使用Sqoop job工具同步数据

我们使用的是Sqoop-1.4.4,在进行关系型数据库与Hadoop/Hive数据同步的时候,如果使用--incremental选项,如使用append模式,我们需要记录一个--last-value的值,如果每次执行同步脚本的时候,都需要从日志中解析出来这个--last-value的值,然后重新设置脚本参数,才能正确同步,保证从关系型数据库同步到Hadoop/Hive的数据不发生重复的问题。
而且,我们我们需要管理我们使用的这些脚本,每次执行之前可能要获取指定参数值,或者修改参数。Sqoop也提供了一种比较方面的方式,那就是直接创建一个Sqoop job,通过job来管理特定的同步任务。就像我们前面提到的增量同步问题,通过创建sqoop job可以保存上一次同步时记录的--last-value的值,也就不用再费劲去解析获取了,每次想要同步,这个job会自动从job保存的数据中获取到。

sqoop job命令使用

Sqoop job相关的命令有两个:

  • bin/sqoop job
  • bin/sqoop-job

使用这两个都可以。我们先看看sqoop job命令的基本用法:

  • 创建job:--create
  • 删除job:--delete
  • 执行job:--exec
  • 显示job:--show
  • 列出job:--list

下面,我们基于增量同步数据这个应用场景,创建一个sqoop job,命令如下所示:

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

创建了job,id为“your-sync-job”,它是将MySQL数据库workflow中的project表同步到Hive表中,而且--incremental append选项使用append模式,--last-value为1,从MySQL表中自增主键id=1开始同步。然后我们根据这个job的id去查询job详细配置情况:

bin/sqoop job --show your-sync-job

结果示例,如下所示:

Job: your-sync-job
Tool: import
Options:
----------------------------
verbose = false
incremental.last.value = 1
db.connect.string = jdbc:mysql://10.95.3.49:3306/workflow
codegen.output.delimiters.escape = 0
codegen.output.delimiters.enclose.required = false
codegen.input.delimiters.field = 0
hbase.create.table = false
db.require.password = true
hdfs.append.dir = true
db.table = project
import.fetch.size = null
codegen.input.delimiters.escape = 0
codegen.input.delimiters.enclose.required = false
db.username = shirdrn
codegen.output.delimiters.record = 10
import.max.inline.lob.size = 16777216
hcatalog.create.table = false
db.clear.staging.table = false
incremental.col = id
codegen.input.delimiters.record = 0
enable.compression = false
hive.overwrite.table = false
hive.import = true
codegen.input.delimiters.enclose = 0
hive.drop.delims = false
codegen.output.delimiters.enclose = 0
hdfs.delete-target.dir = false
codegen.output.dir = .
codegen.auto.compile.dir = true
mapreduce.num.mappers = 4
import.direct.split.size = 0
export.new.update = UpdateOnly
codegen.output.delimiters.field = 1
incremental.mode = AppendRows
hdfs.file.format = TextFile
codegen.compile.dir = /tmp/sqoop-shirdrn/compile/a1ed2c6097c4534d20f2ea981662556e
direct.import = false
hive.fail.table.exists = false
tool.arguments.0 = --default-character-set=utf-8
db.batch = false

通过incremental.last.value = 1可以看到,通过该选项来控制增量同步开始记录。
接着,可以使用创建的这个job id来运行它,执行如下命令:

bin/sqoop job --exec your-sync-job

可以查询,MySQL数据库workflow中的project表中的数据被同步到Hive表中。
这时,可以通过bin/sqoop job --show your-sync-job命令,查看当前的sqoop job配置情况,可以看到如下变化:

incremental.last.value = 7

从MySQL表中增量同步的起始id变为7,下次同步就会把id大于7的记录同步到Hive表中。可以在MySQL表中再INSERT一条记录,再次执行your-sync-job,能够正确地进行增量同步。

