Sqoop用户手册(英文版):http://archive.cloudera.com/cdh/3/sqoop/SqoopUserGuide.html
1. 概述
本文档主要对SQOOP的使用进行了说明,参考内容主要来自于Cloudera SQOOP的官方文档。为了用中文更清楚明白地描述各参数的使用含义,本文档几乎所有参数使用说明都经过了我的实际验证而得到。
2.
sqoop-import
将数据库表的数据导入到hive中,如果在hive中没有对应的表,则自动生成与数据库表名相同的表。
sqoop import –connect jdbc:mysql://localhost:3306/hive –username root –password 123456 –table user –split-by id –hive-import
–split-by指定数据库表中的主键字段名,在这里为id。
参数 说明 –append 将数据追加到hdfs中已经存在的dataset中。使用该参数,sqoop将把数据先导入到一个临时目录中,然后重新给文件命名到一个正式的目录中,以避免和该目录中已存在的文件重名。 –as-avrodatafile 将数据导入到一个Avro数据文件中 –as-sequencefile 将数据导入到一个sequence文件中 –as-textfile 将数据导入到一个普通文本文件中,生成该文本文件后,可以在hive中通过sql语句查询出结果。 –columns<col,col,col…> 指定要导入的字段值,格式如:–columns id,username –direct 直接导入模式,使用的是关系数据库自带的导入导出工具。官网上是说这样导入会更快 –direct-split-size 在使用上面direct直接导入的基础上,对导入的流按字节数分块,特别是使用直连模式从PostgreSQL导入数据的时候,可以将一个到达设定大小的文件分为几个独立的文件 –inline-lob-limit 设定大对象数据类型的最大值 -m,–num-mappers 启动N个map来并行导入数据,默认是4个,最好不要将数字设置为高于集群的节点数 –query,-e<statement> 从查询结果中导入数据,该参数使用时必须指定–target-dir、–hive-table,在查询语句中一定要有where条件且在where条件中需要包含$CONDITIONS,示例:
–query ‘select * from person where $CONDITIONS ‘ –target-dir /user/hive/warehouse/person –hive-table person
–split-by<column-name> 表的列名,用来切分工作单元,一般后面跟主键ID –table <table-name> 关系数据库表名,数据从该表中获取 –target-dir <dir> 指定hdfs路径 –warehouse-dir <dir> 与–target-dir不能同时使用,指定数据导入的存放目录,适用于hdfs导入,不适合导入hive目录 –where 从关系数据库导入数据时的查询条件,示例:–where ‘id = 2′ -z,–compress 压缩参数,默认情况下数据是没被压缩的,通过该参数可以使用gzip压缩算法对数据进行压缩,适用于SequenceFile, text文本文件, 和Avro文件 –compression-codec Hadoop压缩编码,默认是gzip 增量导入
参数 说明 –check-column (col) 用来作为判断的列名,如id –incremental (mode) append:追加,比如对大于last-value指定的值之后的记录进行追加导入。lastmodified:最后的修改时间,追加last-value指定的日期之后的记录 –last-value (value) 指定自从上次导入后列的最大值(大于该指定的值),也可以自己设定某一值 3.
