sqoop v1.4.5 使用举例（postgresql）

1、Sqoop简介

Apache sqoop是一个专门为高效在Apache hadoop和结构化数据库之间传输大规模数据的工具，可以用来在MySQL,postgresql,Oracle和HDFS之间传输数据。Sqoop开始于2012年3月份，现在是Apache的顶级项目。目前最稳定的sqoop1版本也是sqoop1的最后一个版本是1.4.6，最新的sqoop2版本是1.99.7。Sqoop1和sqoop2之间不兼容。

下载地址：http://sqoop.apache.org

文档地址：http://sqoop.apache.org/docs/...

2、Sqoop安装

(1)、编辑sqoop/conf/sqoop-env.sh

若是不用hbase和hive的话就不用配置，需要使用zookeeper的话自己配置zookeeper的home,这里仅仅只配置了hive，其他类似。

export HIVE_HOME=XXXX

(2)、编辑sqoop/bin/configure-sqoop

根据需要注释掉自己不用的东西：

根据自己的需要注释掉了  HCAT_HOME 、ACCUMULO_HOME、ZOOKEEPER_HOME

(3)、测试

命令行输入：sqoop version

显示如下：    

06/09/19 15:28:49 INFO sqoop.Sqoop: Running Sqoop version: 1.4.5
Sqoop 1.4.5
git commit id 5b34accaca7de251fc91161733f906af2eddbe83
Compiled by abe on Fri Aug 1 11:19:26 PDT 2014

3、sqoop命令行简介

(1)、sqoop list-databases命令

列出pg数据库下的所有数据库：

例子：

sqoop list-databases --connect jdbc:postgresql://host:port --username user --password pass

(2)、sqoop list-tables 命令

列出pg数据库下某数据库下所有表：
例子：

sqoop list-tables --connect jdbc:postgresql://host:port/database --username user --password pass

(3)、sqoop create-hive-table 命令

在hive上创建一个和关系型数据库一样的表:

sqoop create-hive-table  --connect jdbc:postgresql://host:port/database --username user --password pass --table table_name --hive-database hive_database --hive-table hive_table_name

其中：

--table 标识关系数据库中的表

--hive-database 标识hive中的目标库

--hive-table 标识hive中的目标表

(4)、 sqoop import 命令

sqoop的核心功能，将数据从关系型数据库导入到hive或者hdfs中

导入数据到hive例子：

 sqoop import --connect jdbc:postgresql://$HOST:$PORT/$DATABASES --username $USER --password $PASS --direct --hive-import --hive-database $hive_db --hive-table $hive_tb --map-column-java $arg --map-column-hive $arg --table $pg_tb --where "$wh" -- --schema public --input-null-string '\\N' --input-null-non-string '\\N'

其中：

--connect: 数据库的地址，里面包含有用到的数据库名和端口号等信息

--username: 连接关系型数据库的用户名

--password: 相应的应户名密码

--direct：sqoop的快速传输模式，去掉此命令则会在传输中用MapReduce的方式传输数据

--hive-import：标识传输数据到hive，类似的有--hbase-import等

--hive-database：数据传输到hive的目标数据库

--hive-table：数据传输到hive的目标表

--map-column-java：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

--map-column-hive：生成hive表时，可以更改生成字段的数据类型，格式如：–map-column-hive TBL_ID=String,LAST_ACCESS_TIME=string

--table：关系型数据库中的表名字

--where：关系型数据库中的限制条件，可以选择同步的数据集合

-- --schema：pg中用到的schema名字

--input-null-string：string类型的字段值为null时的填充值

--input-null-non-string： 非string类型的字段值为null时的填充值

导入数据到hdfs例子：

sqoop import --connect jdbc:postgresql://$HOST:$PORT/$DATABASES --username user --password pass --append --target-dir /user/ticketdev  --direct --table ttd_first_order_info -- --schema transformation

其中：

--append：增量同步，每次同步时候先把数据发到临时目录，然后copy到目标目录
--target-dir：目标目录

更新

在用sqoop导入表的时候，发现同一张表从pg到hive会多出来很多几乎全部为null的行，原因是在字段中有\n导致的，查资料发现用 --hive-drop-import-delims 可以解决这个问题，用法是直接加上--hive-drop-import-delims就可以了后面不用指定字符，会默认的去掉\n,\r,\01等字符。

例：

sqoop import --connect jdbc:postgresql://$HOST:$PORT/$DATABASES --username $USER --password $PASS --hive-drop-import-delims --hive-import --hive-database $hive_db --hive-table $hive_tb --table $pg_tb -- --schema $pg_db

需要注意的地方是 --hive-drop-import-delims 和 --direct 不兼容！

还会有集群机器访问数据库权限问题。

这样的话就需要走MapReduce的方式同步，问题又出现了：如果表里面没有主键，就需要加上 -m 1，-m 表示启动几个map任务来读取数据 ， 如果数据库中的表没有主键这个参数是必须设置的而且只能设定为1 否则会提示错误；

例：

sqoop import  -m 1 --connect jdbc:postgresql://$HOST:$PORT/$DATABASES --username $USER --password $PASS --hive-drop-import-delims --hive-import --hive-database $hive_db --hive-table $hive_tb --table $pg_tb -- --schema $pg_db

这时候又会出现提示：/user/ticketdev/table_name 这个目录已经存在的问题，现在需要在前面先删除这个目录，然后执行sqoop命令；

更新

pg中数据有乱码的时候，同步到hive会导致hive表大面积乱码。

同步的时候可以限制字符编码：

sqoop import --connect "jdbc:postgresql://HOST:PORT/database?useUnicode=true&characterEncoding=utf-8" --username USER --password PASS --direct --hive-import --hive-database hive_db --hive-table hive_tb --table pg_tb -- --schema pg_schema