Sqoop可以在HDFS/Hive和关系型数据库之间进行数据的导入导出，其中主要使用了import和export这两个工具。这两个工具非常强大，提供了很多选项帮助我们完成数据的迁移和同步。比如，下面两个潜在的需求：
- 业务数据存放在关系数据库中，如果数据量达到一定规模后需要对其进行分析或同统计，单纯使用关系数据库可能会成为瓶颈，这时可以将数据从业务数据库数据导入（import）到Hadoop平台进行离线分析。
- 对大规模的数据在Hadoop平台上进行分析以后，可能需要将结果同步到关系数据库中作为业务的辅助数据，这时候需要将Hadoop平台分析后的数据导出（export）到关系数据库。
这里，我们介绍Sqoop完成上述基本应用场景所使用的import和export工具，通过一些简单的例子来说明这两个工具是如何做到的。
工具通用选项
import和export工具有些通用的选项，如下表所示：
选项 | 含义说明 |
|---|---|
--connect | 指定JDBC连接字符串 |
--connection-manager | 指定要使用的连接管理器类 |
--driver | 指定要使用的JDBC驱动类 |
--hadoop-mapred-home | 指定$HADOOP_MAPRED_HOME路径 |
--help | 打印用法帮助信息 |
--password-file | 设置用于存放认证的密码信息文件的路径 |
-P | 从控制台读取输入的密码 |
--password | 设置认证密码 |
--username | 设置认证用户名 |
--verbose | 打印详细的运行信息 |
--connection-param-file | 可选，指定存储数据库连接参数的属性文件 |
数据导入工具import
import工具，是将HDFS平台外部的结构化存储系统中的数据导入到Hadoop平台，便于后续分析。我们先看一下import工具的基本选项及其含义，如下表所示：
选项 | 含义说明 |
|---|---|
--append | 将数据追加到HDFS上一个已存在的数据集上 |
--as-avrodatafile | 将数据导入到Avro数据文件 |
--as-sequencefile | 将数据导入到SequenceFile |
--as-textfile | 将数据导入到普通文本文件（默认） |
--boundary-query | 边界查询，用于创建分片（InputSplit） |
--columns | 从表中导出指定的一组列的数据 |
--delete-target-dir | 如果指定目录存在，则先删除掉 |
--direct | 使用直接导入模式（优化导入速度） |
--direct-split-size | 分割输入stream的字节大小（在直接导入模式下） |
--fetch-size | 从数据库中批量读取记录数 |
--inline-lob-limit | 设置内联的LOB对象的大小 |
-m,--num-mappers | 使用n个map任务并行导入数据 |
-e,--query | 导入的查询语句 |
--split-by | 指定按照哪个列去分割数据 |
--table | 导入的源表表名 |
--target-dir | 导入HDFS的目标路径 |
--warehouse-dir | HDFS存放表的根路径 |
--where | 指定导出时所使用的查询条件 |
-z,--compress | 启用压缩 |
--compression-codec | 指定Hadoop的codec方式（默认gzip） |
--null-string | 果指定列为字符串类型，使用指定字符串替换值为null的该类列的值 |
--null-non-string | 如果指定列为非字符串类型，使用指定字符串替换值为null的该类列的值 |
下面，我们通过实例来说明，在实际中如何使用这些选项。
1 | bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-import -- --default-character-set=utf-8 |
|---|
将MySQL数据库workflow中project表的数据导入到Hive表中。
- 将MySQL数据库中整个表数据导入到Hive表
1 | bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn -P --query 'SELECT users.*, tags.tag FROM users JOIN tags ON (users.id = tags.user_id) WHERE $CONDITIONS' --split-by users.id --target-dir /hive/tag_db/user_tags -- --default-character-set=utf-8 |
|---|
这里，使用了--query选项，不能同时与--table选项使用。而且，变量$CONDITIONS必须在WHERE语句之后，供Sqoop进程运行命令过程中使用。上面的--target-dir指向的其实就是Hive表存储的数据目录。
- 将MySQL数据库中多表JION后的数据导入到HDFS
1 | bin/sqoop job --create your-sync-job -- import --connect jdbc:mysql://10.95.3.49:3306/workflow --table project --username shirdrn -P --hive-import --incremental append --check-column id --last-value 1 -- --default-character-set=utf-8 |
|---|
这里，每次运行增量导入到Hive表之前，都要修改--last-value的值，否则Hive表中会出现重复记录。
- 将MySQL数据库中某个表的数据增量同步到Hive表
1 | bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/workflow --username shirdrn --P --table tags --columns 'id,tag' --create-hive-table -target-dir /hive/tag_db/tags -m 1 --hive-table tags --hive-import -- --default-character-set=utf-8 |
