从MySQL到Hive，数据迁移就这么简单

时间：2023-03-09 05:49:19
从MySQL到Hive，数据迁移就这么简单

使用Sqoop能够极大简化MySQL数据迁移至Hive之流程，并降低Hadoop处理分析任务时的难度。

从MySQL到Hive，数据迁移就这么简单

先决条件:安装并运行有Sqoop与Hive的Hadoop环境。为了加快处理速度，我们还将使用Cloudera Quickstart VM(要求至少4 GB内存)，不过大家也可以使用Hortonworks Data Platform(至少要求8 GB内存)。由于我的笔记本电脑只有8 GB内存，因此我在这里使用CLoudera VM镜像。

如果大家需要使用Virtualbox运行Cloudera/HDP VM，则可以轻松使用其它多种Hadoop生态系统预装软件包(包括MySQL、Oozie、Hadoop、Hive、Zookeeper、Storm、Kafka以及Spark等等)。

在MySQL中创建表

在Cloudera VM中，打开命令界面并确保MySQL已经安装完毕。

    

  1. shell> mysql --version
    2. 

  2. mysql  Ver 14.14 Distrib 5.1.66, for redhat-linux-gnu (x86_64) using readline 5.
    3.

示例当中自然要使用自己的数据库，因此使用以下命令在MySQL中创建一套数据库：

  1. mysql> create database sqoop;

接下来：

    

  1. mysql> use sqoop;
    2. 

  2. mysql> create table customer(id varchar(3), name varchar(20), age varchar(3), salary integer(10));
    3. 

  3. Query OK, 0 rows affected (0.09 sec)
    4. 

  4. mysql> desc customer;
    5. 

  5. +--------+-------------+------+-----+---------+-------+
    6. 

  6. | Field  | Type        | Null | Key | Default | Extra |
    7. 

  7. +--------+-------------+------+-----+---------+-------+
    8. 

  8. | id     | varchar(3)  | YES  |     | NULL    |       |
    9. 

  9. | name   | varchar(20) | YES  |     | NULL    |       |
    10. 

  10. | age    | varchar(3)  | YES  |     | NULL    |       |
    11. 

  11. | salary | int(10)     | YES  |     | NULL    |       |
    12. 

  12. +--------+-------------+------+-----+---------+-------+
    13. 

    

  1. mysql> select * from customer;
    2. 

  2. +------+--------+------+--------+
    3. 

  3. | id   | name   | age  | salary |
    4. 

  4. +------+--------+------+--------+
    5. 

  5. | 1    | John   | 30   |  80000 |
    6. 

  6. | 2    | Kevin  | 33   |  84000 |
    7. 

  7. | 3    | Mark   | 28   |  90000 |
    8. 

  8. | 4    | Jenna  | 34   |  93000 |
    9. 

  9. | 5    | Robert | 32   | 100000 |
    10. 

  10. | 6    | Zoya   | 40   |  60000 |
    11. 

  11. | 7    | Sam    | 37   |  75000 |
    12. 

  12. | 8    | George | 31   |  67000 |
    13. 

  13. | 9    | Peter  | 23   |  70000 |
    14. 

  14. | 19   | Alex   | 26   |  74000 |
    15. 

  15. +------+--------+------+-----
    16.

开始Sqoop之旅

如大家所见，其中customer表中并不包含主键。我在该表中并未添加多少记录。默认情况下，Sqoop能够识别出表中的主键列(如果有的话)，并将其作为划分列。该划分列的低值与高值检索自该数据库，而映射任务则指向符合区间要求的均匀部分。

如果主键并未均匀分布在该区间当中，那么任务将出现不平衡状况。这时，大家应当明确选定一个与--split-by参数不同的列，例如--split-by id。

由于我们希望将此表直接导入至Hive中，因此需要在Sqoop命令中添加–hive-import：

    

  1. sqoop import --connect jdbc:mysql://localhost:3306/sqoop
    2. 

  2. --username root
    3. 

  3. -P
    4. 

  4. --split-by id
    5. 

  5. --columns id,name
    6. 

  6. --table customer
    7. 

  7. --target-dir /user/cloudera/ingest/raw/customers
    8. 

