Sqoop產生背景（一）
Sqoop 的產生主要源於：
1、目前很多使用hadoop技術的企業，有大量的數據存儲在傳統關系型數據庫中。
2、早期由於工具的缺乏，hadoop與傳統數據庫之間的數據傳輸非常困難。
1）傳統數據庫中的數據導入到hadoop中，便於廉價的分析與處理
2）hadoop中的數據導入傳統數據庫，可利用強大的sql進一步分析 和展示。
3、基於前兩個方面的考慮，亟需一個在 RDBMS 與 Hadoop 之間進行數據傳輸的項目。
Sqoop是什么？（二）
Sqoop 是傳統數據庫與 Hadoop 之間數據同步的工具，它是 Hadoop 發展到一定程度的必然產物，它主要解決的是傳統數據庫和Hadoop之間數據的遷移問題。
Sqoop 是連接傳統關系型數據庫和 Hadoop 的橋梁。它包括以下兩個方面：
1、 將關系型數據庫的數據導入到 Hadoop 及其相關的系統中，如 Hive和HBase。
2、 將數據從 Hadoop 系統里抽取並導出到關系型數據庫。
Sqoop 的核心設計思想是利用 MapReduce 加快數據傳輸速度。也就是說 Sqoop 的導入和導出功能是通過 MapReduce 作業實現的。
所以它是一種批處理方式進行數據傳輸，難以實現實時的數據進行導入和導出。
1、sqoop 名字的來源：SQL-to-Hadoop
2、我們可以把它看做成連接傳統數據庫和Hadoop的橋梁
1）把關系型數據庫中的數據（MySQL）導入到hadoop或者與其相關的系統比如HDFS 、hive 、Hbase
2）把hadoop中的數據抽取出來，導入到關系型數據庫中
3、它的設計思想就是：利用MapReduce加快數據傳輸速度
為什么選擇Sqoop?（三）
為什么選擇 Sqoop？
通常基於三個方面的考慮：
1、它可以高效、可控地利用資源，可以通過調整任務數來控制任務的並發度。另外它還可以配置數據庫的訪問時間等等。
2、它可以自動的完成數據類型映射與轉換。我們往往導入的數據是有類型的，它可以自動根據數據庫中的類型轉換到 Hadoop 中，當然用戶也可以自定義它們之間的映射關系。
3、它支持多種數據庫，比如，Mysql、Oracle和PostgreSQL等等數據庫。
Sqoop架構（四）
Sqoop 架構是非常簡單的，它主要由三個部分組成：Sqoop client、HDFS/HBase/Hive、Database。
下面是Sqoop 的架構圖
（1）用戶向 Sqoop 發起一個命令之后，這個命令會轉換為一個基於 Map Task 的 MapReduce 作業。
（2）Map Task 會訪問數據庫的元數據信息，通過並行的 Map Task 將數據庫的數據讀取出來，然后導入 Hadoop 中。
（3）當然也可以將 Hadoop 中的數據，導入傳統的關系型數據庫中。
（4）它的核心思想就是通過基於 Map Task （只有 map）的 MapReduce 作業，實現數據的並發拷貝和傳輸，這樣可以大大提高效率。
（MySQL里的數據）通過Sqoop Import HDFS里和通過Sqoop Export HDFS里的數據到（MySQL）(五)
下面我們結合 HDFS，介紹 Sqoop 從關系型數據庫的導入和導出
一、MySQL里的數據通過Sqoop import HDFS
它的功能是將數據從關系型數據庫導入 HDFS 中，其流程圖如下所示。
我們來分析一下 Sqoop 數據導入流程，首先用戶輸入一個 Sqoop import 命令，Sqoop 會從關系型數據庫中獲取元數據信息，
比如要操作數據庫表的 schema是什么樣子，這個表有哪些字段，這些字段都是什么數據類型等。
它獲取這些信息之后，會將輸入命令轉化為基於 Map 的 MapReduce作業。
這樣 MapReduce作業中有很多 Map 任務，每個 Map 任務從數據庫中讀取一片數據，這樣多個 Map 任務實現並發的拷貝，把整個數據快速的拷貝到 HDFS 上。
Sqoop Import HDFS（帶着官網）
具體，自己去嘗試做吧！
在這之前，先啟動hadoop集群,sbin/start-all.sh。這里不多贅述。
同時，開啟MySQL數據庫。這里，不多贅述。
同時，因為后續的sqoop運行啊，會產生一些日志等，我這里先新建一個目錄，用來專門存放它。在哪個目錄下運行后續的sqoop操作，就在哪個目錄下新建就好。（因為，已經配置了環境變量，在任何路徑下都是可以運行的）
[hadoop@djt002 sqoop]$ pwd /usr/local/sqoop [hadoop@djt002 sqoop]$ ll total 4 drwxr-xr-x. 9 hadoop hadoop 4096 Apr 27 2015 sqoop-1.4.6 [hadoop@djt002 sqoop]$ mkdir sqoopRunCreate [hadoop@djt002 sqoop]$ ll total 8 drwxr-xr-x. 9 hadoop hadoop 4096 Apr 27 2015 sqoop-1.4.6 drwxrwxr-x. 2 hadoop hadoop 4096 Mar 17 23:33 sqoopRunCreate [hadoop@djt002 sqoop]$ cd sqoopRunCreate/ [hadoop@djt002 sqoopRunCreate]$ pwd /usr/local/sqoop/sqoopRunCreate [hadoop@djt002 sqoopRunCreate]$
比如，以后我就在這個目錄下運行操作sqoop，/usr/local/sqoop/sqoopRunCreate。
Sqoop Import 應用場景——密碼訪問
（1）明碼訪問
[hadoop@djt002 sqoopRunCreate]$ sqoop list-databases \ > --connect jdbc:mysql://192.168.80.200/ \ > --username hive \ > --password hive
（2）交互式密碼訪問
[hadoop@djt002 sqoopRunCreate]$ sqoop list-databases \ > --connect jdbc:mysql://192.168.80.200/ \ > --username hive \ > -P Enter password: （輸入hive）
（3）文件授權密碼訪問
因為，官網上是這么給的，在家目錄，且需賦予400權限。所以