|---|
我们这里将MySQL数据库workflow中tags表的id和tag字段的值导入到Hive表tag_db.tags。其中--create-hive-table选项会自动创建Hive表，--hive-import选项会将选择的指定列的数据导入到Hive表。如果在Hive中通过SHOW TABLES无法看到导入的表，可以在conf/hive-site.xml中显式修改如下配置选项：
1 | <property> |
|---|
然后再重新运行，就能看到了。
- 将MySQL数据库中某个表的几个字段的数据导入到Hive表
1 | sqoop import --connect jdbc:mysql://db.foo.com/corp --table EMPLOYEES --validate --validator org.apache.sqoop.validation.RowCountValidator --validation-threshold org.apache.sqoop.validation.AbsoluteValidationThreshold --validation-failurehandler org.apache.sqoop.validation.AbortOnFailureHandler |
|---|
上面这个是官方用户手册上给出的用法，我们在实际中还没用过这个，有感兴趣的可以验证尝试一下。
- 使用验证配置选项
数据导出工具export
export工具，是将HDFS平台的数据，导出到外部的结构化存储系统中，可能会为一些应用系统提供数据支持。我们看一下export工具的基本选项及其含义，如下表所示：
选项 | 含义说明 |
|---|---|
--validate | 启用数据副本验证功能，仅支持单表拷贝，可以指定验证使用的实现类 |
--validation-threshold | 指定验证门限所使用的类 |
--direct | 使用直接导出模式（优化速度） |
--export-dir | 导出过程中HDFS源路径 |
-m,--num-mappers | 使用n个map任务并行导出 |
--table | 导出的目的表名称 |
--call | 导出数据调用的指定存储过程名 |
--update-key | 更新参考的列名称，多个列名使用逗号分隔 |
--update-mode | 指定更新策略，包括：updateonly（默认）、allowinsert |
--input-null-string | 使用指定字符串，替换字符串类型值为null的列 |
--input-null-non-string | 使用指定字符串，替换非字符串类型值为null的列 |
--staging-table | 在数据导出到数据库之前，数据临时存放的表名称 |
--clear-staging-table | 清除工作区中临时存放的数据 |
--batch | 使用批量模式导出 |
下面，我们通过实例来说明，在实际中如何使用这些选项。这里，我们主要结合一个实例，讲解如何将Hive中的数据导入到MySQL数据库。 首先，我们准备几个表，MySQL数据库为tag_db，里面有两个表，定义如下所示：
01 | CREATE TABLE tag_db.users ( |
|---|
这两个表中存储的是基础数据，同时对应着Hive中如下两个表：
01 | CREATE TABLE users ( |
|---|
我们首先在上述MySQL的两个表中插入一些测试数据：
1 | INSERT INTO tag_db.users(name) VALUES('jeffery'); |
|---|
然后，使用Sqoop的import工具，将MySQL两个表中的数据导入到Hive表，执行如下命令行：
1 | bin/sqoop import --connect jdbc:mysql://10.95.3.49:3306/tag_db --table users --username shirdrn -P --hive-import -- --default-character-set=utf-8 |
|---|
导入成功以后，再在Hive中创建一个用来存储users和tags关联后数据的表：
1 | CREATE TABLE user_tags ( |
|---|
执行如下HQL语句，将关联数据插入user_tags表：
1 | FROM users u JOIN tags t ON u.id=t.user_id INSERT INTO TABLE user_tags SELECT CONCAT(CAST(u.id AS STRING), CAST(t.id AS STRING)), u.name, t.tag; |
|---|
将users.id与tags.id拼接的字符串，作为新表的唯一字段id，name是用户名，tag是标签名称。 再在MySQL中创建一个对应的user_tags表，如下所示：
1 | CREATE TABLE tag_db.user_tags ( |
|---|
使用Sqoop的export工具，将Hive表user_tags的数据同步到MySQL表tag_db.user_tags中，执行如下命令行：
1 | bin/sqoop export --connect jdbc:mysql://10.95.3.49:3306/tag_db --username shirdrn --P --table user_tags --export-dir /hive/user_tags --input-fields-terminated-by ' 01' -- --default-character-set=utf-8 |
|---|
执行导出成功后，可以在MySQL的tag_db.user_tags表中看到对应的数据。 如果在导出的时候出现类似如下的错误：
01 | 14/02/27 17:59:06 INFO mapred.JobClient: Task Id : attempt_201402260008_0057_m_000001_0, Status : FAILED |
|---|
通过指定字段分隔符选项--input-fields-terminated-by，指定Hive中表字段之间使用的分隔符，供Sqoop读取解析，就不会报错了。