  8. --fields-terminated-by ","
    9. 

  9. --hive-import
    10. 

  10. --create-hive-table
    11. 

  11. --hive-table sqoop_workspace.customers
    12.

下面来看Sqoop命令各选项的具体作用：

connect – 提供jdbc字符串

username – 数据库用户名

-P – 将在控制台中询问密码。大家也可以使用-passwaord，但并不推荐这种作法，因为其会显示在任务执行日志中并可能导致问题。解决办法之一在于将数据库密码存储在HDFS中的文件内，并将其向运行时交付。

  • table – 告知计算机我们希望导入哪个MySQL表。在这里，表名称为customer。
  • split-by – 指定划分列。在这里我们指定id列。
  • target-dir – HDFS目标目录。
  • fields-terminated-by – 我已经指定了逗号作为分隔值(默认情况下，导入HDFS的数据以逗号作为分隔值)。
  • hive-import – 将表导入Hive(如果不加设置，则使用Hive的默认分隔符)。
  • create-hive-table – 检查如果已经存在一个Hive表，任务设置是否会因此失败。
  • hive-table – 指定.。本示例中为sqoop_workspace.customers，其中sqoop_workspace为数据库名称，而customers则为表名称。

如下所示，Sqoop为一项map-reduce任务。请注意，这里我使用-P作为密码选项。除了这种方式，我们也可以使用-password实现参数化，并从文件中读取密码内容。

    

  1. sqoop import --connect jdbc:mysql://localhost:3306/sqoop --username root -P --split-by id --columns id,name --table customer  --target-dir /user/cloudera/ingest/raw/customers --fields-terminated-by "," --hive-import --create-hive-table --hive-table sqoop_workspace.customers
    2. 

  2. Warning: /usr/lib/sqoop/../accumulo does not exist! Accumulo imports will fail.
    3. 

  3. Please set $ACCUMULO_HOME to the root of your Accumulo installation.
    4. 

  4. 16/03/01 12:59:44 INFO sqoop.Sqoop: Running Sqoop version: 1.4.6-cdh5.5.0
    5. 

  5. Enter password:
    6. 

  6. 16/03/01 12:59:54 INFO manager.MySQLManager: Preparing to use a MySQL streaming resultset.
    7. 

  7. 16/03/01 12:59:54 INFO tool.CodeGenTool: Beginning code generation
    8. 

  8. 16/03/01 12:59:55 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `customer` AS t LIMIT 1
    9. 

  9. 16/03/01 12:59:56 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `customer` AS t LIMIT 1
    10. 

  10. 16/03/01 12:59:56 INFO orm.CompilationManager: HADOOP_MAPRED_HOME is /usr/lib/hadoop-mapreduce
    11. 

  11. Note: /tmp/sqoop-cloudera/compile/6471c43b5c867834458d3bf5a67eade2/customer.java uses or overrides a deprecated API.
    12. 

  12. Note: Recompile with -Xlint:deprecation for details.
    13. 

  13. 16/03/01 13:00:01 INFO orm.CompilationManager: Writing jar file: /tmp/sqoop-cloudera/compile/6471c43b5c867834458d3bf5a67eade2/customer.jar
    14. 

  14. 16/03/01 13:00:01 WARN manager.MySQLManager: It looks like you are importing from mysql.
    15. 

  15. 16/03/01 13:00:01 WARN manager.MySQLManager: This transfer can be faster! Use the --direct
    16. 

  16. 16/03/01 13:00:01 WARN manager.MySQLManager: option to exercise a MySQL-specific fast path.
    17. 

  17. 16/03/01 13:00:01 INFO manager.MySQLManager: Setting zero DATETIME behavior to convertToNull (mysql)
    18. 

  18. 16/03/01 13:00:01 INFO mapreduce.ImportJobBase: Beginning import of customer
    19. 

  19. 16/03/01 13:00:01 INFO Configuration.deprecation: mapred.job.tracker is deprecated. Instead, use mapreduce.jobtracker.address
    20. 

  20. 16/03/01 13:00:02 INFO Configuration.deprecation: mapred.jar is deprecated. Instead, use mapreduce.job.jar
    21. 

