【数据采集工具】Sqoop从入门到面试学习总结

国科大学习生活（期末复习资料、课程大作业解析、大厂实习经验心得等）: 文章专栏（点击跳转）
大数据开发学习文档（分布式文件系统的实现，大数据生态圈学习文档等）: 文章专栏（点击跳转）

一、什么是Sqoop？

1.1 Sqoop简介

Apache Sqoop（SQL-to-Hadoop Optimized Import/Export）是一个用于在关系型数据库管理系统（RDBMS）和Apache Hadoop之间的数据传输的工具。它旨在使大量数据的导入导出操作变得简单和高效。

Sqoop原理架构图：

1.2 Sqoop的主要特点

1. 批量数据传输：Sqoop可以高效地将大量数据从关系型数据库批量导入到Hadoop的HDFS中，或者将数据从HDFS批量导出到关系型数据库。

2. 自动代码生成：Sqoop能够自动生成用于导入导出数据的代码，这使得开发者无需深入了解底层的复杂性。

   • Sqoop原理：将导入或导出命令翻译成mapreduce程序来实现。在翻译出的mapreduce中主要是对inputformat和outputformat进行定制。

3. 数据类型映射：Sqoop支持自动转换关系型数据库和Hadoop之间不同的数据类型。

4. 增量数据导入：Sqoop支持增量导入，这意味着它可以只导入自上次导入后发生变化的数据。

5. 并行数据传输：Sqoop可以并行地从多个数据库表中导入数据，以提高数据传输效率。

6. 数据压缩：为了减少网络传输的数据量，Sqoop支持数据压缩。

7. 错误处理：Sqoop提供了错误处理机制，例如在数据导入过程中遇到错误时，可以选择跳过错误记录或停止操作。

8. 集成：Sqoop可以与Hadoop生态系统中的其他组件（如Hive和HBase）集成，以支持更复杂的数据处理任务。

1.3 Sqoop的基本命令格式

• 导入数据：

sqoop import \
--connect <JDBC连接字符串> \
--username <用户名> \
--password <密码> \
--table <表名> \
--target-dir <目标目录> \
--fields-terminated-by <字段分隔符> \
--lines-terminated-by <行分隔符> \
--columns <列名列表>

• 导出数据：

sqoop export \
--connect <JDBC连接字符串> \
--username <用户名> \
--password <密码> \
--table <表名> \
--input-null-string <输入中表示NULL值的字符串> \
--input-null-non-string <输入中表示NULL值的非字符串值> \
--export-dir <导出数据的源目录> \
--input-fields-terminated-by <输入字段的分隔符> \
--input-lines-terminated-by <输入行的分隔符> \
--columns <列名列表>

• 增量导入数据语法示例：

sqoop import \
--connect <JDBC连接字符串> \
--username <用户名> \
--password <密码> \
--table <表名> \
--target-dir <目标目录> \
--incremental <模式> \
--check-column <检查列> \
--last-value <上次导入的值>

• 列出数据库语法示例：

sqoop list-databases 
--connect jdbc:mysql://hadoop102:3306/ 
--username root 
--password root

• 查看表的结构语法示例：

sqoop eval \
--connect <JDBC连接字符串> \
--username <用户名> \
--password <密码> \
--query "DESCRIBE <表名>"

Sqoop是Hadoop生态系统中重要的数据迁移工具，它简化了传统数据库与大数据平台之间的数据交换过程。

二、Sqoop的简单使用案例

2.1 导入数据

在Sqoop中，“导入”概念指：从非大数据集群（RDBMS）向大数据集群（HDFS，HIVE，HBASE）中传输数据，叫做：导入，即使用import关键字。

2.1.1 RDBMS 到 HDFS

1. 确定Mysql服务开启正常

2. 在Mysql中新建一张表并插入一些数据

   $ mysql -uroot -p000000 
   mysql> create database company; 
   mysql> create table company.staff(id int(4) primary key not null auto_increment, name varchar(255), sex varchar(255)); 
   mysql> insert into company.staff(name, sex) values('Stan', 'Male'); 
   mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale'); 
   

3. 导入数据

• 全部导入

  $ bin/sqoop import \ 
  --connect jdbc:mysql://hadoop102:3306/company \ 
  --username root \ 
  --password 000000 \ 
  --table staff \ 
  --target-dir /user/company \ 
  --delete-target-dir \ 
  --num-mappers 1 \ 
  --fields-terminated-by "\t" 
  

• 查询导入

  $ bin/sqoop import \ 
  --connect jdbc:mysql://hadoop102:3306/company \ 
  --username root \ 
  --password 000000 \ 
  --target-dir /user/company \ 
  --delete-target-dir \ 
  --num-mappers 1 \ 
  --fields-terminated-by "\t" \ 
  --query 'select name,sex from staff where id <=1 and $CONDITIONS;' 
  

  提示：must contain ‘$CONDITIONS’ in WHERE clause.
  如果query后使用的是双引号，则$CONDITIONS前必须加转移符，防止shell识别为自己的变量。

