利用SQOOP将数据从数据库导入到HDFS

基本使用
[size=0.9em]如下面这个shell脚本:
[size=0.9em]#Oracle的连接字符串,其中包含了Oracle的地址,SID,和端口号
CONNECTURL=jdbcracle:thin20.135.60.21:1521WRAC2
#使用的用户名
ORACLENAME=kkaa
#使用的密码
ORACLEPASSWORD=kkaa123
#需要从Oracle中导入的表名
oralceTableName=tt
#需要从Oracle中导入的表中的字段名
columns=AREA_ID,TEAM_NAME
#将Oracle中的数据导入到HDFS后的存放路径
hdfsPath=apps/as/hive/$oralceTableName

#执行导入逻辑。将Oracle中的数据导入到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'
[size=0.9em]执行这个脚本之后,导入程序就完成了。
[size=0.9em]接下来,用户可以自己创建外部表,将外部表的路径和HDFS中存放Oracle数据的路径对应上即可。
[size=0.9em]注意:这个程序导入到HDFS中的数据是文本格式,所以在创建Hive外部表的时候,不需要指定文件的格式为RCFile,而使用默认的TextFile即可。数据间的分隔符为'\001'。如果多次导入同一个表中的数据,数据以append的形式插入到HDFS目录中。并行导入
[size=0.9em]假设有这样这个sqoop命令,需要将Oracle中的数据导入到HDFS中:
[size=0.9em]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'"
[size=0.9em]请注意,在这个命令中,有一个参数“-m”,代表的含义是使用多少个并行,这个参数的值是1,说明没有开启并行功能。
[size=0.9em]现在,我们可以将“-m”参数的值调大,使用并行导入的功能,如下面这个命令:
[size=0.9em]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'"
[size=0.9em]一般来说,Sqoop就会开启4个进程,同时进行数据的导入操作。
[size=0.9em]但是,如果从Oracle中导入的表没有主键,那么会出现如下的错误提示:
[size=0.9em]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'.
[size=0.9em]在这种情况下,为了更好的使用Sqoop的并行导入功能,我们就需要从原理上理解Sqoop并行导入的实现机制。
[size=0.9em]如果需要并行导入的Oracle表的主键是id,并行的数量是4,那么Sqoop首先会执行如下一个查询:
[size=0.9em]select max(id) as max, select min(id) as min from table [where 如果指定了where子句];
[size=0.9em]通过这个查询,获取到需要拆分字段(id)的最大值和最小值,假设分别是1和1000。
[size=0.9em]然后,Sqoop会根据需要并行导入的数量,进行拆分查询,比如上面的这个例子,并行导入将拆分为如下4条SQL同时执行:
[size=0.9em]select * from table where 0 <= id < 250;
[size=0.9em]select * from table where 250 <= id < 500;
[size=0.9em]select * from table where 500 <= id < 750;
[size=0.9em]select * from table where 750 <= id < 1000;
[size=0.9em]注意,这个拆分的字段需要是整数。
[size=0.9em]从上面的例子可以看出,如果需要导入的表没有主键,我们应该如何手动选取一个合适的拆分字段,以及选择合适的并行数。
[size=0.9em]再举一个实际的例子来说明:
[size=0.9em]我们要从Oracle中导入creater_user.popt_cas_redirect_his。
[size=0.9em]这个表没有主键,所以我们需要手动选取一个合适的拆分字段。
[size=0.9em]首先看看这个表都有哪些字段:
[size=0.9em]然后,我假设ds_name字段是一个可以选取的拆分字段,然后执行下面的sql去验证我的想法:
[size=0.9em]select min(ds_name), max(ds_name) from creater_user.popt_cas_redirect_his where data_desc='2011-02-26'
[size=0.9em]发现结果不理想,min和max的值都是相等的。所以这个字段不合适作为拆分字段。
[size=0.9em]再测试一下另一个字段:CLIENTIP
select min(CLIENTIP), max(CLIENTIP) from creater_user.popt_cas_redirect_his where data_desc='2011-02-26'
[size=0.9em]这个结果还是不错的。所以我们使用CLIENTIP字段作为拆分字段。
[size=0.9em]所以,我们使用如下命令并行导入:
[size=0.9em]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'"
[size=0.9em]这次执行这个命令,可以看到,消耗的时间为:20mins, 35sec,导入了33,222,896条数据。
[size=0.9em]另外,如果觉得这种拆分不能很好满足我们的需求,可以同时执行多个Sqoop命令,然后在where的参数后面指定拆分的规则。如:
[size=0.9em]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' logtime<10:00:00"
[size=0.9em]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' logtime>=10:00:00"
[size=0.9em]从而达到并行导入的目的。

0 个评论

要回复文章请先登录注册