  21. 16/03/01 13:00:04 INFO Configuration.deprecation: mapred.map.tasks is deprecated. Instead, use mapreduce.job.maps
    22. 

  22. 16/03/01 13:00:05 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:8032
    23. 

  23. 16/03/01 13:00:11 INFO db.DBInputFormat: Using read commited transaction isolation
    24. 

  24. 16/03/01 13:00:11 INFO db.DataDrivenDBInputFormat: BoundingValsQuery: SELECT MIN(`id`), MAX(`id`) FROM `customer`
    25. 

  25. 16/03/01 13:00:11 WARN db.TextSplitter: Generating splits for a textual index column.
    26. 

  26. 16/03/01 13:00:11 WARN db.TextSplitter: If your database sorts in a case-insensitive order, this may result in a partial import or duplicate records.
    27. 

  27. 16/03/01 13:00:11 WARN db.TextSplitter: You are strongly encouraged to choose an integral split column.
    28. 

  28. 16/03/01 13:00:11 INFO mapreduce.JobSubmitter: number of splits:4
    29. 

  29. 16/03/01 13:00:12 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1456782715090_0004
    30. 

  30. 16/03/01 13:00:13 INFO impl.YarnClientImpl: Submitted application application_1456782715090_0004
    31. 

  31. 16/03/01 13:00:13 INFO mapreduce.Job: The url to track the job: http://quickstart.cloudera:8088/proxy/application_1456782715090_0004/
    32. 

  32. 16/03/01 13:00:13 INFO mapreduce.Job: Running job: job_1456782715090_0004
    33. 

  33. 16/03/01 13:00:47 INFO mapreduce.Job: Job job_1456782715090_0004 running in uber mode : false
    34. 

  34. 16/03/01 13:00:48 INFO mapreduce.Job:  map 0% reduce 0%
    35. 

  35. 16/03/01 13:01:43 INFO mapreduce.Job:  map 25% reduce 0%
    36. 

  36. 16/03/01 13:01:46 INFO mapreduce.Job:  map 50% reduce 0%
    37. 

  37. 16/03/01 13:01:48 INFO mapreduce.Job:  map 100% reduce 0%
    38. 

  38. 16/03/01 13:01:48 INFO mapreduce.Job: Job job_1456782715090_0004 completed successfully
    39. 

  39. 16/03/01 13:01:48 INFO mapreduce.Job: Counters: 30
    40. 

  40. File System Counters
    41. 

  41. FILE: Number of bytes read=0
    42. 

  42. FILE: Number of bytes written=548096
    43. 

  43. FILE: Number of read operations=0
    44. 

  44. FILE: Number of large read operations=0
    45. 

  45. FILE: Number of write operations=0
    46. 

  46. HDFS: Number of bytes read=409
    47. 

  47. HDFS: Number of bytes written=77
    48. 

  48. HDFS: Number of read operations=16
    49. 

  49. HDFS: Number of large read operations=0
    50. 

  50. HDFS: Number of write operations=8
    51. 

  51. Job Counters
    52. 

  52. Launched map tasks=4
    53. 

  53. Other local map tasks=5
    54. 

  54. Total time spent by all maps in occupied slots (ms)=216810
    55. 

  55. Total time spent by all reduces in occupied slots (ms)=0
    56. 

  56. Total time spent by all map tasks (ms)=216810
    57. 

  57. Total vcore-seconds taken by all map tasks=216810
    58. 

  58. Total megabyte-seconds taken by all map tasks=222013440
    59. 

  59. Map-Reduce Framework
    60. 

  60. Map input records=10
    61. 

  61. Map output records=10
    62. 

  62. Input split bytes=409
    63. 

  63. Spilled Records=0
    64. 

  64. Failed Shuffles=0
    65. 

  65. Merged Map outputs=0
    66. 

  66. GC time elapsed (ms)=2400
    67. 

  67. CPU time spent (ms)=5200
    68. 

  68. Physical memory (bytes) snapshot=418557952
    69. 

  69. Virtual memory (bytes) snapshot=6027804672
    70. 

  70. Total committed heap usage (bytes)=243007488
    71. 

  71. File Input Format Counters
    72. 

  72. Bytes Read=0
    73. 

  73. File Output Format Counters
    74. 

  74. Bytes Written=77
    75. 

  75. 16/03/01 13:01:48 INFO mapreduce.ImportJobBase: Transferred 77 bytes in 104.1093 seconds (0.7396 bytes/sec)
    76. 

