Sqoop详细介绍包括:sqoop命令,原理,流程

2017-01-05 11:08:36来源:oschina作者:OkSerIous人点击

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_2WHERE $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.urljdbc:mysql://localhost/test


3).mapreduce.jdbc.usernameroot


4).mapreduce.jdbc.password123456


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_2WHERE(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 andupperBoundQuery


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!、

最新文章

123

最新摄影

微信扫一扫

第七城市微信公众平台