• 导入指定列

  $ bin/sqoop import \ 
  --connect jdbc:mysql://hadoop102:3306/company \
  --username root \ 
  --password 000000 \ 
  --target-dir /user/company \ 
  --delete-target-dir \ 
  --num-mappers 1 \ 
  --fields-terminated-by "\t" \ 
  --columns id,sex \ 
  --table staff
  

  提示：columns中如果涉及到多列，用逗号分隔，分隔时不要添加空格。

• 使用sqoop关键字筛选查询导入数据

  $ bin/sqoop import \ 
  --connect jdbc:mysql://hadoop102:3306/company \ 
  --username root \ 
  --password 000000 \ 
  --target-dir /user/company \ 
  --delete-target-dir \ 
  --num-mappers 1 \ 
  --fields-terminated-by "\t" \ 
  --table staff \ 
  --where "id=1"
  

2.1.2 RDBMS 到 Hive

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table staff \ 
--num-mappers 1 \ 
--hive-import \ 
--fields-terminated-by "\t" \ 
--hive-overwrite \ 
--hive-table staff_hive

提示：该过程分为两步，第一步将数据导入到HDFS，第二步将导入到HDFS的数据迁移到 Hive仓库（默认还是存储到HDFS上）。

2.1.3 RDBMS 到 Hbase

$ bin/sqoop import \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table company \ 
--columns "id,name,sex" \ 
--column-family "info" \ 
--hbase-create-table \ 
--hbase-row-key "id" \ 
--hbase-table "hbase_company" \ 
--num-mappers 1 \ 
--split-by id

提示：sqoop1.4.6只支持HBase1.0.1之前的版本的自动创建HBase表的功能.
解决方案：手动创建HBase表

hbase> create 'hbase_company,'info'

2.2 导出数据

在Sqoop中，“导出”概念指：从大数据集群（HDFS，HIVE，HBASE）向非大数据集群 （RDBMS）中传输数据，叫做：导出，即使用export关键字。

2.2.1 Hive/HDFS到RDBMS

$ bin/sqoop export \ 
--connect jdbc:mysql://hadoop102:3306/company \ 
--username root \ 
--password 000000 \ 
--table staff \ 
--num-mappers 1 \ 
--export-dir /user/hive/warehouse/staff_hive \ 
--input-fields-terminated-by "\t"

提示：Mysql中如果表不存在，不会自动创建。

三、脚本打包

使用opt格式的文件打包sqoop命令，然后执行。

1. 创建一个.opt文件

$ mkdir opt 
$ touch opt/job_HDFS2RDBMS.opt 

2. 编写sqoop脚本

$ vi opt/job_HDFS2RDBMS.opt 
export --connect jdbc:mysql://hadoop102:3306/company 
--username root 
--password 000000 
--table staff 
--num-mappers 1 
--export-dir /user/hive/warehouse/staff_hive 
--input-fields-terminated-by "\t" 

3. 执行该脚本

$ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt

四、Sqoop一些常用命令及参数

4.1 导入数据命令选项

参数	描述
--connect	指定数据库 连接URL
--username	指定数据库 用户名
--password	指定数据库 密码
--table	指定要导入的数据库表名
--columns	指定要导入的列
--target-dir	指定导入数据的目标目录
--where	指定导入数据的条件
--split-by	指定用于拆分数据的列
--num-mappers	指定并行导入的Mapper数量
--null-string	指定数据库中表示NULL值的字符串
--null-non-string	指定数据库中表示NULL值的非字符串值

4.2 导出数据命令选项

参数	描述
--connect	指定数据库连接URL
--username	指定数据库用户名
--password	指定数据库密码
--table	指定要导出的数据库表名
--export-dir	指定导出数据的源目录
--columns	指定要导出的列
--input-fields-terminated-by	指定输入字段的分隔符
--input-lines-terminated-by	指定输入行的分隔符
--input-null-string	指定输入中表示NULL值的字符串
--input-null-non-string	指定输入中表示NULL值的非字符串值

4.3 通用命令选项

参数	描述
--verbose	显示详细的调试信息
--compress	启用压缩
--direct	使用直接模式进行导入/导出
--as-avrodatafile	将数据导入/导出为Avro文件
--as-parquetfile	将数据导入/导出为Parquet文件
--as-textfile	将数据导入/导出为文本文件
--delete-target-dir	在导入之前删除目标目录
--fields-terminated-by	指定字段的分隔符
--lines-terminated-by	指定行的分隔符
--null-string	指定输出中表示NULL值的字符串
--null-non-string	指定输出中表示NULL值的非字符串值

这只是Sqoop的一些常见命令选项，还有其他更多选项可用于满足特定的需求。你可以通过运行sqoop help命令来获取完整的命令选项列表和详细的帮助信息。

参考文献

Sqoop基础理论与常用命令详解（超详细）
Sqoop User Guide (v1.4.7) (apache.org)
大数据视频_Sqoop视频教程_哔哩哔哩_bilibili

---

2024年10月14日 14点56分
数据采集工具——Sqoop内容学习整理，如有错误，欢迎评论区交流指出。
不积跬步无以至千里！