利用SQOOP將資料從資料庫匯入到HDFS

利用sqoop將資料從資料庫匯入到hdfs

基本使用

如下面這個shell指令碼：

#oracle的連線字串，其中包含了oracle的位址，sid，和埠號

connecturl=jdbc:oracle:thin:@20.135.60.21:1521:dwrac2

#使用的使用者名稱

oraclename=kkaa

#使用的密碼

oraclepassword=kkaa123

#需要從oracle中匯入的表名

oralcetablename=tt

#需要從oracle中匯入的表中的欄位名

columns=area_id,team_name

#將oracle中的資料匯入到hdfs後的存放路徑

hdfspath=apps/as/hive/$oralcetablename

#執行匯入邏輯。將oracle中的資料匯入到hdfs中

sqoop import --append --connect $connecturl --username $oraclename --password $oraclepassword --target-dir $hdfspath --num-mappers 1 --table $oralcetablename --columns $columns --fields-terminated-by '\001'

執行這個指令碼之後，匯入程式就完成了。

接下來，使用者可以自己建立外部表，將外部表的路徑和hdfs中存放oracle資料的路徑對應上即可。

注意：這個程式匯入到hdfs中的資料是文字格式，所以在建立hive外部表的時候，不需要指定檔案的格式為rcfile，而使用預設的textfile即可。資料間的分隔符為'\001'。如果多次匯入同乙個表中的資料，資料以append的形式插入到hdfs目錄中。

並行匯入

假設有這樣這個sqoop命令，需要將oracle中的資料匯入到hdfs中：

sqoop import --append --connect $connecturl --username $oraclename --password $oraclepassword --target-dir $hdfspath --m 1 --table $oralcetablename --columns $columns --fields-terminated-by '\001' --where "data_desc='2011-02-26'"

請注意，在這個命令中，有乙個引數「-m」，代表的含義是使用多少個並行，這個引數的值是1，說明沒有開啟並行功能。

現在，我們可以將「-m」引數的值調大，使用並行匯入的功能，如下面這個命令：

sqoop import --append --connect $connecturl --username $oraclename --password $oraclepassword --target-dir $hdfspath --m 4 --table $oralcetablename --columns $columns --fields-terminated-by '\001' --where "data_desc='2011-02-26'"

一般來說，sqoop就會開啟4個程序，同時進行資料的匯入操作。

但是，如果從oracle中匯入的表沒有主鍵，那麼會出現如下的錯誤提示：

error tool.importtool: error during import: no primary key could be found for table creater_user.popt_cas_redirect_his. please specify one with --split-by or perform a sequential import with '-m 1'.

在這種情況下，為了更好的使用sqoop的並行匯入功能，我們就需要從原理上理解sqoop並行匯入的實現機制。

如果需要並行匯入的oracle表的主鍵是id，並行的數量是4，那麼sqoop首先會執行如下乙個查詢：

select max(id) as max, select min(id) as min from table [where 如果指定了where子句];

通過這個查詢，獲取到需要拆分字段（id）的最大值和最小值，假設分別是1和1000。

然後，sqoop會根據需要並行匯入的數量，進行拆分查詢，比如上面的這個例子，並行匯入將拆分為如下4條sql同時執行：

select * from table where 0 <= id < 250;

select * from table where 250 <= id < 500;

select * from table where 500 <= id < 750;

select * from table where 750 <= id < 1000;

注意，這個拆分的字段需要是整數。

從上面的例子可以看出，如果需要匯入的表沒有主鍵，我們應該如何手動選取乙個合適的拆分字段，以及選擇合適的並行數。

再舉乙個實際的例子來說明：

我們要從oracle中匯入creater_user.popt_cas_redirect_his。

這個表沒有主鍵，所以我們需要手動選取乙個合適的拆分字段。

首先看看這個表都有哪些字段：

然後，我假設ds_name欄位是乙個可以選取的拆分字段，然後執行下面的sql去驗證我的想法：

select min(ds_name), max(ds_name) from creater_user.popt_cas_redirect_his where data_desc='2011-02-26'

發現結果不理想，min和max的值都是相等的。所以這個欄位不合適作為拆分字段。

再測試一下另乙個字段：clientip

select min(clientip), max(clientip) from creater_user.popt_cas_redirect_his where data_desc='2011-02-26'

這個結果還是不錯的。所以我們使用clientip欄位作為拆分字段。

所以，我們使用如下命令並行匯入：

sqoop import --append --connect $connecturl --username $oraclename --password $oraclepassword --target-dir $hdfspath --m 12 --split-by clientip --table $oralcetablename --columns $columns --fields-terminated-by '\001' --where "data_desc='2011-02-26'"

這次執行這個命令，可以看到，消耗的時間為：20mins, 35sec，匯入了33,222,896條資料。

另外，如果覺得這種拆分不能很好滿足我們的需求，可以同時執行多個sqoop命令，然後在where的引數後面指定拆分的規則。如：

從而達到並行匯入的目的。

利用SQOOP將資料從資料庫匯入到HDFS

利用SQOOP將資料從資料庫匯入到HDFS

利用SQOOP將資料從資料庫匯入到HDFS

利用Sqoop將資料從資料庫匯入到HDFS

相關推薦