轉(zhuǎn)自：http://www.aboutyun.com/thread-6242-1-1.html

一、簡介

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)移的工具诉瓦，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)導進到Hadoop的HDFS中川队，也可以將HDFS的數(shù)據(jù)導進到關(guān)系型數(shù)據(jù)庫中。

二睬澡、特點

Sqoop中一大亮點就是可以通過hadoop的mapreduce把數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫中導入數(shù)據(jù)到HDFS固额。

三 、Sqoop 命令

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)煞聪，這里先列出這13種命令斗躏。
接著列出Sqoop的各種通用參數(shù),然后針對以上13個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),主要是針對關(guān)系型數(shù)據(jù)庫鏈接的一些參數(shù)

四昔脯、sqoop命令舉例

1）列出mysql數(shù)據(jù)庫中的所有數(shù)據(jù)庫
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)庫中的test數(shù)據(jù)庫名稱 username password分別為mysql數(shù)據(jù)庫的用戶密碼

3)將關(guān)系型數(shù)據(jù)的表結(jié)構(gòu)復制到hive中,只是復制表的結(jié)構(gòu)啄糙，表中的內(nèi)容沒有復制過去馋艺。
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)庫導入文件到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)導入到mysql中,在進行導入之前，mysql中的表
hive_test必須已經(jīng)提起創(chuàng)建好了迈套。
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)庫導出表的數(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)庫增量導入表數(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

五捐祠、Sqoop原理（以import為例）

Sqoop在import時，需要制定split-by參數(shù)桑李。Sqoop根據(jù)不同的split-by參數(shù)值來進行切分,然后將切分出來的區(qū)域分配到不同map中踱蛀。每個map中再處理數(shù)據(jù)庫中獲取的一行一行的值，寫入到HDFS中贵白。同時split-by根據(jù)不同的參數(shù)類型有不同的切分方法率拒，如比較簡單的int型，Sqoop會取最大和最小split-by字段值禁荒，然后根據(jù)傳入的num-mappers來確定劃分幾個區(qū)域猬膨。 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的話呛伴，則會分成兩個區(qū)域(1,500)和(501-100),同時也會分成2個sql給2個map去進行導入操作勃痴，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map各自獲取各自SQL中的數(shù)據(jù)進行導入工作热康。

六沛申、mapreduce job所需要的各種參數(shù)在Sqoop中的實現(xiàn)

1. InputFormatClass
   com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat

2. OutputFormatClass
   1)TextFile
   com.cloudera.sqoop.mapreduce.RawKeyTextOutputFormat
   2)SequenceFile
   org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat
   3)AvroDataFile
   com.cloudera.sqoop.mapreduce.AvroOutputFormat

3)Mapper
1)TextFile
com.cloudera.sqoop.mapreduce.TextImportMapper
2)SequenceFile
com.cloudera.sqoop.mapreduce.SequenceFileImportMapper

3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroImportMapper

4)taskNumbers
1)mapred.map.tasks(對應(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

1）設(shè)置Input
DataDrivenImportJob.configureInputFormat(Job job, String tableName,String tableClassName, String splitByCol)

a)DBConfiguration.configureDB(Configuration conf, String driverClass, String dbUrl, String userName, String passwd, Integer fetchSize)
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

b)DataDrivenDBInputFormat.setInput(Job job,Class<? extends DBWritable> inputClass, String inputQuery, String inputBoundingQuery)
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

2）設(shè)置Output
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);

3）設(shè)置Map
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);

4）設(shè)置task number
JobBase.configureNumTasks(Job job)
mapred.map.tasks 4
job.setNumReduceTasks(0);

七、大概流程

1.讀取要導入數(shù)據(jù)的表結(jié)構(gòu)姐军，生成運行類铁材，默認是QueryResult，打成jar包奕锌，然后提交給Hadoop

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

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

1）首先要對數(shù)據(jù)進行切分惊暴，也就是DataSplit
DataDrivenDBInputFormat.getSplits(JobContext job)

2）切分好范圍后饼丘，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)庫中讀取數(shù)據(jù)缴守，設(shè)置好Map的Key和Value葬毫，交給Map
DBRecordReader.nextKeyValue()

7）運行map
TextImportMapper.map(LongWritable key, SqoopRecord val, Context context)
最后生成的Key是行數(shù)據(jù)，由QueryResult生成屡穗，Value是NullWritable.get()

八贴捡、總結(jié)

通過這些,了解了MapReduce運行流程.但對于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)會很不平均,比如min(split-id)=1,max(split-id)=3000，交給三個map來處理村砂。那么范圍是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是沒有數(shù)據(jù)烂斋，已經(jīng)被刪除了。那么這個map就什么都不能做。而其他map卻累的半死汛骂。如此就會拖累job的運行結(jié)果罕模。這里說的范圍很小，比如有幾十億條數(shù)據(jù)交給幾百個map去做帘瞭。map一多淑掌，如果任務(wù)不均衡就會影響進度〉睿看有沒有更好的切分方式抛腕？比如取樣？如此看來媒殉，寫好map reduce也不簡單!担敌、