[hadoop@djt002 ~]$ pwd /home/hadoop [hadoop@djt002 ~]$ echo -n "hive" > .password [hadoop@djt002 ~]$ ls -a . .bash_history .cache djt flume .gnote .gvfs .local .nautilus .pulse Videos .xsession-errors .. .bash_logout .config Documents .gconf .gnupg .hivehistory .mozilla .password .pulse-cookie .vim .xsession-errors.old .abrt .bash_profile .dbus Downloads .gconfd .gstreamer-0.10 .ICEauthority Music Pictures .ssh .viminfo anagram.jar .bashrc Desktop .esd_auth .gnome2 .gtk-bookmarks .imsettings.log .mysql_history Public Templates .Xauthority [hadoop@djt002 ~]$ more .password hive [hadoop@djt002 ~]$
[hadoop@djt002 ~]$ chmod 400 .password
[hadoop@djt002 sqoopRunCreate]$ sqoop list-databases \ > --connect jdbc:mysql://192.168.80.200/ \ > --username hive \ > --password-file /home/hadoop/.password java.io.IOException: The provided password file /home/hadoop/.password does not exist!
[hadoop@djt002 local]$ $HADOOP_HOME/bin/hadoop dfs -put /home/hadoop/.password /user/hadoop [hadoop@djt002 local]$ $HADOOP_HOME/bin/hadoop dfs -chmod 400 /user/hadoop/.password
[hadoop@djt002 ~]$ rm .password rm: remove write-protected regular file `.password'? y
[hadoop@djt002 sqoopRunCreate]$ sqoop list-databases \ > --connect jdbc:mysql://192.168.80.200/ \ > --username hive \ > --password-file /user/hadoop/.password
Sqoop Import 應用場景——導入全表
（1）不指定目錄 （則默認是在/user/hadoop/下）
我這里啊，給大家嘗試另一個軟件。（為什么，要這樣帶大家使用，是為了你們的多適應和多自學能力）（別嫌麻煩！）
SQLyog之MySQL客戶端的下載、安裝和使用
這里，我們選擇在hive這個數據庫里，創建新的表，命名為
如果，面對 SQLyog不能正常顯示中文數據的情況：在SQLyog下輸入SET character_set_results = gb2312（或 gbk），執行，重新啟動SQLyog，顯示應該也可以看到你所插入的中文數據了。
SQLyog軟件里無法插入中文（即由默認的latin1改成UTF8編碼格式）
注意，我的數據表是djt-user。我這里改名啦！
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect jdbc:mysql://192.168.80.200/hive \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt-user
SET character_set_database=utf8; SET character_set_server=utf8; SHOW VARIABLES LIKE 'character%';
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -rmr /user/hadoop/djt-user
[hadoop@djt002 sqoopRunCreate]$ sqoop import --connect jdbc:mysql://192.168.80.200/hive --username hive --password-file /user/hadoop/.password --table djt-user
[hadoop@djt002 sqoopRunCreate]$ sqoop import --connect jdbc:mysql://192.168.80.200/hive --username hive --password-file /user/hadoop/.password --table djt-user
Warning: /usr/local/sqoop/sqoop-1.4.6/../hcatalog does not exist! HCatalog jobs will fail.
Please set $HCAT_HOME to the root of your HCatalog installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../accumulo does not exist! Accumulo imports will fail.
Please set $ACCUMULO_HOME to the root of your Accumulo installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../zookeeper does not exist! Accumulo imports will fail.
Please set $ZOOKEEPER_HOME to the root of your Zookeeper installation.
17/03/18 04:17:10 INFO sqoop.Sqoop: Running Sqoop version: 1.4.6
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/local/hadoop/hadoop-2.6.0/share/hadoop/common/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/hbase/hbase-1.2.3/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
17/03/18 04:17:14 INFO manager.MySQLManager: Preparing to use a MySQL streaming resultset.
