sqoop的詳細使用及原理

 1、sqoop簡介

sqoop是一個用來將hadoop中hdfs和關系型數據庫中的數據相互遷移的工具，可以將一個關系型數據庫（mysql、oracle等）中的數據
導入到hadoop的hdfs中，也可以將hdfs的數據導入到關系型數據庫中。

2、sqoop的特點：
sqoop的底層實現是mapreduce，所以sqoop依賴於hadoop,數據是並行導入的。

3、sqoop的安裝和配置
1)安裝：
解壓縮sqoop-1.4.3.bin__hadoop-1.0.0.tar.gz，修改/etc/profile 將sqoop_home加入其中
因為要鏈接數據庫，所以要將數據庫的驅動jar包拷貝到sqoop的lib文件夾子下
2）配置：
重命名配置文件
mv sqoop-env-template.sh sqoop-env.sh
修改文件內容（也可以不修改）：
#Set path to where bin/hadoop is available
export HADOOP_COMMON_HOME=/usr/local/hadoop/

#Set path to where hadoop-*-core.jar is available
export HADOOP_MAPRED_HOME=/usr/local/hadoop

#set the path to where bin/hbase is available
export HBASE_HOME=/usr/local/hbase

#Set the path to where bin/hive is available
export HIVE_HOME=/usr/local/hive

#Set the path for where zookeper config dir is
export ZOOCFGDIR=/usr/local/zk

4.sqoop的使用：
第一類：數據庫中的數據導入到HDFS上
sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123
–table trade_detail --columns ‘id, account, income, expenses’
指定輸出路徑、指定數據分隔符
sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123
–table trade_detail --target-dir ‘/sqoop/td’ --fields-terminated-by ‘\t’
指定Map數量 -m
sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123
–table trade_detail --target-dir ‘/sqoop/td1’ --fields-terminated-by ‘\t’ -m 2

增加where條件, 注意：條件必須用引號引起來
sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123
–table trade_detail --where ‘id>3’ --target-dir ‘/sqoop/td2’

增加query語句(使用 \ 將語句換行)
sqoop import --connect jdbc:mysql://192.168.1.10:3306/itcast --username root --password 123
–query ‘SELECT * FROM trade_detail where id > 2 AND $CONDITIONS’ --split-by trade_detail.id --target-dir ‘/sqoop/td3’
注意：如果使用–query這個命令的時候，需要注意的是where后面的參數，AND CONDITIONS這個參數必須加上而且存在單引號與雙引號的區別，如果−−query后面使用的是雙引號，那么需要在CONDITIONS這個參數必須加上而且存在單引號與雙引號的區別，如果--query后面使用的是雙引號，那么需要在CONDITIONS這個參數必須加上而且存在單引號與雙引號的區別，如果−−query后面使用的是雙引號，那么需要在CONDITIONS前加上\即$CONDITIONS
如果設置map數量為1個時即-m 1，不用加上–split-by ${tablename.column}，否則需要加上
第二類：將HDFS上的數據導出到數據庫中
sqoop export --connect jdbc:mysql://192.168.8.120:3306/itcast --username root --password 123
–export-dir ‘/td3’ --table td_bak -m 1 --fields-termianted-by ‘\t’

   第三類：使用sqoop導入數據到hive常用語句
         sqoop import --connect jdbc:postgresql://ip/db_name--username user_name --table table_name --hive-import -m 5 內部執行實際分三部，1.將數據導入hdfs（可在hdfs上找到相應目錄），2.創建hive表名相同的表，3，將hdfs上數據傳入hive表中 sqoop根據postgresql表創建hive表 sqoop create-hive-table --connect jdbc:postgresql://ip/db_name --username user_name --table table_name --hive-table hive_table_name( --hive-partition-key partition_name若需要分區則加入分區名稱) 導入hive已經創建好的表中 sqoop import --connect jdbc:postgresql://ip/db_name --username user_name --table table_name --hive-import -m 5 --hive- table hive_table_name (--hive-partition-key partition_name --hive-partition-value partititon_value); 使用query導入hive表 sqoop import --connect jdbc:postgresql://ip/db_name --username user_name --query "select ,* from retail_tb_order where \$CONDITIONS" --hive-import -m 5 --hive-table hive_table_name (--hive-partition-key partition_name --hive-partition-value partititon_value); 注意：$CONDITIONS條件必須有，query子句若用雙引號，則$CONDITIONS需要使用\轉義，若使用單引號，則不需要轉義。 

5.配置mysql遠程連接
GRANT ALL PRIVILEGES ON itcast.* TO ‘root’@‘192.168.1.201’ IDENTIFIED BY ‘123’ WITH GRANT OPTION;
FLUSH PRIVILEGES;
GRANT ALL PRIVILEGES ON . TO ‘root’@’%’ IDENTIFIED BY ‘123’ WITH GRANT OPTION;
FLUSH PRIVILEGES

6.Sqoop原理（以import為例）

Sqoop在import時，需要制定split-by參數。Sqoop根據不同的split-by參數值來進行切分,然后將切分出來的區域分配到不同map中。
每個map中再處理數據庫中獲取的一行一行的值，寫入到HDFS中。同時split-by根據不同的參數類型有不同的切分方法，如比較簡單的int型，
Sqoop會取最大和最小split-by字段值，然后根據傳入的num-mappers來確定划分幾個區域。 比如select max(split_by),min(split-by) from
得到的max(split-by)和min(split-by)分別為1000和1，而num-mappers為2的話，則會分成兩個區域(1,500)和(501-100),
同時也會分成2個sql給2個map去進行導入操作，分別為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。最后每個map各自獲取各自SQL中的數據進行導入工作。

7.mapreduce job所需要的各種參數在Sqoop中的實現

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(對應num-mappers參數) 2)job.setNumReduceTasks(0);

8.實例講解：
這里以命令行: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
注:紅色部分參數，后接根據命令衍生的參數值
1）設置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）設置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）設置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）設置task number
JobBase.configureNumTasks(Job job)
mapred.map.tasks 4
job.setNumReduceTasks(0);

9. 大概流程

1.讀取要導入數據的表結構，生成運行類，默認是QueryResult，打成jar包，然后提交給Hadoop

2.設置好job，主要也就是設置好以上第六章中的各個參數
3.這里就由Hadoop來執行MapReduce來執行Import命令了，
1）首先要對數據進行切分，也就是DataSplit
DataDrivenDBInputFormat.getSplits(JobContext job)
2）切分好范圍后，寫入范圍，以便讀取
DataDrivenDBInputFormat.write(DataOutput output) 這里是lowerBoundQuery and upperBoundQuery
3）讀取以上2）寫入的范圍
DataDrivenDBInputFormat.readFields(DataInput input)
4）然后創建RecordReader從數據庫中讀取數據
DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)
5）創建Map
TextImportMapper.setup(Context context)
6）RecordReader一行一行從關系型數據庫中讀取數據，設置好Map的Key和Value，交給Map
DBRecordReader.nextKeyValue()
7）運行map
TextImportMapper.map(LongWritable key, SqoopRecord val, Context context)
最后生成的Key是行數據，由QueryResult生成，Value是NullWritable.get()