sqoop-import
-all-tables将数据库里的所有表导入到HDFS中,每个表在hdfs中都对应一个独立的目录。
sqoop import-all-tables –connect jdbc:mysql://localhost:3306/test
sqoop import-all-tables –connect jdbc:mysql://localhost:3306/test –hive-import
参数 说明 –as-avrodatafile
同import参数
–as-sequencefile
同import参数
–as-textfile
同import参数
–direct
同import参数
–direct-split-size <n>
同import参数
–inline-lob-limit <n>
同import参数
-m,–num-mappers <n>
同import参数
–warehouse-dir <dir>
同import参数
-z,–compress
同import参数
–compression-codec
同import参数
4.sqoop-export
从hdfs中导数据到关系数据库中
sqoop export –connect jdbc:mysql://localhost:3306/hive –username root –password 123456 –table TBLS2 –export-dir sqoop/test
参数 说明 –direct
快速模式,利用了数据库的导入工具,如mysql的mysqlimport,可以比jdbc连接的方式更为高效的将数据导入到关系数据库中。
–export-dir <dir>
存放数据的HDFS的源目录
-m,–num-mappers <n>
启动n个map来并行导入数据,默认是4个,最好不要将数字设置为高于集群的最大Map数
–table <table-name>
要导入到的关系数据库表
–update-key <col-name>
后面接条件列名,通过该参数,可以将关系数据库中已经存在的数据进行更新操作,类似于关系数据库中的update操作
–update-mode <mode>
更新模式,有两个值updateonly和默认的allowinsert,该参数只能是在关系数据表里不存在要导入的记录时才能使用,比如要导入的hdfs中有一条id=1的记录,如果在表里已经有一条记录id=2,那么更新会失败。
–staging-table <staging-table-name>
该参数是用来保证在数据导入关系数据库表的过程中事务安全性的,因为在导入的过程中可能会有多个事务,那么一个事务失败会影响到其它事务,比如导入的数据会出现错误或出现重复的记录等等情况,那么通过该参数可以避免这种情况。创建一个与导入目标表同样的数据结构,保留该表为空在运行数据导入前,所有事务会将结果先存放在该表中,然后最后由该表通过一次事务将结果写入到目标表中
–clear-staging-table
如果该staging-table非空,则通过该参数可以在运行导入前清除staging-table里的数据
–batch
该模式用于执行基本语句(暂时还不太清楚含义)
5.sqoop-job
用来生成一个sqoop的任务,生成后,该任务并不执行,除非使用命令执行该任务。
sqoop job
参数 说明 –create <job-id>
生成一个job,示例如:sqoop job –create myjob — import –connectjdbc:mysql://localhost:3306/test –table person
–delete <job-id>
删除一个jobsqoop job –delete myjob
–exec <job-id>
执行一个jobsqoop job –exec myjob
–help
显示帮助说明
–list
显示所有的jobsqoop job –list
–meta-connect <jdbc-uri>
用来连接metastore服务,示例如:–meta-connect jdbc:hsqldb:hsql://localhost:16000/sqoop
–show <job-id>
显示一个job的各种参数sqoop job –show myjob
–verbose
打印命令运行时的详细信息
6.sqoop-metastore
记录sqoop job的元数据信息,如果不启动metastore实例,则默认的元数据存储目录为:~/.sqoop,如果要更改存储目录,可以在配置文件sqoop-site.xml中进行更改。
metastore实例启动:sqoop metastore
参数 说明 -shutdown 关闭一个运行的metastore实例
7.sqoop-merge
将HDFS中不同目录下面的数据合在一起,并存放在指定的目录中,示例如:
sqoop merge –new-data /test/p1/person –onto /test/p2/person –target-dir /test/merged –jar-file /opt/data/sqoop/person/Person.jar –class-name Person –merge-key id
其中,–class-name所指定的class名是对应于Person.jar中的Person类,而Person.jar是通过Codegen生成的
参数 说明 –new-data <path> Hdfs中存放数据的一个目录,该目录中的数据是希望在合并后能优先保留的,原则上一般是存放越新数据的目录就对应这个参数。 –onto <path>
Hdfs中存放数据的一个目录,该目录中的数据是希望在合并后能被更新数据替换掉的,原则上一般是存放越旧数据的目录就对应这个参数。
–merge-key <col>
合并键,一般是主键ID
–jar-file <file>
