sqoop

一、bg

可以在关系型数据库和hdfs、hive、hbase之间导数
导入：从RDBMS到hdfs、hive、hbase
导出：相反

sqoop1 和sqoop2 (1.99.x)不兼容，sqoop2 并没有生产的稳定版本，

Sqoop1 import原理(导入)
从传统数据库获取元数据信息（schema、table、field、field type）,把导入功能转换为只有Map的Mapreduce作业，在Mapreduce中有很多map，每个map读取一片数据，进而并行的完成数据的拷贝

Sqoop1 export原理(导出)：
获取导出表的schema、metahdfs信息，和Hadoop中的字段match；多个map only作业同时进行，完成hdfs中数据导出到关系型数据库

主要是对mapreduce自带的inputformat和outputformat进行了定制

二、下安验配

依赖java和hadoop

三、sqoop使用

1 常用命令

列出数据库的databases

2 导入

–delete-target-dir ：导入到hdfs前，是否删除目录(否则无法覆盖)，在生产上不用，手动删

全部导入

查询导入

https://blog.csdn.net/u011250186/article/details/119280478

$CONDITIONS：query设置sql来指定查询条件，并且还需在sql中添加$CONDITIONS，来实现并行运行mr的功能

• $CONDITIONS是个linux变量，用来给不同的map指定查询范围
• $CONDITIONS，在查询导入的时候必须加，用来保证两边的数据顺序一致。即使只有一个map
• 不加会报错
• 双引号包括的查询sql中，$CONDITIONS要转义
• 如果是多个m，需使用–split-by来区分数据，$CONDITIONS替换查询范围，

列导入

关键字导入

通过表和列的正则来选定导入的列

3 并行度

如果-m>1，会自动识别主键并按主键拆分，如果主键不均匀，建议执行拆分列

4 note

‘\N’：单引号’ '原样显示里边的内容=>\N ,sqoop的底层是java代码，java中\会转义为\，即最后会显示为\N。

Hive中的Null在底层是以“\N”来存储，而MySQL中的Null在底层就是Null，为了保证数据两端的一致性。在导出数据时采用–input-null-string和–input-null-non-string两个参数。导入数据时采用–null-string和–null-non-string。

四、面试题

sqoop查询导入时，如果设置了并行度，那如何保证写入到hive的数据跟源表的数据顺序是一样的。$CONDITIONS是用来干嘛的？

sqoop并行读取时，需要指定每个mapper读取的数据范围，保证写入到目的地时有序，$CONDITIONS是个linux变量，用来根据分区列来给每个mapper拼接sql。
默认用主键，如果主键分布不均匀，建议用 --split-by指定分区列。
如果没有主键也没有–split-by，会报错。除非–num-mappers 1 or --autoreset-to-one-mapper 。–autoreset-to-one-mapper用来配合import-all-tables 工具一起使用，以自动处理架构中没有主键的表。

–split-limit参数有什么用

用来限制每个mapper读取数据的大小。如果参数大小 大于 mapper数量决定的数据大小，那会增加mapper数量。
如果设置为0 or negative，则不会生效。