  76. 16/03/01 13:01:48 INFO mapreduce.ImportJobBase: Retrieved 10 records.
    77. 

  77. 16/03/01 13:01:49 INFO manager.SqlManager: Executing SQL statement: SELECT t.* FROM `customer` AS t LIMIT 1
    78. 

  78. 16/03/01 13:01:49 INFO hive.HiveImport: Loading uploaded data into Hive
    79. 

  79. Logging initialized using configuration in jar:file:/usr/jars/hive-common-1.1.0-cdh5.5.0.jar!/hive-log4j.properties
    80. 

  80. OK
    81. 

  81. Time taken: 2.163 seconds
    82. 

  82. Loading data to table sqoop_workspace.customers
    83. 

  83. chgrp: changing ownership of 'hdfs://quickstart.cloudera:8020/user/hive/warehouse/sqoop_workspace.db/customers/part-m-00000': User does not belong to supergroup
    84. 

  84. chgrp: changing ownership of 'hdfs://quickstart.cloudera:8020/user/hive/warehouse/sqoop_workspace.db/customers/part-m-00001': User does not belong to supergroup
    85. 

  85. chgrp: changing ownership of 'hdfs://quickstart.cloudera:8020/user/hive/warehouse/sqoop_workspace.db/customers/part-m-00002': User does not belong to supergroup
    86. 

  86. chgrp: changing ownership of 'hdfs://quickstart.cloudera:8020/user/hive/warehouse/sqoop_workspace.db/customers/part-m-00003': User does not belong to supergroup
    87. 

  87. Table sqoop_workspace.customers stats: [numFiles=4, totalSize=77]
    88. 

  88. OK
    89. 

  89. Time taken: 1.399 seconds
    90.

最后，让我们验证Hive中的输出结果：

    

  1. hive> show databases;
    2. 

  2. OK
    3. 

  3. default
    4. 

  4. sqoop_workspace
    5. 

  5. Time taken: 0.034 seconds, Fetched: 2 row(s)
    6. 

  6. hive> use sqoop_workspace;
    7. 

  7. OK
    8. 

  8. Time taken: 0.063 seconds
    9. 

  9. hive> show tables;
    10. 

  10. OK
    11. 

  11. customers
    12. 

  12. Time taken: 0.036 seconds, Fetched: 1 row(s)
    13. 

  13. hive> show create table customers;
    14. 

  14. OK
    15. 

  15. CREATE TABLE `customers`(
    16. 

  16. `id` string,
    17. 

  17. `name` string)
    18. 

  18. COMMENT 'Imported by sqoop on 2016/03/01 13:01:49'
    19. 

  19. ROW FORMAT DELIMITED
    20. 

  20. FIELDS TERMINATED BY ','
    21. 

  21. LINES TERMINATED BY '\n'
    22. 

  22. STORED AS INPUTFORMAT
    23. 

  23. 'org.apache.hadoop.mapred.TextInputFormat'
    24. 

  24. OUTPUTFORMAT
    25. 

  25. 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
    26. 

  26. LOCATION
    27. 

  27. 'hdfs://quickstart.cloudera:8020/user/hive/warehouse/sqoop_workspace.db/customers'
    28. 

  28. TBLPROPERTIES (
    29. 

  29. 'COLUMN_STATS_ACCURATE'='true',
    30. 

  30. 'numFiles'='4',
    31. 

  31. 'totalSize'='77',
    32. 

  32. 'transient_lastDdlTime'='1456866115')
    33. 

  33. Time taken: 0.26 seconds, Fetched: 18 row(s)
    34.

hive> select * from customers;

OK

1 John

2 Kevin

19 Alex

3 Mark

4 Jenna

5 Robert

6 Zoya

7 Sam

8 George

9 Peter

Time taken: 1.123 seconds, Fetched: 10 row(s).

到此完成!从MySQL到Hive，数据迁移工作就是这么简单。

相关文章