今天发现了一篇介绍Sqoop中通过hadoop mapreduce从关系型数据库import数据分析

介绍的很不错，以下是参考内容

一.原理:

　　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。

　　二.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);

　　这里以我命令行:import --connect jdbc:mysql://localhost/sqoop_datas --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 /tmp/sqoop/foo2 -split-by sqoop_1.id　 --hadoop-home=/home/guoyun/Downloads/hadoop-0.20.2-CDH3B4 --num-mappers 2

　　注:红色部分参数，后接根据我的命令衍生的参数值

　　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/sqoop_datas
　　　　　　　 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(DataDrivenDBInputFormat.class);
　　　　　　　 4)mapreduce.jdbc.input.orderby sqoop_1.id
　　　　　 c)mapreduce.jdbc.input.class QueryResult
　　　　　 d)sqoop.inline.lob.length.max 16777216
　　　 3)job.setInputFormatClass(inputFormatClass); class com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat

　　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);

　　三。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二中的各个参数

　　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()

　　四.总结

　　通过这些,我大概了解了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。我这里说的范围很小，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!

以及一篇非常不错的

Transaction、Sink、Source和Channel开发

总结