sqoop使用与原理

不念不忘少年蓝@ 2022-02-03 10:23 400阅读 0赞

### **简介** ###

sqoop:sql-to-hadoop。

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。

### sqoop架构图 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2plcnJ5RHphbg_size_16_color_FFFFFF_t_70][]

### Sqoop原理（以import为例） ###

> 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。

### mapreduce job所需要的各种参数在Sqoop中的实现 ###

> 1) InputFormatClass
> 
> com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat
> 
> 2) OutputFormatClass
> 
> 1)TextFile
> 
> com.cloudera.sqoop.mapreduce.RawKeyTextOutputFormat
> 
> 2)SequenceFile
> 
> org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat
> 
> 3)AvroDataFile
> 
> com.cloudera.sqoop.mapreduce.AvroOutputFormat
> 
> 3)Mapper
> 
> 1)TextFile
> 
> com.cloudera.sqoop.mapreduce.TextImportMapper                 
> 
> 2)SequenceFile
> 
> com.cloudera.sqoop.mapreduce.SequenceFileImportMapper        
> 
>  
> 
> 3)AvroDataFile
> 
> com.cloudera.sqoop.mapreduce.AvroImportMapper
> 
> 4)taskNumbers
> 
> 1)mapred.map.tasks(对应num-mappers参数)   2)job.setNumReduceTasks(0);

### 实例讲解： ###

> 这里以命令行:import –connect jdbc:mysql://localhost/test  –username root –password 123456 –query “select sqoop\_1.id as foo\_id, sqoop\_2.id as bar\_id from sqoop\_1 ,sqoop\_2  WHERE $CONDITIONS” –target-dir /user/sqoop/test -split-by sqoop\_1.id   –hadoop-home=/home/hdfs/hadoop-0.20.2-CDH3B3  –num-mappers 2
> 
> 注:红色部分参数，后接根据命令衍生的参数值
> 
> 1）设置Input
> 
> DataDrivenImportJob.configureInputFormat(Job job, String tableName,String tableClassName, String splitByCol)
> 
> a)DBConfiguration.configureDB(Configuration conf, String driverClass,
> 
>      String dbUrl, String userName, String passwd, Integer fetchSize)
> 
> 1).mapreduce.jdbc.driver.class com.mysql.jdbc.Driver
> 
> 2).mapreduce.jdbc.url  jdbc:mysql://localhost/test              
> 
> 3).mapreduce.jdbc.username  root
> 
> 4).mapreduce.jdbc.password  123456
> 
> 5).mapreduce.jdbc.fetchsize -2147483648
> 
> b)DataDrivenDBInputFormat.setInput(Job job,Class<? extends DBWritable> inputClass, String inputQuery, String inputBoundingQuery)
> 
> 1)job.setInputFormatClass(DBInputFormat.class);                 2)mapred.jdbc.input.bounding.query SELECT MIN(sqoop\_1.id), MAX(sqoop\_2.id) FROM (select sqoop\_1.id as foo\_id, sqoop\_2.id as bar\_id from sqoop\_1 ,sqoop\_2  WHERE  (1 = 1) ) AS t1
> 
> 3)job.setInputFormatClass(com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat.class);
> 
> 4)mapreduce.jdbc.input.orderby sqoop\_1.id
> 
> c)mapreduce.jdbc.input.class QueryResult
> 
> d)sqoop.inline.lob.length.max 16777216
> 
>  
> 
> 2）设置Output
> 
> ImportJobBase.configureOutputFormat(Job job, String tableName,String tableClassName)
> 
> a)job.setOutputFormatClass(getOutputFormatClass());                b)FileOutputFormat.setOutputCompressorClass(job, codecClass);
> 
> c)SequenceFileOutputFormat.setOutputCompressionType(job,CompressionType.BLOCK);
> 
> d)FileOutputFormat.setOutputPath(job, outputPath);
> 
> 3）设置Map
> 
> DataDrivenImportJob.configureMapper(Job job, String tableName,String tableClassName)
> 
>      a)job.setOutputKeyClass(Text.class);
> 
>      b)job.setOutputValueClass(NullWritable.class);
> 
> c)job.setMapperClass(com.cloudera.sqoop.mapreduce.TextImportMapper);
> 
>  
> 
> 4）设置task number
> 
> JobBase.configureNumTasks(Job job)
> 
> mapred.map.tasks 4
> 
> job.setNumReduceTasks(0);

### 大概流程 ###

>  
> 
> 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，主要也就是设置好以上第六章中的各个参数
> 
> 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 and  upperBoundQuery
> 
> 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
> 
> DBRecordReader.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()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2plcnJ5RHphbg_size_16_color_FFFFFF_t_70]: /images/20220203/12ea4f3822064f159b973081c5e46e97.png