Sqoop job安全配置

默认情况下,创建的每个job在运行的时候都不会进行安全的认证。如果我们希望限制指定的sqoop job的执行,只有经过认证以后才能执行,这时候可以使用sqoop job的安全选项。Sqoop安装目录下,通过修改配置文件conf/sqoop-site.xml可以对job进行更高级的配置。实际上,我们使用了Sqoop的metastore工具,它能够对Sqoop进行细粒度的配置。
我们要将MySQL数据库中的数据同步到Hive表,每次执行sqoop job都需要输入访问MySQL数据库的连接账号信息,可以设置sqoop.metastore.client.record.password的值为true。如果在conf/sqoop-site.xml中增加如下配置,会将连接账号信息存储到Sqoop的metastore中:

<property>
     <name>sqoop.metastore.client.record.password</name>
     <value>true</value>
     <description>If true, allow saved passwords in the metastore. </description>
</property>

如果想要限制从外部调用执行Sqoop job,如将Sqoop job提交给Oozie调度程序,也会通过上面Sqoop的metastore配置的内容来进行验证。
另外,Sqoop的metastore工具,可以允许我们指定为外部,例如使用外部主机上的MySQL数据库来存储元数据,可以在conf/sqoop-site.xml配置如下:

<property>
	<name>sqoop.metastore.client.autoconnect.url</name>
	<value>jdbc:mysql://10.95.3.49:3306/sqoop_metastore</value>
	<description>The connect string to use when connecting to a
		job-management metastore. If unspecified, uses ~/.sqoop/.
		You can specify a different path here.
	</description>
</property>
<property>
	<name>sqoop.metastore.client.autoconnect.username</name>
	<value>shirdrn</value>
	<description>The username to bind to the metastore.
	</description>
</property>
<property>
	<name>sqoop.metastore.client.autoconnect.password</name>
	<value>108loIOL</value>
	<description>The password to bind to the metastore.
	</description>
</property>

还有一个可与选择的配置项是,可以设置是否自动连接到外部metastore数据库,通过如下配置指定:

<property>
     <name>sqoop.metastore.client.enable.autoconnect</name>
     <value>false</value>
     <description>If true, Sqoop will connect to a local metastore for job management when no other metastore arguments are provided.
     </description>
</property>

这样,你可以通过MySQL的授权机制,来限制指定的用户和主机(或IP地址)访问Sqoop的metadata,也能起到一定的安全访问限制。

参考链接

Creative Commons License

本文基于署名-非商业性使用-相同方式共享 4.0许可协议发布,欢迎转载、使用、重新发布,但务必保留文章署名时延军(包含链接:http://shiyanjun.cn),不得用于商业目的,基于本文修改后的作品务必以相同的许可发布。如有任何疑问,请与我联系

评论(9): “使用Sqoop job工具同步数据

  1. 你好,请问你的Sqoop的metastore使用mysql没有其他额外配置吗,从sqoop的文档上看似乎只支持HSQL Database呀。

  2. 您好,请问有试过使用Oozie来定时增量从MySQL导入到Hbase吗?使用Oozie来调度Sqoop job的时候metastore具体要如何设置呢?我一直都没有配置成功,请赐教。

    • 要确定HDFS中数据各个字段与MySQL表一致,如果出现不一致的情况,如HDFS文件中字段长度过长,插入MySQL时可能会自动跳过该异常记录。

    • 如果你设置不合理,可能会取不到数据,或者漏掉数据,一般你可以在一个合理的时间差之后运行sqoop job,保证不漏掉数据。如果实时性要求很高,就不能靠这个了。

  3. 大神,我看了好多网页都感觉在说sqoop的数据迁移功能,这个Sqoop支持事务同步不呢,比如oracle到hdoop,在t1时刻从oracle同步了一条数据到hadoop,在t2时刻oracle对这条数据进行了更改,这个sqoop能吧这个update同步到hadoop不。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

您可以使用这些HTML标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>