個人中心
退出
sqoop用法之mysql與hive數(shù)據(jù)導(dǎo)入導(dǎo)出
本文目錄
一. Sqoop介紹
二. Mysql 數(shù)據(jù)導(dǎo)入到 Hive
三. Hive數(shù)據(jù)導(dǎo)入到Mysql
四. mysql數(shù)據(jù)增量導(dǎo)入hive
- 1 基于遞增列
Append導(dǎo)入- 1). 創(chuàng)建
hive表 - 2). 創(chuàng)建
job - 3) 執(zhí)行
job
- 1). 創(chuàng)建
- 2
Lastmodified導(dǎo)入實戰(zhàn)- 1). 新建一張表
- 2). 初始化
hive表:
一. Sqoop介紹
Sqoop是一個用來將Hadoop和關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)相互轉(zhuǎn)移的工具，可以將一個關(guān)系型數(shù)據(jù)庫（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)庫中。對于某些NoSQL數(shù)據(jù)庫它也提供了連接器。Sqoop，類似于其他ETL工具，使用元數(shù)據(jù)模型來判斷數(shù)據(jù)類型并在數(shù)據(jù)從數(shù)據(jù)源轉(zhuǎn)移到Hadoop時確保類型安全的數(shù)據(jù)處理。Sqoop專為大數(shù)據(jù)批量傳輸設(shè)計，能夠分割數(shù)據(jù)集并創(chuàng)建Hadoop任務(wù)來處理每個區(qū)塊。
本文版本說明
hadoop版本 :hadoop-2.7.2
hive版本:hive-2.1.0
sqoop版本:sqoop-1.4.6
二. Mysql 數(shù)據(jù)導(dǎo)入到 Hive
1). 將mysql的people_access_log表導(dǎo)入到hive表web.people_access_log，并且hive中的表不存在。
mysql中表people_access_log數(shù)據(jù)為：
將mysql數(shù)據(jù)導(dǎo)入hive的命令為：
該命令會啟用一個mapreduce任務(wù)，將mysql數(shù)據(jù)導(dǎo)入到hive表，并且指定了hive表的分隔符為\t，如果不指定則為默認(rèn)分隔符^A(ctrl+A)。
參數(shù)說明
2). 也可以通過--query條件查詢Mysql數(shù)據(jù)，將查詢結(jié)果導(dǎo)入到Hive
sqoop import \
--connect jdbc:mysql://master1.hadoop:3306/test \
--username root \
--password 123456 \
--query 'select * from people_access_log where \$CONDITIONS and url = "https://www.baidu.com"' \
--target-dir /user/hive/warehouse/web/people_access_log \
--delete-target-dir \
--fields-terminated-by '\t' \
-m 1
三. Hive數(shù)據(jù)導(dǎo)入到Mysql
還是使用上面的hive表web.people_access_log,將其導(dǎo)入到mysql中的people_access_log_out表中.
注意：mysql表people_access_log_out需要提前建好，否則報錯：ErrorException: Table 'test.people_access_log_out' doesn't exist。如果有id自增列，hive表也需要有，hive表與mysql表字段必須完全相同。
create table people_access_log_out like people_access_log;執(zhí)行完一個mr任務(wù)后，成功導(dǎo)入到mysql表people_access_log_out中.
四. mysql數(shù)據(jù)增量導(dǎo)入hive
實際中mysql數(shù)據(jù)會不斷增加，這時候需要用sqoop將數(shù)據(jù)增量導(dǎo)入hive，然后進(jìn)行海量數(shù)據(jù)分析統(tǒng)計。增量數(shù)據(jù)導(dǎo)入分兩種，一是基于遞增列的增量數(shù)據(jù)導(dǎo)入（Append方式）。二是基于時間列的增量數(shù)據(jù)導(dǎo)入（LastModified方式）。有幾個核心參數(shù)：
–check-column:用來指定一些列，這些列在增量導(dǎo)入時用來檢查這些數(shù)據(jù)是否作為增量數(shù)據(jù)進(jìn)行導(dǎo)入，和關(guān)系型數(shù)據(jù)庫中的自增字段及時間戳類似.注意:這些被指定的列的類型不能使任意字符類型，如char、varchar等類型都是不可以的，同時–check-column可以去指定多個列–incremental:用來指定增量導(dǎo)入的模式，兩種模式分別為Append和Lastmodified–last-value:指定上一次導(dǎo)入中檢查列指定字段最大值
1. 基于遞增列Append導(dǎo)入
接著前面的日志表，里面每行有一個唯一標(biāo)識自增列ID，在關(guān)系型數(shù)據(jù)庫中以主鍵形式存在。之前已經(jīng)將id在0~6之間的編號的訂單導(dǎo)入到Hadoop中了（這里為HDFS），現(xiàn)在一段時間后我們需要將近期產(chǎn)生的新的訂 單數(shù)據(jù)導(dǎo)入Hadoop中（這里為HDFS），以供后續(xù)數(shù)倉進(jìn)行分析。此時我們只需要指定–incremental 參數(shù)為append，–last-value參數(shù)為6即可。表示只從id大于6后即7開始導(dǎo)入。
1). 創(chuàng)建hive表
首先我們需要創(chuàng)建一張與mysql結(jié)構(gòu)相同的hive表，假設(shè)指定字段分隔符為\t，后面導(dǎo)入數(shù)據(jù)時候分隔符也需要保持一致。
2). 創(chuàng)建job
增量導(dǎo)入肯定是多次進(jìn)行的，可能每隔一個小時、一天等，所以需要創(chuàng)建計劃任務(wù)，然后定時執(zhí)行即可。我們都知道hive的數(shù)據(jù)是存在hdfs上面的，我們創(chuàng)建sqoop job的時候需要指定hive的數(shù)據(jù)表對應(yīng)的hdfs目錄，然后定時執(zhí)行這個job即可。
當(dāng)前mysql中數(shù)據(jù)，hive中數(shù)據(jù)與mysql一樣也有6條：
增量導(dǎo)入有幾個參數(shù)，保證下次同步的時候可以接著上次繼續(xù)同步.
