Hadoop数据传输工具sqoop

概述

sqoop是Apache顶级项目，主要用来在Hadoop和关系数据库中传递数据。通过sqoop，我们可以方便的将数据从关系数据库导入到HDFS，或者将数据从HDFS导出到关系数据库。
sqoop架构：

sqoop架构非常简单，其整合了Hive、Hbase和Oozie，通过map-reduce任务来传输数据，从而提供并发特性和容错。
sqoop的进一步发展可以参考：A New Generation of Data Transfer Tools for Hadoop: Sqoop 2

sqoop主要通过JDBC和关系数据库进行交互。理论上支持JDBC的database都可以使用sqoop和hdfs进行数据交互。
但是，只有一小部分经过sqoop官方测试，如下：

Database            version            --direct support            connect string matchesHSQLDB            1.8.0+            No            jdbc:hsqldb:*//MySQL            5.0+             Yes            jdbc:mysql://Oracle             10.2.0+            No             jdbc:oracle:*//PostgreSQL             8.3+            Yes             (import only)jdbc:postgresql://

较老的版本有可能也被支持，但未经过测试。
出于性能考虑，sqoop提供不同于JDBC的快速存取数据的机制，可以通过--direct使用。

以下基于sqoop-1.4.3

安装

sqoop安装使用可以参考http://www.54chen.com/java-ee/sqoop-mysql-to-hive.html，测试work

工具

sqoop包含一系列的工具，运行sqoop help可以查看相关帮助，

$ ./sqoop helpusage: sqoop COMMAND [ARGS]Available commands:  codegen            Generate code to interact with database records  create-hive-table  Import a table definition into Hive  eval               Evaluate a SQL statement and display the results  export             Export an HDFS directory to a database table  help               List available commands  import             Import a table from a database to HDFS  import-all-tables  Import tables from a database to HDFS  job                Work with saved jobs  list-databases     List available databases on a server  list-tables        List available tables in a database  merge              Merge results of incremental imports  metastore          Run a standalone Sqoop metastore  version            Display version informationSee 'sqoop help COMMAND' for information on a specific command.

使用工具list-tables查看表，如下：
$ ./sqoop list-tables --connect jdbc:mysql://127.0.0.1/test --username root --password 123456 
a
t1

可以使用codegen生成代码，但不执行map-reduce，如下：
$ ./sqoop codegen --connect jdbc:mysql://127.0.0.1/test --username root --password 123456 --table a --
class-name zxm_sqoop 
......
13/03/21 21:02:01 INFO orm.CompilationManager: Writing jar file: /tmp/sqoop-work/compile/29864e3980ab5630b699e8e1e2145369/zxm_sqoop.jar
此处相关代码和java包可在 /tmp/sqoop-work/compile/29864e3980ab5630b699e8e1e2145369/找到

Import

sqoop 数据导入具有以下特点：
1.支持文本文件(--as-textfile)、avro(--as-avrodatafile)、SequenceFiles(--as-sequencefile)。 RCFILE暂未支持，默认为文本
2.支持数据追加，通过--apend指定
3.支持table列选取（--column），支持数据选取（--where），和--table一起使用
4.支持数据选取，例如读入多表join后的数据'SELECT a.*, b.* FROM a JOIN b on (a.id == b.id) ‘，不可以和--table同时使用
5.支持map数定制(-m)
6.支持压缩(--compress)
7.支持将关系数据库中的数据导入到Hive(--hive-import)、HBase(--hbase-table)
   数据导入Hive分三步：1）导入数据到HDFS  2）Hive建表  3）使用“LOAD DATA INPAHT”将数据LOAD到表中
   数据导入HBase分二部：1）导入数据到HDFS 2）调用HBase put操作逐行将数据写入表
*

示例：
mysql文件内容：

mysql> select * from a;                          +------+--------+| key1 | value1 |+------+--------+|    1 | a1     ||    2 | a2     ||    3 | a3     ||    4 | a4     ||    5 | a5     ||    6 | a6     ||    7 | a7     ||    8 | a8     ||    9 | a9     |+------+--------+

编写文件a.conf，内容：

[html] view plaincopy

1. import  
2.   
3. --append  
4.   
5. -m  
6. 3  
7.   
8. --connect   
9. jdbc:mysql://127.0.0.1/test   
10.   
11. --username   
12. root   
13.   
14. --password   
15. 123456   
16.   
17. --table   
18. a  
19.   
20. --target-dir  
21. /tmp/a  
22.   
23. --columns  
24. key1  
25.   
26. --where  
27. 'key1>3'  

运行：
$ ./sqoop --options-file a.conf 

查看输出：

$ hadoop fs -ls /tmp/a/  Found 3 items-rw-r--r--   1 work supergroup          4 2013-03-21 23:08 /tmp/a/part-m-00000-rw-r--r--   1 work supergroup          4 2013-03-21 23:08 /tmp/a/part-m-00001-rw-r--r--   1 work supergroup          4 2013-03-21 23:08 /tmp/a/part-m-00002  ==》3个文件对应3个mapper$ hadoop fs -cat /tmp/a/*456789

Export

sqoop export 能将HDFS上的文件导出到关系数据库。其工作原理是根据用户指定的分隔符(字段分隔符：--fields-terminated-by)读入并解析数据，然后转换成insert/update语句导入数据到关系数据库。

其具有以下特点：
1. 支持将数据导出到表(--table)或者调用存储过程(--call)

2. 支持insert、update模式
3. 支持并发控制（-m）
实例：
$ hadoop fs -cat /tmp/b/*
1,a
2,b
3,c

$ ./sqoop export --connect jdbc:mysql://127.0.0.1/test --table b  -username root -password 123456 --ex
port-dir /tmp/b

mysql> select * from b;         +------+--------+| key1 | value1 |+------+--------+|    1 | a      ||    2 | b      ||    3 | c      |+------+--------+

出了上述提到的工具外，sqoop还提供了一些有意思的工具，例如sqoop job，有兴趣的同学可以研究下

其它：

1. 通过使用map-reduce，sqoop提供了良好的并发性和容错，可以作为异构数据库同步工具。
2. Sqoop虽然支持Hive、HBase，但并不完整，某些场景下数据传输后的加工不可避免
3. 大数据传输，也许可以使用--direct

reference：

Apache sqoop
Sqoop User Guide
Apache Sqoop: A Data Transfer Tool for Hadoop
A New Generation of Data Transfer Tools for Hadoop: Sqoop 2
Sqoop使用
大数据异构环境数据同步工具DataX 与Sqoop 之比较