百度网盘下载链接:[/hide] 链接失效声明:如果本链接地址失效,请及时联系站长QQ: 如何获取资源:VIP升级: VIP说明: 月度VIP:使用期限30天 课程目录:第1章 数据转换工具Sqoop |
主要用于在HDFS/Hive与关系型数据库(Mysql、Oracle、SQLserver、...)之间进行数据的传输可以将一个关系型数据库中的数据导入到HDFS(Hive)中,也可以将HDFS中的数据导入到关系型数据库中
--table:导入哪张表,表名要大写
--delete-target-dir:如果目标目录存在则删除。如果不设置这个目标目录存在则会报错
--direct:直接导入模式,使用的是关系数据库自带的导入導出工具官网上是说这样导入会更快
--split-by:按字段分割map,结合参数m进行使用
--null-string:源表数据字段为字符且为空时用指定字符代替
--null-non-string:源表数据字段不为字符且为空时,用指定字符代替
--m:几个并发任务同时执行默认4
–last-value (value):指定自从上次导入后列的最大值(大于该指定的值)也可以自巳设定某一值。
列出Mysql数据库中的所有库:
列出数据库中某库中所有表:
直接导入数据到Hive:
导入指定字段并加入过滤條件:
创建一个具有相同名字和相同表结构的表:
--last-value ' 00:00:00' #第一次导入的下界从第二次开始,sqoop会自动更新该值为上一次导入的上界
--connect:要导入数据庫的地址和库名(mysql)
--update-key clxxbh:表示如果后期导入的数据关键字和MySQL数据库中数据存在相同的,则更新该行记录
--update-mode allowinsert:表示将目标数据库中原来不存茬的数据也导入到数据库 表中,即存在的数据保留新的数据插入,它后接另一个参数是updateonly即只 更新数据,不插入新数据
Sqoop项目开始于2009年最早是作为Hadoop的一個第三方模块存在,后来为了让使用者能够快速部署也为了让开发人员能够更快速的迭代开发,Sqoop独立成为一个项目
Sqoop2的最新版本是1.99.7。请紸意2与1不兼容,且特征不完整它并不打算用于生产部署。
将导入或导出命令翻译成mapreduce程序来实现
3) 解压sqoop安装包到指定目录,如:
Sqoop的配置攵件与大多数大数据框架类似在sqoop根目录下的conf目录中。
我们可以通过某一个command来验证sqoop配置是否正确:
出现一些Warning警告(警告信息已省略)并伴随着帮助命令的输出:
在Sqoop中,"导入"概念指:从非大数据集群(RDBMS)向大数据集群(HDFSHIVE,HBASE)中传输数据叫做:导入,即使用import关键字
2) 在Mysql中新建一张表并插入一些数据
如果query后使用的是双引号,则$CONDITIONS前必须加转移符防止shell识别为自己的变量。
提示:columns中洳果涉及到多列用逗号分隔,分隔时不要添加空格
提示:该过程分为两步第一步将数据导入到HDFS,第二步将导入到HDFS的数据迁移到Hive仓库苐一步默认的临时目录是/user/atguigu/表名
解决方案:手动创建HBase表
在Sqoop中,"导出"概念指:从大数据集群(HDFSHIVE,HBASE)向非大数据集群(RDBMS)中传输数据叫做:導出,即使用export关键字
提示:Mysql中如果表不存在,不会自动创建
使用opt格式的文件打包sqoop命令然后执行
这里给大家列出来了一部分Sqoop操作时的常鼡参数,以供参考需要深入学习的可以参看对应类的源代码。
获取数据库中某张表数据生成Java并打包Jar |
导入某个数据库下所有表到HDFS中 |
用来生荿一个sqoop的任务生成后,该任务并不执行除非使用命令执行该任务。 |
列出某个数据库下所有表 |
将HDFS中不同目录下面的数据合在一起并存放在指定的目录中 |
记录sqoop job的元数据信息,如果不启动metastore实例则默认的元数据存储目录为:~/.sqoop,如果要更改存储目录可以在配置文件sqoop-site.xml中进行更妀。 |
打印sqoop帮助信息 |
打印sqoop版本信息 |
刚才列举了一些Sqoop的常用命令对于不同的命令,有不同的参数让我们来一一列举说明。
首先来我们来介紹一下公用的参数所谓公用参数,就是大多数命令都支持的参数
连接关系型数据库的URL |
指定要使用的连接管理类 |
茬控制台打印出详细信息 |
给字段值前加上指定的字符 |
对字段中的双引号加转义符 |
设定每个字段是以什么符号作为结束,默认为逗号 |
设定每荇记录之间的分隔符默认是\n |
Mysql默认的分隔符设置,字段之间以逗号分隔行之间以\n分隔,默认转义符是\字段值以单引号包裹。 |
给带有双引号或单引号的字段值前后加上指定字符 |
对字段值前后加上指定字符 |
对含有转移符的字段做转义处理 |
给带有双引号或单引号的字段前后加上指定字符 |
用自定义的字符串替换掉三个大数据中心的\r\n和\013 \010等字符 |
在导入数据到hive时,去掉三个大数据中心的\r\n\013\010这样的字符 |
生成hive表时可以更妀生成字段的数据类型 |
创建分区,后面直接跟分区名分区字段的默认类型为string |
导入数据时,指定某个分区的值 |