17/03/18 04:17:14 INFO tool.CodeGenTool: Beginning code generation
17/03/18 04:17:15 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `djt-user` AS t LIMIT 1
17/03/18 04:17:15 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `djt-user` AS t LIMIT 1
17/03/18 04:17:15 INFO orm.CompilationManager: HADOOP_MAPRED_HOME is /usr/local/hadoop/hadoop-2.6.0
Note: /tmp/sqoop-hadoop/compile/38104c9fe28c7f43fdb42c26826dbf91/djt_user.java uses or overrides a deprecated API.
Note: Recompile with -Xlint:deprecation for details.
17/03/18 04:17:21 INFO orm.CompilationManager: Writing jar file: /tmp/sqoop-hadoop/compile/38104c9fe28c7f43fdb42c26826dbf91/djt-user.jar
17/03/18 04:17:21 WARN manager.MySQLManager: It looks like you are importing from mysql.
17/03/18 04:17:21 WARN manager.MySQLManager: This transfer can be faster! Use the --direct
17/03/18 04:17:21 WARN manager.MySQLManager: option to exercise a MySQL-specific fast path.
17/03/18 04:17:21 INFO manager.MySQLManager: Setting zero DATETIME behavior to convertToNull (mysql)
17/03/18 04:17:21 INFO mapreduce.ImportJobBase: Beginning import of djt-user
17/03/18 04:17:21 INFO Configuration.deprecation: mapred.jar is deprecated. Instead, use mapreduce.job.jar
17/03/18 04:17:21 INFO Configuration.deprecation: mapred.map.tasks is deprecated. Instead, use mapreduce.job.maps
17/03/18 04:17:22 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:8032
17/03/18 04:17:30 INFO db.DBInputFormat: Using read commited transaction isolation
17/03/18 04:17:30 INFO db.DataDrivenDBInputFormat: BoundingValsQuery: SELECT MIN(`id`), MAX(`id`) FROM `djt-user`
17/03/18 04:17:31 INFO mapreduce.JobSubmitter: number of splits:3
17/03/18 04:17:32 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1489767532299_0002
17/03/18 04:17:33 INFO impl.YarnClientImpl: Submitted application application_1489767532299_0002
17/03/18 04:17:33 INFO mapreduce.Job: The url to track the job: http://djt002:8088/proxy/application_1489767532299_0002/
17/03/18 04:17:33 INFO mapreduce.Job: Running job: job_1489767532299_0002
17/03/18 04:18:03 INFO mapreduce.Job: Job job_1489767532299_0002 running in uber mode : false
17/03/18 04:18:03 INFO mapreduce.Job: map 0% reduce 0%
17/03/18 04:19:09 INFO mapreduce.Job: map 67% reduce 0%
17/03/18 04:19:12 INFO mapreduce.Job: map 100% reduce 0%
17/03/18 04:19:13 INFO mapreduce.Job: Job job_1489767532299_0002 completed successfully
17/03/18 04:19:13 INFO mapreduce.Job: Counters: 30
File System Counters
FILE: Number of bytes read=0
FILE: Number of bytes written=370638
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=295
HDFS: Number of bytes written=105
HDFS: Number of read operations=12
HDFS: Number of large read operations=0
HDFS: Number of write operations=6
Job Counters
Launched map tasks=3
Other local map tasks=3
Total time spent by all maps in occupied slots (ms)=174022
Total time spent by all reduces in occupied slots (ms)=0
Total time spent by all map tasks (ms)=174022
Total vcore-seconds taken by all map tasks=174022
Total megabyte-seconds taken by all map tasks=178198528
Map-Reduce Framework
Map input records=3
Map output records=3
Input split bytes=295
Spilled Records=0
Failed Shuffles=0
Merged Map outputs=0
GC time elapsed (ms)=5172
CPU time spent (ms)=9510
Physical memory (bytes) snapshot=362741760
Virtual memory (bytes) snapshot=2535641088
Total committed heap usage (bytes)=181862400
File Input Format Counters
Bytes Read=0
File Output Format Counters
Bytes Written=105
17/03/18 04:19:13 INFO mapreduce.ImportJobBase: Transferred 105 bytes in 111.9157 seconds (0.9382 bytes/sec)
17/03/18 04:19:13 INFO mapreduce.ImportJobBase: Retrieved 3 records.
[hadoop@djt002 sqoopRunCreate]$
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /user/hadoop/djt-user/part-m-* 1,王菲,female,36,歌手 2,謝霆鋒,male,30,歌手 3,周傑倫,male,33,導演 [hadoop@djt002 ~]$
總結
不指定目錄 sqoop import \ --connect 'jdbc:mysql://192.168.128.200/hive \ --username hive \ --password-file /user/hadoop/.password \ --table djt_user
不指定目錄 （推薦這種） sqoop import \ --connect 'jdbc:mysql://192.168.128.200/hive?useUnicode=true&characterEncoding=utf-8' \ --username hive \ --password-file /user/hadoop/.password \ --table djt_user
即，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，這里是在/user/hadoop/djt_user。
（2）指定目錄
任意可以指定的。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 1,王菲,female,36,歌手 2,謝霆鋒,male,30,歌手 3,周傑倫,male,33,導演 [hadoop@djt002 ~]$
這里，為統一標准和規范化，用數據表djt_user。
（3）目錄已存在
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect jdbc:mysql://192.168.80.200/hive \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir
Warning: /usr/local/sqoop/sqoop-1.4.6/../hcatalog does not exist! HCatalog jobs will fail.