合并时引入的jar包,该jar包是通过Codegen工具生成的jar包
–class-name <class>
对应的表名或对象名,该class类是包含在jar包中的
–target-dir <path>
合并后的数据在HDFS里的存放目录
8.sqoop-codegen
将关系数据库表映射为一个java文件、java class类、以及相关的jar包,作用主要是两方面:
1、 将数据库表映射为一个Java文件,在该Java文件中对应有表的各个字段。
2、 生成的Jar和class文件在metastore功能使用时会用到。
基础语句:
sqoop codegen –connect jdbc:mysql://localhost:3306/hive –username root –password 123456 –table TBLS2
参数 说明 –bindir <dir>
指定生成的java文件、编译成的class文件及将生成文件打包为JAR的JAR包文件输出路径
–class-name <name> 设定生成的Java文件指定的名称 –outdir <dir> 生成的java文件存放路径 –package-name<name> 包名,如cn.cnnic,则会生成cn和cnnic两级目录,生成的文件(如java文件)就存放在cnnic目录里 –input-null-non-string<null-str> 在生成的java文件中,可以将null字符串设为想要设定的值(比如空字符串’’) –input-null-string<null-str> 同上,设定时,最好与上面的属性一起设置,且设置同样的值(比如空字符串等等)。 –map-column-java<arg> 数据库字段在生成的java文件中会映射为各种属性,且默认的数据类型与数据库类型保持对应,比如数据库中某字段的类型为bigint,则在Java文件中的数据类型为long型,通过这个属性,可以改变数据库字段在java中映射的数据类型,格式如:–map-column-java DB_ID=String,id=Integer –null-non-string<null-str> 在生成的java文件中,比如TBL_ID==null?”null”:”",通过这个属性设置可以将null字符串设置为其它值如ddd,TBL_ID==null?”ddd”:”" –null-string<null-str> 同上,使用的时候最好和上面的属性一起用,且设置为相同的值 –table <table-name> 对应关系数据库的表名,生成的java文件中的各属性与该表的各字段一一对应。
9.sqoop-create-hive-table
生成与关系数据库表的表结构对应的HIVE表
基础语句:
sqoop create-hive-table –connect jdbc:mysql://localhost:3306/hive -username root -password 123456 –table TBLS –hive-table h_tbls2
参数 说明 –hive-home <dir>
Hive的安装目录,可以通过该参数覆盖掉默认的hive目录
–hive-overwrite
覆盖掉在hive表中已经存在的数据
–create-hive-table
默认是false,如果目标表已经存在了,那么创建任务会失败
–hive-table
后面接要创建的hive表
–table
指定关系数据库表名
10.sqoop-eval
可以快速地使用SQL语句对关系数据库进行操作,这可以使得在使用import这种工具进行数据导入的时候,可以预先了解相关的SQL语句是否正确,并能将结果显示在控制台。
查询示例:
sqoop eval –connect jdbc:mysql://localhost:3306/hive -username root -password 123456 -query “SELECT * FROM tbls LIMIT 10″
数据插入示例:
sqoop eval –connect jdbc:mysql://localhost:3306/hive -username root -password 123456 -e “INSERT INTO TBLS2
VALUES(100,1375170308,1,0,’hadoop’,0,1,’guest’,'MANAGED_TABLE’,'abc’,'ddd’)”
-e、-query这两个参数经过测试,比如后面分别接查询和插入SQL语句,皆可运行无误,如上。
11.sqoop-list-databases
打印出关系数据库所有的数据库名
sqoop list-databases –connect jdbc:mysql://localhost:3306/ -username root -password 123456
12.sqoop-list-tables
打印出关系数据库某一数据库的所有表名
sqoop list-tables –connect jdbc:mysql://localhost:3306/zihou -username root -password 123456
13.sqoop-help
打印sqoop帮助信息
语句:sqoop help
14.sqoop-version
显示sqoop版本信息
语句:sqoop version
15.公共参数
Hive参数
参数 说明 –hive-delims-replacement <arg>
用自定义的字符串替换掉数据中的 , , and 1等字符
–hive-drop-import-delims
在导入数据到hive中时,去掉数据中 , 和 1这样的字符
–map-column-hive <arg>
生成hive表时,可以更改生成字段的数据类型,格式如:–map-column-hiveTBL_ID=String,LAST_ACCESS_TIME=string
