Sqoop是一個(gè)用來將Hadoop和關(guān)系型數(shù)據(jù)庫(kù)中的數(shù)據(jù)相互轉(zhuǎn)移的工具，可以將一個(gè)關(guān)系型數(shù)據(jù)庫(kù)（例如 ： MySQL ,Oracle ,Postgres等）中的數(shù)據(jù)導(dǎo)進(jìn)到Hadoop的HDFS中，也可以將HDFS的數(shù)據(jù)導(dǎo)進(jìn)到關(guān)系型數(shù)據(jù)庫(kù)中。

Sqoop中一大亮點(diǎn)就是可以通過hadoop的mapreduce把數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫(kù)中導(dǎo)入數(shù)據(jù)到HDFS。

Sqoop大約有13種命令,和幾種通用的參數(shù)(都支持這13種命令)，這里先列出這13種命令。

接著列出Sqoop的各種通用參數(shù),然后針對(duì)以上13個(gè)命令列出他們自己的參數(shù)。Sqoop通用參數(shù)又分Common arguments,Incremental import arguments,Output line formatting arguments,Input parsing arguments,Hive arguments,HBase arguments,Generic Hadoop command-line arguments,下面一一說明:

1.Common arguments

通用參數(shù),主要是針對(duì)關(guān)系型數(shù)據(jù)庫(kù)鏈接的一些參數(shù)

1）列出mysql數(shù)據(jù)庫(kù)中的所有數(shù)據(jù)庫(kù)

sqoop list-databases –connect jdbc:mysql://localhost:3306/ –username root –password 123456

2)連接mysql并列出test數(shù)據(jù)庫(kù)中的表

sqoop list-tables –connect jdbc:mysql://localhost:3306/test –username root –password 123456

命令中的test為mysql數(shù)據(jù)庫(kù)中的test數(shù)據(jù)庫(kù)名稱 username password分別為mysql數(shù)據(jù)庫(kù)的用戶密碼

3)將關(guān)系型數(shù)據(jù)的表結(jié)構(gòu)復(fù)制到hive中,只是復(fù)制表的結(jié)構(gòu)，表中的內(nèi)容沒有復(fù)制過去。

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為mysql中的數(shù)據(jù)庫(kù)test中的表 –hive-table

test 為hive中新建的表名稱

4)從關(guān)系數(shù)據(jù)庫(kù)導(dǎo)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)將hive中的表數(shù)據(jù)導(dǎo)入到mysql中,在進(jìn)行導(dǎo)入之前，mysql中的表

hive_test必須已經(jīng)提起創(chuàng)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）從數(shù)據(jù)庫(kù)導(dǎo)出表的數(shù)據(jù)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）從數(shù)據(jù)庫(kù)增量導(dǎo)入表數(shù)據(jù)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

Sqoop在import時(shí)，需要制定split-by參數(shù)。Sqoop根據(jù)不同的split-by參數(shù)值來進(jìn)行切分,然后將切分出來的區(qū)域分配到不同map中。每個(gè)map中再處理數(shù)據(jù)庫(kù)中獲取的一行一行的值，寫入到HDFS中。同時(shí)split-by根據(jù)不同的參數(shù)類型有不同的切分方法，如比較簡(jiǎn)單的int型，Sqoop會(huì)取最大和最小split-by字段值，然后根據(jù)傳入的num-mappers來確定劃分幾個(gè)區(qū)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(huì)分成兩個(gè)區(qū)域(1,500)和(501-100),同時(shí)也會(huì)分成2個(gè)sql給2個(gè)map去進(jìn)行導(dǎo)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(gè)map各自獲取各自SQL中的數(shù)據(jù)進(jìn)行導(dǎo)入工作。

com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat

1)TextFile

com.cloudera.sqoop.mapreduce.RawKeyTextOutputFormat

2)SequenceFile

org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat

3)AvroDataFile

com.cloudera.sqoop.mapreduce.AvroOutputFormat

1)TextFile

com.cloudera.sqoop.mapreduce.TextImportMapper                 

2)SequenceFile

com.cloudera.sqoop.mapreduce.SequenceFileImportMapper        

3)AvroDataFile

com.cloudera.sqoop.mapreduce.AvroImportMapper

1)mapred.map.tasks(對(duì)應(yīng)num-mappers參數(shù))   

2)job.setNumReduceTasks(0);

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

DataDrivenImportJob.configureInputFormat(Job job, String tableName,String tableClassName, String splitByCol)

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

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

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);

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);

JobBase.configureNumTasks(Job job)

mapred.map.tasks 4

job.setNumReduceTasks(0);

1.讀取要導(dǎo)入數(shù)據(jù)的表結(jié)構(gòu)，生成運(yùn)行類，默認(rèn)是QueryResult，打成jar包，然后提交給Hadoop

2.設(shè)置好job，主要也就是設(shè)置好以上第六章中的各個(gè)參數(shù)

3.這里就由Hadoop來執(zhí)行MapReduce來執(zhí)行Import命令了，

1）首先要對(duì)數(shù)據(jù)進(jìn)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(chuàng)建RecordReader從數(shù)據(jù)庫(kù)中讀取數(shù)據(jù)

DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)

5）創(chuàng)建Map

TextImportMapper.setup(Context context)

6）RecordReader一行一行從關(guān)系型數(shù)據(jù)庫(kù)中讀取數(shù)據(jù)，設(shè)置好Map的Key和Value，交給Map

DBRecordReader.nextKeyValue()

7）運(yùn)行map

TextImportMapper.map(LongWritable key, SqoopRecord val, Context context)

最后生成的Key是行數(shù)據(jù)，由QueryResult生成，Value是NullWritable.get()

通過這些,了解了MapReduce運(yùn)行流程.但對(duì)于Sqoop這種切分方式感覺還是有很大的問題.比如這里根據(jù)ID范圍來切分,如此切分出來的數(shù)據(jù)會(huì)很不平均,比如min(split-id)=1,max(split-id)=3000，交給三個(gè)map來處理。那么范圍是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是沒有數(shù)據(jù)，已經(jīng)被刪除了。那么這個(gè)map就什么都不能做。而其他map卻累的半死。如此就會(huì)拖累job的運(yùn)行結(jié)果。這里說的范圍很小，比如有幾十億條數(shù)據(jù)交給幾百個(gè)map去做。map一多，如果任務(wù)不均衡就會(huì)影響進(jìn)度?？从袥]有更好的切分方式？比如取樣？如此看來，寫好map reduce也不簡(jiǎn)單!、