Please set $HCAT_HOME to the root of your HCatalog installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../accumulo does not exist! Accumulo imports will fail.
Please set $ACCUMULO_HOME to the root of your Accumulo installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../zookeeper does not exist! Accumulo imports will fail.
Please set $ZOOKEEPER_HOME to the root of your Zookeeper installation.
17/03/18 04:43:40 INFO sqoop.Sqoop: Running Sqoop version: 1.4.6
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/local/hadoop/hadoop-2.6.0/share/hadoop/common/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/hbase/hbase-1.2.3/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
17/03/18 04:43:45 INFO manager.MySQLManager: Preparing to use a MySQL streaming resultset.
17/03/18 04:43:45 INFO tool.CodeGenTool: Beginning code generation
17/03/18 04:43:46 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `djt_user` AS t LIMIT 1
17/03/18 04:43:46 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `djt_user` AS t LIMIT 1
17/03/18 04:43:46 INFO orm.CompilationManager: HADOOP_MAPRED_HOME is /usr/local/hadoop/hadoop-2.6.0
Note: /tmp/sqoop-hadoop/compile/1fae17dd362476d95608e216756efa34/djt_user.java uses or overrides a deprecated API.
Note: Recompile with -Xlint:deprecation for details.
17/03/18 04:43:52 INFO orm.CompilationManager: Writing jar file: /tmp/sqoop-hadoop/compile/1fae17dd362476d95608e216756efa34/djt_user.jar
17/03/18 04:43:52 INFO tool.ImportTool: Destination directory /sqoop/test/djt_user deleted.
17/03/18 04:43:52 WARN manager.MySQLManager: It looks like you are importing from mysql.
17/03/18 04:43:52 WARN manager.MySQLManager: This transfer can be faster! Use the --direct
17/03/18 04:43:52 WARN manager.MySQLManager: option to exercise a MySQL-specific fast path.
17/03/18 04:43:52 INFO manager.MySQLManager: Setting zero DATETIME behavior to convertToNull (mysql)
17/03/18 04:43:52 INFO mapreduce.ImportJobBase: Beginning import of djt_user
17/03/18 04:43:52 INFO Configuration.deprecation: mapred.jar is deprecated. Instead, use mapreduce.job.jar
17/03/18 04:43:52 INFO Configuration.deprecation: mapred.map.tasks is deprecated. Instead, use mapreduce.job.maps
17/03/18 04:43:53 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:8032
17/03/18 04:44:02 INFO db.DBInputFormat: Using read commited transaction isolation
17/03/18 04:44:02 INFO db.DataDrivenDBInputFormat: BoundingValsQuery: SELECT MIN(`id`), MAX(`id`) FROM `djt_user`
17/03/18 04:44:02 INFO mapreduce.JobSubmitter: number of splits:3
17/03/18 04:44:03 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1489767532299_0005
17/03/18 04:44:03 INFO impl.YarnClientImpl: Submitted application application_1489767532299_0005
17/03/18 04:44:03 INFO mapreduce.Job: The url to track the job: http://djt002:8088/proxy/application_1489767532299_0005/
17/03/18 04:44:03 INFO mapreduce.Job: Running job: job_1489767532299_0005
17/03/18 04:44:23 INFO mapreduce.Job: Job job_1489767532299_0005 running in uber mode : false
17/03/18 04:44:23 INFO mapreduce.Job: map 0% reduce 0%
17/03/18 04:45:21 INFO mapreduce.Job: map 67% reduce 0%
17/03/18 04:45:23 INFO mapreduce.Job: map 100% reduce 0%
17/03/18 04:45:23 INFO mapreduce.Job: Job job_1489767532299_0005 completed successfully
17/03/18 04:45:24 INFO mapreduce.Job: Counters: 30
File System Counters
FILE: Number of bytes read=0
FILE: Number of bytes written=370635
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=295
HDFS: Number of bytes written=80
HDFS: Number of read operations=12
HDFS: Number of large read operations=0
HDFS: Number of write operations=6
Job Counters
Launched map tasks=3
Other local map tasks=3
Total time spent by all maps in occupied slots (ms)=163316
Total time spent by all reduces in occupied slots (ms)=0
Total time spent by all map tasks (ms)=163316
Total vcore-seconds taken by all map tasks=163316
Total megabyte-seconds taken by all map tasks=167235584
Map-Reduce Framework
Map input records=3
Map output records=3
Input split bytes=295
Spilled Records=0
Failed Shuffles=0
Merged Map outputs=0
GC time elapsed (ms)=3240
CPU time spent (ms)=8480
Physical memory (bytes) snapshot=356696064
Virtual memory (bytes) snapshot=2535596032
Total committed heap usage (bytes)=181862400
File Input Format Counters
Bytes Read=0
File Output Format Counters
Bytes Written=80
17/03/18 04:45:24 INFO mapreduce.ImportJobBase: Transferred 80 bytes in 91.6189 seconds (0.8732 bytes/sec)
17/03/18 04:45:24 INFO mapreduce.ImportJobBase: Retrieved 3 records.
