Sqoop
2016-07-14 14:50
218 查看
[b]一.简介[/b]
Sqoop是一个用来将Hadoop和关系型数据库中的数据相互转移的工具,可以将一个关系型数据库(例如 : MySQL ,Oracle ,Postgres等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。
[b]二.特点[/b]
Sqoop中一大亮点就是可以通过hadoop的mapreduce把数据从关系型数据库中导入数据到HDFS。
[b]三.Sqoop 命令[/b]
Sqoop大约有13种命令和几种通用的参数(都支持这13种命令)。
[b]四.sqoop命令举例[/b]
1)列出mysql数据库中的所有数据库
2)连接mysql并列出test数据库中的表:命令中的test为mysql数据库中的test数据库名称 username password分别为mysql数据库的用户密码
3)将关系型数据的表结构复制到hive中,只是复制表的结构,表中的内容没有复制过去: 其中 –table sqoop_test为mysql中的数据库test中的表 –hive-table test 为hive中新建的表名称
4)从关系数据库导入文件到hive中
5)将hive中的表数据导入到mysql中,在进行导入之前,mysql中的表 hive_test必须已经提起创建好了
6)从数据库导出表的数据到HDFS上文件
7)从数据库增量导入表数据到hdfs中
[b]五 .Sqoop原理(以import为例)[/b]
Sqoop在import时,需要制定split-by参数。Sqoop根据不同的split-by参数值来进行切分,然后将切分出来的区域分配到不同map中。每个map中再处理数据库中获取的一行一行的值,写入到HDFS中。同时split-by根据不同的参数类型有不同的切分方法,如比较简单的int型,Sqoop会取最大和最小split-by字段值,然后根据传入的num-mappers来确定划分几个区域。 比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分别为1000和1,而num-mappers为2的话,则会分成两个区域(1,500)和(501-100),同时也会分成2个sql给2个map去进行导入操作,分别为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。最后每个map各自获取各自SQL中的数据进行导入工作。
[b]六 .大概流程[/b]
1.读取要导入数据的表结构,生成运行类,默认是QueryResult,打成jar包,然后提交给Hadoop
2.设置好job,主要也就是设置好的各个参数
3.这里就由Hadoop来执行MapReduce来执行Import命令了,
1)首先要对数据进行切分,也就是DataSplit DataDrivenDBInputFormat.getSplits(JobContext job)
2)切分好范围后,写入范围,以便读取 DataDrivenDBInputFormat.write(DataOutput output) 这里是lowerBoundQuery andupperBoundQuery
3)读取以上2)写入的范围 DataDrivenDBInputFormat.readFields(DataInput input)
4)然后创建RecordReader从数据库中读取数据 DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)
5)创建Map TextImportMapper.setup(Context context)
6)RecordReader一行一行从关系型数据库中读取数据,设置好Map的Key和Value,交给Map DecordReader.nextKeyValue()
7)运行map TextImportMapper.map(LongWritable key, SqoopRecord val, Context context) 最后生成的Key是行数据,由QueryResult生成,Value是NullWritable.get()
[b]七 .总结[/b]
通过这些,了解了MapReduce运行流程.但对于Sqoop这种切分方式感觉还是有很大的问题.比如这里根据ID范围来切分,如此切分出来的数据会很不平均,比如min(split-id)1,max(split-id)3000,交给三个map来处理。那么范围是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是没有数据,已经被删除了。那么这个map就什么都不能做。而其他map却累的半死。如此就会拖累job的运行结果。这里说的范围很小,比如有几十亿条数据交给几百个map去做。map一多,如果任务不均衡就会影响进度。看有没有更好的切分方式?比如取样?如此看来,写好map reduce也不简单!、tdtrtbodytable
Sqoop是一个用来将Hadoop和关系型数据库中的数据相互转移的工具,可以将一个关系型数据库(例如 : MySQL ,Oracle ,Postgres等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。
[b]二.特点[/b]
Sqoop中一大亮点就是可以通过hadoop的mapreduce把数据从关系型数据库中导入数据到HDFS。
[b]三.Sqoop 命令[/b]
Sqoop大约有13种命令和几种通用的参数(都支持这13种命令)。
[b]四.sqoop命令举例[/b]
1)列出mysql数据库中的所有数据库
sqoop list-databases –connect jdbc:mysql://localhost:3306/ –username root –password 123456
2)连接mysql并列出test数据库中的表:命令中的test为mysql数据库中的test数据库名称 username password分别为mysql数据库的用户密码