這里通過sqoop job --create job_name命令創(chuàng)建了一個名為mysql2hive_job的sqoop job。
3). 執(zhí)行job
創(chuàng)建好了job，后面只需要定時周期執(zhí)行這個提前定義好的job即可。我們先往mysql里面插入2條數(shù)據(jù)。
這樣mysql里面就會多了2條數(shù)據(jù)。此時hive里面只有id為1 ~ 6的數(shù)據(jù)，執(zhí)行同步job使用以下命令。
sqoop job -exec mysql2hive_job執(zhí)行完成后，發(fā)現(xiàn)剛才mysql新加入的id為7 ~ 8的兩條數(shù)據(jù)已經(jīng)同步到hive。
由于實際場景中，mysql表中的數(shù)據(jù)，比如訂單表等，通常是一致有數(shù)據(jù)進(jìn)入的，這時候只需要將sqoop job -exec mysql2hive_job這個命令定時(比如說10分鐘頻率)執(zhí)行一次，就能將數(shù)據(jù)10分鐘同步一次到hive數(shù)據(jù)倉庫。
2. Lastmodified 導(dǎo)入實戰(zhàn)
append適合業(yè)務(wù)系統(tǒng)庫，一般業(yè)務(wù)系統(tǒng)表會通過自增ID作為主鍵標(biāo)識唯一性。Lastmodified適合ETL的數(shù)據(jù)根據(jù)時間戳字段導(dǎo)入，表示只導(dǎo)入比這個時間戳大，即比這個時間晚的數(shù)據(jù)。
1). 新建一張表
在mysql中新建一張表people_access_log2，并且初始化幾條數(shù)據(jù):
插入數(shù)據(jù):
mysql里面的數(shù)據(jù)就是這樣：
2). 初始化hive表:
初始化hive數(shù)據(jù)，將mysql里面的6條數(shù)據(jù)導(dǎo)入hive中，并且可以自動幫助我們創(chuàng)建對應(yīng)hive表，何樂而不為，否則我們需要自己手動創(chuàng)建，完成初始化工作。
可以看到執(zhí)行該命令后，啟動了二一個mapreduce任務(wù)，這樣6條數(shù)據(jù)就進(jìn)入hive表web.people_access_log2了:
3). 增量導(dǎo)入數(shù)據(jù):
我們再次插入一條數(shù)據(jù)進(jìn)入mysql的people_access_log2表:
insert into people_access_log2(id,user_id, ip, url) values(7,15110101016,'112.168.12.45','https://www.qq.com');此時，mysql表里面已經(jīng)有7條數(shù)據(jù)了，我們使用incremental的方式進(jìn)行增量的導(dǎo)入到hive:
2019-12-28 16:23:56就是第6條數(shù)據(jù)的時間，這里需要指定。報錯了:
19/12/28 16:17:25 ERROR tool.ImportTool: Error during import: --merge-key or --append is required when using --incremental lastmodified and the output directory exists.注意：可以看到--merge-key or --append is required when using --incremental lastmodified意思是，這種基于時間導(dǎo)入模式，需要指定--merge-key或者--append參數(shù)，表示根據(jù)時間戳導(dǎo)入，數(shù)據(jù)是直接在末尾追加(append)還是合并(merge)，這里使用merge方式，根據(jù)id合并：
執(zhí)行該命令后，與直接導(dǎo)入不同，該命令啟動了2個mapreduce任務(wù)，這樣就把數(shù)據(jù)增量merge導(dǎo)入hive表了.
可以看到id=6的數(shù)據(jù)，有2條，它的時間剛好是--last-value指定的時間，則會導(dǎo)入大于等于--last-value指定時間的數(shù)據(jù)，這點需要注意。
作者：柯廣的網(wǎng)絡(luò)日志
微信公眾號：Java大數(shù)據(jù)與數(shù)據(jù)倉庫
分類導(dǎo)航