一簡介
Sqoop是一個用來將Hadoop和關係型數據庫中的數據相互轉移的工具,可以將一個關係型數據庫(例如: MySQL ,Oracle ,Postgres等)中的數據導進到Hadoop的HDFS中,也可以將HDFS的數據導進到關係型數據庫中。
二特點
Sqoop中一大亮點就是可以通過hadoop的mapreduce把數據從關係型數據庫中導入數據到HDFS。
三 Sqoop 命令
Sqoop大約有13種命令,和幾種通用的參數(都支持這13種命令),這裏先列出這13種命令。
接着列出Sqoop的各種通用參數,然後針對以上13個命令列出他們自己的參數。Sqoop通用參數又分Common arguments,Incremental import arguments,Output line formattingarguments,Input parsing arguments,Hive arguments,HBase arguments,Generic Hadoopcommand-line arguments,下面一一說明:
1.Common arguments
通用參數,主要是針對關係型數據庫鏈接的一些參數
四 sqoop命令舉例
1)列出mysql數據庫中的所有數據庫
sqoop list-databases –connectjdbc:mysql://localhost:3306/ –username root –password 123456
2)連接mysql並列出test數據庫中的表
sqoop list-tables –connectjdbc:mysql://localhost:3306/test –username root –password 123456
命令中的test爲mysql數據庫中的test數據庫名稱 username password分別爲mysql數據庫的用戶密碼
3)將關係型數據的表結構複製到hive中,只是複製表的結構,表中的內容沒有複製過去。
sqoop create-hive-table –connectjdbc:mysql://localhost:3306/test
–table sqoop_test –username root –password 123456 –hive-table
test
其中–table sqoop_test爲mysql中的數據庫test中的表–hive-table
test 爲hive中新建的表名稱
4)從關係數據庫導入文件到hive中
sqoop import –connectjdbc:mysql://localhost:3306/zxtest –username
root –password 123456 –table sqoop_test–hive-import –hive-table
s_test -m 1
5)將hive中的表數據導入到mysql中,在進行導入之前,mysql中的表
hive_test必須已經提起創建好了。
sqoop export –connectjdbc:mysql://localhost:3306/zxtest –username
root –password root –table hive_test–export-dir
/user/hive/warehouse/new_test_partition/dt=2012-03-05
6)從數據庫導出表的數據到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)從數據庫增量導入表數據到hdfs中
./sqoop import –connectjdbc: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 Sqoop原理(以import爲例)
Sqoop在import時,需要制定split-by參數。Sqoop根據不同的split-by參數值來進行切分,然後將切分出來的區域分配到不同map中。
每個map中再處理數據庫中獲取的一行一行的值,寫入到HDFS中。
同時split-by根據不同的參數類型有不同的切分方法,如比較簡單的int型,Sqoop會取最大和最小split-by字段值,然後根據傳入的num-mappers來確定劃分幾個區域。比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分別爲1000和1,而num-mappers爲2的話,則會分成兩個區域(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,分別爲selectXXX from table where split-by>=1 and split-by<500和select XXXfrom table where split-by>=501 and split-by<=1000。最後每個map各自獲取各自SQL中的數據進行導入工作。
六mapreduce job所需要的各種參數在Sqoop中的實現
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num-mappers參數)
2)job.setNumReduceTasks(0);
這裏以命令行: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)設置Input
DataDrivenImportJob.configureInputFormat(Jobjob, String tableName,String tableClassName, String splitByCol)
a)DBConfiguration.configureDB(Configurationconf, String driverClass, StringdbUrl, String userName, String passwd, Integer fetchSize)
1).mapreduce.jdbc.driver.classcom.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(Jobjob,Class<? extends DBWritable> inputClass, String inputQuery, String inputBoundingQuery)
1)job.setInputFormatClass(DBInputFormat.class);
2)mapred.jdbc.input.bounding.query SELECTMIN(sqoop_1.id), MAX(sqoop_2.id) FROM (select sqoop_1.id as foo_id, sqoop_2.idas 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)設置Output
ImportJobBase.configureOutputFormat(Jobjob, 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)設置Map
DataDrivenImportJob.configureMapper(Jobjob, String tableName,String tableClassName)
a)job.setOutputKeyClass(Text.class);
b)job.setOutputValueClass(NullWritable.class);
c)job.setMapperClass(com.cloudera.sqoop.mapreduce.TextImportMapper);
4)設置task number
JobBase.configureNumTasks(Job job)
mapred.map.tasks 4
job.setNumReduceTasks(0);
七大概流程
1.讀取要導入數據的表結構,生成運行類,默認是QueryResult,打成jar包,然後提交給Hadoop
2.設置好job,主要也就是設置好以上第六章中的各個參數
3.這裏就由Hadoop來執行MapReduce來執行Import命令了,
1)首先要對數據進行切分,也就是DataSplit
DataDrivenDBInputFormat.getSplits(JobContextjob)
2)切分好範圍後,寫入範圍,以便讀取
DataDrivenDBInputFormat.write(DataOutputoutput) 這裏是lowerBoundQuery and upperBoundQuery
3)讀取以上2)寫入的範圍
DataDrivenDBInputFormat.readFields(DataInputinput)
4)然後創建RecordReader從數據庫中讀取數據
DataDrivenDBInputFormat.createRecordReader(InputSplitsplit,TaskAttemptContext context)
5)創建Map
TextImportMapper.setup(Context context)
6)RecordReader一行一行從關係型數據庫中讀取數據,設置好Map的Key和Value,交給Map
DBRecordReader.nextKeyValue()
7)運行map
TextImportMapper.map(LongWritable key,SqoopRecord val, Context context)
最後生成的Key是行數據,由QueryResult生成,Value是NullWritable.get()
八總結
通過這些,瞭解了MapReduce運行流程.但對於Sqoop這種切分方式感覺還是有很大的問題.比如這裏根據ID範圍來切分,如此切分出來的數據會很不平均,比如min(split-id)=1,max(split-id)=3000,交給三個map來處理。那麼範圍是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是沒有數據,已經被刪除了。那麼這個map就什麼都不能做。而其他map卻累的半死。如此就會拖累job的運行結果。這裏說的範圍很小,比如有幾十億條數據交給幾百個map去做。map一多,如果任務不均衡就會影響進度。看有沒有更好的切分方式?比如取樣?如此看來,寫好map reduce也不簡單!、
本主題由 pig2 於 2014-8-8 17:01 移動