sqoop list-tables –connect jdbc:mysql://localhost:3306/test –username root –password 123456
3)将关系型数据的表结构复制到hive中,只是复制表的结构,表中的内容没有复制过去: 其中 –table sqoop_test为mysql中的数据库test中的表 –hive-table test 为hive中新建的表名称
sqoop create-hive-table –connect jdbc:mysql://localhost:3306/test –table sqoop_test –username root –password 123456 –hive-table test
4)从关系数据库导入文件到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)将hive中的表数据导入到mysql中,在进行导入之前,mysql中的表 hive_test必须已经提起创建好了
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)从数据库导出表的数据到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)从数据库增量导入表数据到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
[b]五 .Sqoop原理(以import为例)[/b]
Sqoop在import时,需要制定split-by参数。Sqoop根据不同的split-by参数值来进行切分,然后将切分出来的区域分配到不同map中。每个map中再处理数据库中获取的一行一行的值,写入到HDFS中。同时split-by根据不同的参数类型有不同的切分方法,如比较简单的int型,Sqoop会取最大和最小split-by字段值,然后根据传入的num-mappers来确定划分几个区域。 比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分别为1000和1,而num-mappers为2的话,则会分成两个区域(1,500)和(501-100),同时也会分成2个sql给2个map去进行导入操作,分别为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。最后每个map各自获取各自SQL中的数据进行导入工作。
[b]六 .大概流程[/b]
1.读取要导入数据的表结构,生成运行类,默认是QueryResult,打成jar包,然后提交给Hadoop
2.设置好job,主要也就是设置好的各个参数
3.这里就由Hadoop来执行MapReduce来执行Import命令了,
1)首先要对数据进行切分,也就是DataSplit DataDrivenDBInputFormat.getSplits(JobContext job)
2)切分好范围后,写入范围,以便读取 DataDrivenDBInputFormat.write(DataOutput output) 这里是lowerBoundQuery andupperBoundQuery
3)读取以上2)写入的范围 DataDrivenDBInputFormat.readFields(DataInput input)
4)然后创建RecordReader从数据库中读取数据 DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)
5)创建Map TextImportMapper.setup(Context context)
6)RecordReader一行一行从关系型数据库中读取数据,设置好Map的Key和Value,交给Map DecordReader.nextKeyValue()
7)运行map TextImportMapper.map(LongWritable key, SqoopRecord val, Context context) 最后生成的Key是行数据,由QueryResult生成,Value是NullWritable.get()
[b]七 .总结[/b]
通过这些,了解了MapReduce运行流程.但对于Sqoop这种切分方式感觉还是有很大的问题.比如这里根据ID范围来切分,如此切分出来的数据会很不平均,比如min(split-id)1,max(split-id)3000,交给三个map来处理。那么范围是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是没有数据,已经被删除了。那么这个map就什么都不能做。而其他map却累的半死。如此就会拖累job的运行结果。这里说的范围很小,比如有几十亿条数据交给几百个map去做。map一多,如果任务不均衡就会影响进度。看有没有更好的切分方式?比如取样?如此看来,写好map reduce也不简单!、tdtrtbodytable
相关文章推荐
- apache虚拟主机
- openstack入门
- Docker建立本地Registry
- Ubuntu 12.04.5(64bit) valgrind的安装、缺少libc6-dbg的解决办法以及移植到arm-Linux嵌入式设备的步骤
- 如何隐藏你的 Linux 的命令行历史
- linux下交叉编译器制作
- linux允许指定ip登陆
- Tomcat工作原理
- OpenStack架构详解
- opencv3.1中svm的使用范例
- linux下python安装Mysql扩展
- Hadoop之HBase
- Linux 下的 通配符 & 正则表达式
- 测试linux下磁盘的读写速率
- Linux C 学习笔记
- operator 类型转换符
- linux中nfs挂载问题(mount.nfs: access denied by server while mounting )
- linux 下 tomcat启动没问题,但是局域网访问不了,那是防火墙没开,开一下即可。
- 编写一个Linux 64位应用的注册机
- 【Shell】shell带有返回值的函数