[hadoop@djt002 sqoopRunCreate]$
Sqoop Import 應用場景——控制並行度
（1）控制並行度
默認是4個，當然我這里數據量小，指定1個就行了。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -rm /sqoop/test/djt_user/part-m-*
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1
在這里，可能會遇到這個問題。
Sqoop異常解決ERROR tool.ImportTool: Encountered IOException running import job: java.io.IOException: No columns to generate for ClassWriter問題
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-*
Sqoop Import 應用場景——控制字段分隔符
（1）控制字段分隔符
注意，默認的控制分段分隔符是逗號，我們這里自定義。
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1 \ > --fields-terminated-by "@"
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 1@王菲@female@36@歌手 2@謝霆鋒@male@30@歌手 3@周傑倫@male@33@導演 [hadoop@djt002 ~]$
（2）手動增量導入
我們加入，4、5和6。
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user \ > --target-dir /sqoop/test/djt_user \ > -m 1 \ > --fields-terminated-by "@" \ > --append \ > --check-column 'id' \ > --incremental append \ > --last-value 3
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 1@王菲@female@36@歌手 2@謝霆鋒@male@30@歌手 3@周傑倫@male@33@導演 4@王力宏@male@40@演員 5@張三@male@39@無業游民 6@李四@female@18@學生 [hadoop@djt002 ~]$
（3）自動增量導入
[hadoop@djt002 sqoopRunCreate]$ sqoop job \ > --create job_import_djt_user \ > -- import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user \ > --target-dir /sqoop/test/djt_user \ > -m 1 \ > --fields-terminated-by "@" \ > --append \ > --check-column 'id' \ > --incremental append \ > --last-value 6
[hadoop@djt002 sqoopRunCreate]$ sqoop job --exec job_import_djt_user
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
刪除某個job
[hadoop@djt002 sqoopRunCreate]$ sqoop job --delete job_import_djt_user
查看當前可用的job
[hadoop@djt002 sqoopRunCreate]$ sqoop job --list
查看某個具體job的信息
[hadoop@djt002 sqoopRunCreate]$ sqoop job --show job_import_djt_user
[hadoop@djt002 sqoopRunCreate]$ sqoop job --show
Warning: /usr/local/sqoop/sqoop-1.4.6/../hcatalog does not exist! HCatalog jobs will fail.
Please set $HCAT_HOME to the root of your HCatalog installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../accumulo does not exist! Accumulo imports will fail.
Please set $ACCUMULO_HOME to the root of your Accumulo installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../zookeeper does not exist! Accumulo imports will fail.
Please set $ZOOKEEPER_HOME to the root of your Zookeeper installation.
17/03/18 06:50:58 INFO sqoop.Sqoop: Running Sqoop version: 1.4.6
Missing argument for option: show
[hadoop@djt002 sqoopRunCreate]$ clear
[hadoop@djt002 sqoopRunCreate]$ sqoop job --show job_import_djt_user
Warning: /usr/local/sqoop/sqoop-1.4.6/../hcatalog does not exist! HCatalog jobs will fail.
Please set $HCAT_HOME to the root of your HCatalog installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../accumulo does not exist! Accumulo imports will fail.
Please set $ACCUMULO_HOME to the root of your Accumulo installation.
Warning: /usr/local/sqoop/sqoop-1.4.6/../zookeeper does not exist! Accumulo imports will fail.
Please set $ZOOKEEPER_HOME to the root of your Zookeeper installation.
17/03/18 06:51:47 INFO sqoop.Sqoop: Running Sqoop version: 1.4.6
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/local/hadoop/hadoop-2.6.0/share/hadoop/common/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/hbase/hbase-1.2.3/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
Job: job_import_djt_user
Tool: import
Options:
----------------------------
verbose = false
incremental.last.value = 10
db.connect.string = jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8
codegen.output.delimiters.escape = 0
codegen.output.delimiters.enclose.required = false
codegen.input.delimiters.field = 0
hbase.create.table = false
hdfs.append.dir = true
db.table = djt_user
codegen.input.delimiters.escape = 0
import.fetch.size = null
accumulo.create.table = false
codegen.input.delimiters.enclose.required = false
db.username = hive
reset.onemapper = false
codegen.output.delimiters.record = 10
import.max.inline.lob.size = 16777216
hbase.bulk.load.enabled = false
hcatalog.create.table = false
db.clear.staging.table = false
incremental.col = id
codegen.input.delimiters.record = 0
db.password.file = /user/hadoop/.password
enable.compression = false
hive.overwrite.table = false
hive.import = false
codegen.input.delimiters.enclose = 0
accumulo.batch.size = 10240000
hive.drop.delims = false
codegen.output.delimiters.enclose = 0
hdfs.delete-target.dir = false
codegen.output.dir = .