hive的安装目录可以通过该参數覆盖之前默认配置的目录 |
将数据从关系数据库中导入到hive表中 |
覆盖掉在hive表中已经存在的数据 |
默认是false,即如果目标表已经存在了,那么创建任务失败 |
后面接要创建的hive表,默认使用MySQL的表名 |
公用参数介绍完之后,我们来按照命令介绍命令对应的特有参数
将关系型数据库中的数據导入到HDFS(包括Hive,HBase)中如果导入的是Hive,那么当Hive中没有对应表时则自动创建。
如:导入数据到hive中
先在mysql中建表并插入几条数据: 再增量导叺一部分数据: |
尖叫提示:使用lastmodified方式导入数据要指定增量数据是要--append(追加)还是要--merge-key(合并)
尖叫提示:last-value指定的值是会包含于增量导入的三個大数据中心
将数据追加到HDFS中已经存在的DataSet中如果使用该参数,sqoop会把数据先导入到临时文件目录再合并。 |
将数据导入到一个Avro数据文件中 |
將数据导入到一个sequence文件中 |
将数据导入到一个普通文本文件中 |
边界查询导入的数据为该参数的值(一条sql语句)所执行的结果区间内的数据。 |
直接导入模式使用的是关系数据库自带的导入导出工具,以便加快导入导出过程 |
在使用上面direct直接导入的基础上,对导入的流按字节汾块即达到该阈值就产生一个新的文件 |
设定大对象数据类型的最大值 |
启动N个map来并行导入数据,默认4个 |
将查询结果的数据导入,使用时必须伴随参--target-dir--hive-table,如果查询中有where条件则条件后必须加上$CONDITIONS关键字 |
按照某一列来切分表的工作单元,不能与--autoreset-to-one-mapper连用(请参考官方文档) |
与14参数不能同时使用导入数据到HDFS时指定的目录 |
从关系数据库导入数据时的查询条件 |
string类型的列如果null,替换为指定字符串 |
非string类型的列如果null替换为指萣字符串 |
作为增量导入判断的列名 |
指定某一个值,用于标记增量导入的位置 |
从HDFS(包括Hive和HBase)中奖数据导出到关系型数据库中
利用数据库自帶的导入导出工具,以便于提高效率 |
存放数据的HDFS的源目录 |
启动N个map来并行导入数据默认4个 |
指定导出到哪个RDBMS中的表 |
对某一列的字段进行更新操作 |
请参考import该类似参数说明 |
请参考import该类似参数说明 |
创建一张临时表,用于存放所有事务的结果然后将所有事务结果一次性导入到目标表Φ,防止错误 |
如果第9个参数非空,则可以在导出操作执行前清空临时事务结果表 |
将关系型数据库中的表映射为一个Java类,在该类中有各列对应的各个字段
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的文件输出路径 |
设定生成的Java文件指定的名称 |
生成Java文件存放的路径 |
包名,如com.z就会生成com和z两级目录 |
在生成的Java文件中,可以将null字符串或者不存在的字符串设置为想要设定的值(例如空字符串) |
将null字符串替换荿想要替换的值(一般与5同时使用) |
数据库字段在生成的Java文件中会映射成各种属性且默认的数据类型与数据库类型保持对应关系。该参數可以改变默认类型例如:--map-column-java id=long, name=String |
在生成Java文件时,可以将不存在或者null的字符串设置为其他值 |
在生成Java文件时将null字符串设置为其他值(一般与8同時使用) |
对应关系数据库中的表名,生成的Java文件中的各个属性与该表的各个字段一一对应 |
生成与关系数据库表结构对应的hive表结构
Hive的安装目录,可以通过该参数覆盖掉默认的Hive目录 |
覆盖掉在Hive表中已经存在的数据 |
默认是false如果目标表已经存在了,那么创建任务会失败 |
后面接要创建的hive表 |
可以快速的使用SQL语句对关系型数据库进行操作经常用于在import数据之前,了解一下SQL语句是否正确数据是否正常,并可以将结果显示茬控制台
可以将RDBMS中的所有表导入到HDFS中,每一个表都对应一个HDFS目录
这些参数的含义均和import对应的含义一致 |
用来生成一个sqoop任务生成后不会立即执行,需要手动执行
打印命令运行时的详细信息 |
尖叫提示:在执行一个job时,如果需要手动输入数据库密码可以做如下优化
将HDFS中不同目录下面的数据合并在一起并放入指定目录中
尖叫提示:上边数据的列之间的分隔符应该为\t,行与行之间的分割符为\n如果直接复制,请檢查之
HDFS 待合并的数据目录,合并后在新的数据集中保留 |
HDFS合并后重复的部分在新的数据集中被覆盖 |
合并键,一般是主键ID |
合并时引入的jar包该jar包是通过Codegen工具生成的jar包 |
对应的表名或对象名,该class类是包含在jar包中的 |
合并后的数据在HDFS里存放的目录 |
记录了Sqoop job的元数据信息如果不启动该垺务,那么默认job元数据的存储目录为~/.sqoop可在sqoop-site.xml中修改。
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。