: 2017-3-2 11:36
楼主厉害,讲解的很详细
作者: kisas 时间: 2017-5-23 13:33
不错 很详细
作者: 释怀 时间: 2017-6-23 17:50
学习了
作者: 金牛不懂 时间: 2017-8-23 18:40
不知道为什么?我的sqoop执行报错,解析不了,创建表的时候可以用这种方式吗?百度上好多方法都不可以,我用的hive直接创建的
作者: 老街的腔调 时间: 2017-12-9 16:08
长知识了,刚把sqoop安装好
作者: zhouyongheng 时间: 2018-1-8 14:30
大神 你真是太厉害了 ,一直在关注你的文章,方便给个直接联系方式,向您请教。
作者: wxq0517 时间: 2018-4-26 08:56
资料很好
作者: wxq0517 时间: 2018-4-26 09:02
感谢分享。
欢迎光临 About云-梭伦科技 (https://www.aboutyun.com/) |
Powered by Discuz! X3.4 |