codegen.auto.compile.dir = true
relaxed.isolation = false
mapreduce.num.mappers = 1
accumulo.max.latency = 5000
import.direct.split.size = 0
codegen.output.delimiters.field = 64
export.new.update = UpdateOnly
incremental.mode = AppendRows
hdfs.file.format = TextFile
codegen.compile.dir = /tmp/sqoop-hadoop/compile/d81bf23cb3eb8eb11e7064a16df0b92b
direct.import = false
hdfs.target.dir = /sqoop/test/djt_user
hive.fail.table.exists = false
db.batch = false
[hadoop@djt002 sqoopRunCreate]$
Sqoop Import 應用場景——啟動壓縮
啟動壓縮
默認是gzip壓縮，具體去看官網
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > -table djt_user \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1 \ > --fields-terminated-by "@" \ > -z
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-*
Sqoop Import 應用場景——導入空值處理
（1）導入空值處理
先，不加空值處理，看是怎樣的。
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > -table djt_user \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1 \ > --fields-terminated-by "@" >
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-*
所以，一般需要對null進行轉換，即需對空值進行處理。比如年齡那列，要么給他假如是18歲定死，要么就是0等。
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > -table djt_user \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1 \ > --fields-terminated-by "@" \ > --null-non-string "###" \ > --null-string "###"
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
我這里，將空值null轉換成###，這個，大家可以根據自己的需要，可以轉換成其它的，不多贅述。自行去舉一反三。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-*
下面呢，這個場景，比如，如下，我不需全部的字段導出，非空值的某部分字段呢，該如何操作啊?
Sqoop Import 應用場景——導入部分數據
（1）使用–columns
即，指定某個或某些字段導入
比如，我這里，指定只導入id和name，當然，你可以去指定更多，我這里只是個參考和帶入門的引子實例罷了。
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > -table djt_user \ > --columns id,name \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1 \ > --fields-terminated-by "@" \ > --null-non-string "###" \ > --null-string "###"
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 1@王菲 2@謝霆鋒 3@周傑倫 4@王力宏 5@張三 6@李四 7@王五 8@王六 9@小王 10@小林 [hadoop@djt002 ~]$
（2）使用–where
剛是導入指定的字段，也可以用篩選來導入達到目的。
比如，我這里，只想導入sex=female的。
[hadoop@djt002 sqoopRunCreate]$ sqoop import \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user \ > --where "sex='female'" \ > --target-dir /sqoop/test/djt_user \ > --delete-target-dir \ > -m 1 \ > --fields-terminated-by "@" \ > --null-non-string "###" \ > --null-string "###"
這里，djt_user是在MySQL里，通過Sqoop工具，導入到HDFS里，是在/sqoop/test/djt_user。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 1@王菲@female@36@歌手 6@李四@female@18@學生 9@小王@female@24@hadoop運維 10@小林@female@30@### [hadoop@djt002 ~]$
（3）使用–query
比如，導入比較復雜更實用。
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 2@謝霆鋒@male@30@歌手 6@李四@female@18@學生 9@小王@female@24@hadoop運維 10@小林@female@30@### [hadoop@djt002 ~]$
注意
若，從MySQL數據庫導入數據到HDFS里，出現中斷情況了怎么辦?
答：好比MapReduce作業丟失一樣，有個容錯機制。但是這里，我們不用擔心，任務中斷導致數據重復插入，這個不需擔心。
它這里呢，要么就是全部導入才成功，要么就是一條都導不進不成功。
即，Sqoop Import HDFS 里沒有“臟數據”的情況發生。
MySQL里的數據通過Sqoop import HDFS（作為擴展）
下面我們看一下 Sqoop 如何使用命令行來導入數據的，其命令行語法如下所示。
sqoop import \
--connect jdbc:mysql://192.168.80.128:3306/db_hadoop \
--username sqoop \
--password sqoop \
--table user \
--target-dir /junior/sqoop/ \ //可選，不指定目錄，數據默認導入到/user下
--where "sex='female'" \ //可選
--as-sequencefile \ //可選，不指定格式，數據格式默認為 Text 文本格式
--num-mappers 10 \ //可選，這個數值不宜太大
--null-string '\\N' \ //可選
--null-non-string '\\N' \ //可選
--connect：指定 JDBC URL。
--username/password：mysql 數據庫的用戶名。
--table：要讀取的數據庫表。
--target-dir：將數據導入到指定的 HDFS 目錄下，文件名稱如果不指定的話，會默認數據庫的表名稱。
--where：過濾從數據庫中要導入的數據。
--as-sequencefile：指定數據導入數據格式。
--num-mappers：指定 Map 任務的並發度。