–hive-partition-key
创建分区,后面直接跟分区名即可,创建完毕后,通过describe 表名可以看到分区名,默认为string型
–hive-partition-value<v>
该值是在导入数据到hive中时,与–hive-partition-key设定的key对应的value值
–hive-home <dir>
Hive的安装目录,可以通过该参数覆盖掉默认的hive目录
–hive-import
将数据从关系数据库中导入到hive表中
–hive-overwrite
覆盖掉在hive表中已经存在的数据
–create-hive-table
默认是false,如果目标表已经存在了,那么创建任务会失败
–hive-table
后面接要创建的hive表
–table
指定关系数据库表名
数据库连接参数
参数 说明 –connect <jdbc-uri>
Jdcb连接url,示例如:–connect jdbc:mysql://localhost:3306/hive
–connection-manager <class-name>
指定要使用的连接管理类
–driver <class-name>
数据库驱动类
–hadoop-home <dir>
Hadoop根目录
–help
打印帮助信息
-P
从控制端读取密码
–password <password>
Jdbc url中的数据库连接密码
–username <username>
Jdbc url中的数据库连接用户名
–verbose
在控制台打印出详细信息
–connection-param-file <filename>
一个记录着数据库连接参数的文件
文件输出参数
用于import场景。
示例如:
sqoop import –connect jdbc:mysql://localhost:3306/test –username root –P –table person –split-by id –check-column id –incremental append –last-value 1 –enclosed-by ‘”‘
–escaped-by # –fields-terminated-by .
参数 说明 –enclosed-by <char>
给字段值前后加上指定的字符,比如双引号,示例:–enclosed-by ‘”‘,显示例子:”3″,”jimsss”,”dd@dd.com”
–escaped-by <char>
给双引号作转义处理,如字段值为”测试”,经过–escaped-by \处理后,在hdfs中的显示值为:”测试”,对单引号无效
–fields-terminated-by <char>
设定每个字段是以什么符号作为结束的,默认是逗号,也可以改为其它符号,如句号.,示例如:–fields-terminated-by.
–lines-terminated-by <char>
设定每条记录行之间的分隔符,默认是换行,但也可以设定自己所需要的字符串,示例如:–lines-terminated-by ‘#’ 以#号分隔
–mysql-delimiters
Mysql默认的分隔符设置,字段之间以,隔开,行之间以换行 隔开,默认转义符号是,字段值以单引号’包含起来
–optionally-enclosed-by <char>
enclosed-by是强制给每个字段值前后都加上指定的符号,而–optionally-enclosed-by只是给带有双引号或单引号的字段值加上指定的符号,故叫可选的。示例如:–optionally-enclosed-by ‘$’ 显示结果: $”hehe”,测试$
文件输入参数
对数据格式的解析,用于export场景,与文件输出参数相对应。
示例如:
sqoop export –connect jdbc:mysql://localhost:3306/test –username root –password 123456 –table person2 –export-dir /user/hadoop/person –staging-table person3 –clear-staging-table –input-fields-terminated-by ‘,’
在hdfs中存在某一格式的数据,在将这样的数据导入到关系数据库中时,必须要按照该格式来解析出相应的字段值,比如在hdfs中有这样格式的数据:
3,jimsss,dd@dd.com,1,2013-08-07 16:00:48.0,”hehe”,测试
上面的各字段是以逗号分隔的,那么在解析时,必须要以逗号来解析出各字段值,如:–input-fields-terminated-by ‘,’
参数 说明 –input-enclosed-by <char>
对字段值前后有指定的字符,比如双引号的值进行解析:–input-enclosed-by ‘”‘,数据例子:”3″,”jimsss”,”dd@dd.com”
–input-escaped-by <char>
对含有转义双引号的字段值作转义处理,如字段值为”测试”,经过–input-escaped-by \处理后,解析得到的值为:”测试”,对单引号无效。
–input-fields-terminated-by <char>
以字段间的分隔符来解析得到各字段值,示例如:– input-fields-terminated-by,
–input-lines-terminated-by <char>
以每条记录行之间的分隔符来解析得到字段值,示例如:–input-lines-terminated-by ‘#’ 以#号分隔
–input-optionally-enclosed-by <char>
与–input-enclosed-by功能相似,与–input-enclosed-by的区别参见输出参数中对–optionally-enclosed-by的描述