--null-string，--null-non-string：同時使用可以將數據庫中的空字段轉化為'\N'，因為數據庫中字段為 null，會占用很大的空間。
下面我們介紹幾種 Sqoop 數據導入的特殊應用（作為擴展）
1、Sqoop 每次導入數據的時候，不需要把以往的所有數據重新導入 HDFS，只需要把新增的數據導入 HDFS 即可，下面我們來看看如何導入新增數據。
sqoop import \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --incremental append \ //代表只導入增量數據 --check-column id \ //以主鍵id作為判斷條件 --last-value 999 //導入id大於999的新增數據
上述三個組合使用，可以實現數據的增量導入。
2、Sqoop 數據導入過程中，直接輸入明碼存在安全隱患，我們可以通過下面兩種方式規避這種風險。
1)-P:sqoop 命令行最后使用 -P，此時提示用戶輸入密碼，而且用戶輸入的密碼是看不見的，起到安全保護作用。密碼輸入正確后，才會執行 sqoop 命令。
sqoop import \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --table user \ -P
2)--password-file：指定一個密碼保存文件，讀取密碼。我們可以將這個文件設置為只有自己可讀的文件，防止密碼泄露。
sqoop import \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --table user \ --password-file my-sqoop-password
二、通過Sqoop Export HDFS里的數據到MySQL
它的功能是將數據從 HDFS 導入關系型數據庫表中，其流程圖如下所示。
我們來分析一下 Sqoop 數據導出流程，首先用戶輸入一個 Sqoop export 命令，它會獲取關系型數據庫的 schema，
建立 Hadoop 字段與數據庫表字段的映射關系。 然后會將輸入命令轉化為基於 Map 的 MapReduce作業，
這樣 MapReduce作業中有很多 Map 任務，它們並行的從 HDFS 讀取數據，並將整個數據拷貝到數據庫中。
大家，必須要去看官網！
Sqoop Export 應用場景——直接導出
直接導出
請去看我下面的這篇博客，對你有好處。我不多贅述。
SQLyog普通版與SQLyog企業版對比分析
CREATE TABLE djt_user_copy SELECT * FROM djt_user WHERE 1=2;
[hadoop@djt002 sqoopRunCreate]$ sqoop export \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user_copy \ > --export-dir /sqoop/test/djt_user \ > --input-fields-terminated-by "@"
這里，HDFS里，是在/sqoop/test/djt_user，通過Sqoop工具，導出到djt_user_copy是在MySQL里。
因為啊，之前，/sqoop/test/djt_user的數據如下
Sqoop Export 應用場景——指定map數
指定map數
Map Task默認是4個
[hadoop@djt002 sqoopRunCreate]$ sqoop export \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user_copy \ > --export-dir /sqoop/test/djt_user \ > --input-fields-terminated-by "@" \ > -m 1
這里，HDFS里，是在/sqoop/test/djt_user，通過Sqoop工具，導出到djt_user_copy是在MySQL里。
Sqoop Export 應用場景——插入和更新
插入和更新
[hadoop@djt002 sqoopRunCreate]$ sqoop export \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user_copy \ > --export-dir /sqoop/test/djt_user \ > --input-fields-terminated-by "@" \ > -m 1 \ > --update-key id \ > --update-mode allowinsert
這里，HDFS里，是在/sqoop/test/djt_user，通過Sqoop工具，導出到djt_user_copy是在MySQL里。
Sqoop Export 應用場景——事務處理
事務處理
比如，從HDFS里導出到MySQL。這個時候可能會出現意外情況，如出現中斷，則會出現“臟數據”重復情況。
則提供了這個事務處理。
即 HDFS -> 先導出到 中間表（成功才可以，后續導出） -> MySQL
我這里是， /sqoop/test/djt_user （在HDFS里） -> djt_user_copy_tmp （在MySQL里） -> djt_user_copy （在MySQL里）
這里，HDFS里，是在/sqoop/test/djt_user，通過Sqoop工具，導出到djt_user_copy是在MySQL里。
注意這個中間表，需要創建djt_user_copy_tmp
[hadoop@djt002 sqoopRunCreate]$ sqoop export \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user_copy \ > --staging-table djt_user_copy_tmp \ > --clear-staging-table \ > --export-dir /sqoop/test/djt_user \ > -input-fields-terminated-by "@"
這里，HDFS里，是在/sqoop/test/djt_user，通過Sqoop工具，先導出到中間表djt_user_copy_tmp是在MySQL里，再繼續導出到djt_user_copy是在MySQL里。
因為，此刻HDFS里的
再次做測試，假設，我現在，把MySQL里的djt_user數據導入到HDFS里的/sqoop/test/djt_user。
[hadoop@djt002 sqoopRunCreate]$ sqoop import --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' --username hive --password-file /user/hadoop/.password -table djt_user --target-dir /sqoop/test/djt_user --delete-target-dir -m 1 --fields-terminated-by "@" --null-non-string "###" --null-string "###"
[hadoop@djt002 ~]$ $HADOOP_HOME/bin/hadoop fs -cat /sqoop/test/djt_user/part-m-* 1@王菲@female@36@歌手 2@謝霆鋒@male@30@歌手 3@周傑倫@male@33@導演 4@王力宏@male@40@演員 5@張三@male@39@無業游民 6@李四@female@18@學生 7@王五@male@34@Java開發工程師 8@王六@male@45@hadoop工程師 9@小王@female@24@hadoop運維 10@小林@female@30@### [hadoop@djt002 ~]$
然后，接着，我們把HDFS里的/sqoop/test/djt_user 導出到 MySQL里的 djt_user_copydjt_user_copy。
說白了，就是再次做了一下 Sqoop Export 應用場景——事務處理。（自己好好理清思路去）
即 HDFS -> 先導出到 中間表（成功才可以，后續導出） -> MySQL
我這里是， /sqoop/test/djt_user（在HDFS里） -> djt_user_copy_tmp （在MySQL里） -> djt_user_copydjt_user_copy （在MySQL里）
[hadoop@djt002 sqoopRunCreate]$ sqoop export \ > --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' \ > --username hive \ > --password-file /user/hadoop/.password \ > --table djt_user_copy \ > --staging-table djt_user_copy_tmp \ > --clear-staging-table \ > --export-dir /sqoop/test/djt_user \ > -input-fields-terminated-by "@"
這里，HDFS里，是在/sqoop/test/djt_user，通過Sqoop工具，先導出到中間表djt_user_copy_tmp是在MySQL里，再繼續導出到djt_user_copy是在MySQL里。
因為，HDFS里的
得到，
Sqoop Export HDFS 應用場景——字段不對應問題
字段不對應問題
因為，在Sqoop import時，我們有選擇性的導入某個字段或某些字段對吧，那么，同樣，對於Sqoop export也是一樣！
[hadoop@djt002 sqoopRunCreate]$ sqoop import --connect 'jdbc:mysql://192.168.80.200/hive?useUnicode=true&characterEncoding=utf-8' --username hive --password-file /user/hadoop/.password -table djt_user --columns name,sex,age,profile --target-dir /sqoop/test/djt_user --delete-target-dir -m 1 --fields-terminated-by "@" --null-non-string "###" --null-string "###"
比如，HDFS里（的/sqoop/test/djt_user/）有4列， 數據庫里（的djt_user_copy）有5列（因為會多出自增鍵）。那么，如何來處理這個棘手問題呢?
這樣來處理，
照樣sqoop export里也有 -columns name,sex,age,profile \
我的這里，自增鍵呢?/
通過Sqoop Export HDFS里的數據到MySQL（作為擴展）
下面我們看一下 Sqoop 如何使用命令行來導出數據的，其命令行語法如下所示。
sqoop export \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --export-dir user
--connect：指定 JDBC URL。
--username/password：mysql 數據庫的用戶名和密碼。
--table：要導入的數據庫表。
--export-dir：數據在 HDFS 上的存放目錄。
下面我們介紹幾種 Sqoop 數據導出的特殊應用（作為擴展）
1、Sqoop export 將數據導入數據庫，一般情況下是一條一條導入的，這樣導入的效率非常低。這時我們可以使用 Sqoop export 的批量導入提高效率，其具體語法如下。
sqoop export \ --Dsqoop.export.records.per.statement=10 \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --export-dir user \ --batch
--Dsqoop.export.records.per.statement：指定每次導入10條數據，--batch：指定是批量導入。
2、在實際應用中還存在這樣一個問題，比如導入數據的時候，Map Task 執行失敗，
那么該 Map 任務會轉移到另外一個節點執行重新運行，這時候之前導入的數據又要重新導入一份，造成數據重復導入。
因為 Map Task 沒有回滾策略，一旦運行失敗，已經導入數據庫中的數據就無法恢復。
Sqoop export 提供了一種機制能保證原子性， 使用--staging-table 選項指定臨時導入的表。
Sqoop export 導出數據的時候會分為兩步：
第一步，將數據導入數據庫中的臨時表，如果導入期間 Map Task 失敗，會刪除臨時表數據重新導入；
第二步，確認所有 Map Task 任務成功后，會將臨時表名稱為指定的表名稱。
sqoop export \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --staging-table staging_user
3、在 Sqoop 導出數據過程中，如果我們想更新已有數據，可以采取以下兩種方式。
1)通過 --update-key id 更新已有數據。
sqoop export \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --update-key id
2) 使用 --update-key id和--update-mode allowinsert 兩個選項的情況下，如果數據已經存在，則更新數據，如果數據不存在，則插入新數據記錄。
sqoop export \ --connect jdbc:mysql://192.168.80.128.:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --update-key id \ --update-mode allowinsert
4、如果 HDFS 中的數據量比較大，很多字段並不需要，我們可以使用 --columns 來指定插入某幾列數據。
sqoop export \ --connect jdbc:mysql://192.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --column username,sex
5、當導入的字段數據不存在或者為null的時候，我們使用--input-null-string和--input-null-non-string 來處理。
sqoop export \ --connect jdbc:mysql://129.168.80.128:3306/db_hadoop \ --username sqoop \ --password sqoop \ --table user \ --input-null-string '\\N' \ --input-null-non-string '\\N'
推薦博客
http://sqoop.apache.org/docs/1.4.6/SqoopUserGuide.html （sqoop官網文檔）
http://blog.csdn.net/aaronhadoop/article/details/26713431
作者：大數據和人工智能躺過的坑
出處：http://www.cnblogs.com/zlslch/
本文版權歸作者和博客園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文鏈接，否則保留追究法律責任的權利。 如果您認為這篇文章還不錯或者有所收獲，您可以通過右邊的“打賞”功能 打賞我一杯咖啡【物質支持】，也可以點擊右下角的【好文要頂】按鈕【精神支持】，因為這兩種支持都是我繼續寫作，分享的最大動力！
轉載於：https://www.cnblogs.com/zlslch/p/6116476.html