Sqoop入门：如何下载、配置和使用

下载和配置

Sqoop是Apache的一个开源工具，主要用于在Hadoop和关系数据库之间传输数据。以下是一些关于如何下载和配置Sqoop的步骤：

1. 下载Sqoop：你可以从Apache的官方网站下载Sqoop。大多数企业使用的Sqoop版本是Sqoop1，例如sqoop-1.4.6或sqoop-1.4.7。
   Apache Sqoop - Apache Attic
   需注意的是要确定下载的版本和你的Hadoop版本兼容。

2. 解压缩安装包：将下载的Sqoop tar.gz文件解压到指定目录。

tar xvf sqoop-1.4.7.bin__hadoop-2.6.0.tar.gz -C /opt
ln -s /opt/sqoop-1.4.7.bin__hadoop-2.6.0/ /opt/apps/sqoop

3. 修改配置文件：进入到conf文件夹，找到sqoop-env-template.sh，修改其名称为sqoop-env.sh。然后编辑sqoop-env.sh文件，设置HADOOP_COMMON_HOME，HADOOP_MAPRED_HOME，HIVE_HOME等环境变量。

cp /opt/apps/sqoop/conf/sqoop-env-template.sh /opt/apps/sqoop/conf/sqoop-env.sh

并编辑其中的内容，设置HADOOP_COMMON_HOME和HADOOP_MAPRED_HOME为你的Hadoop安装目录，例如：

export HADOOP_COMMON_HOME=/opt/apps/hadoop
export HADOOP_MAPRED_HOME=/opt/apps/hadoop

4. 添加MySQL驱动：将MySQL的JDBC驱动包（例如mysql-connector-java-5.1.40-bin.jar）添加到Sqoop的lib目录下。
   可以从central.maven.org也可以下载其他数据库的JDBC驱动，如果你需要连接其他类型的数据库。
   需注意的是，你的MySQL驱动要和你的数据库版本兼容。

5. 配置环境变量：在系统的环境变量中添加SQOOP_HOME，并将其添加到PATH中。

export SQOOP_HOME=/opt/apps/sqoop
export PATH=$PATH:$SQOOP_HOME/bin

6. 验证安装： 打开终端或命令行界面，输入 sqoop version 命令，确认是否成功安装和配置了 Sqoop。

使用

以下是sqoop的指令示例和详解。

导入数据到Hadoop

命令：

sqoop import --connect <jdbc-url> --username <username> --password <password> --table <table-name> --target-dir <target-directory>

参数说明：

• --connect <jdbc-url>：数据库连接URL。
• --username <username>：数据库用户名。
• --password <password>：数据库密码。
• --table <table-name>：要导入的数据库表名。
• --target-dir <target-directory>：Hadoop中存储导入数据的目标目录。

导出数据到关系型数据库

命令：

sqoop export --connect <jdbc-url> --username <username> --password <password> --table <table-name> --export-dir <export-directory>

参数说明：

• --connect <jdbc-url>：目标数据库连接URL。
• --username <username>：目标数据库用户名。
• --password <password>：目标数据库密码。
• --table <table-name>：要导出到的目标数据库表名。
• --export-dir <export-directory>：Hadoop中存储待导出数据的目录。

其他常用参数：

• --fields-terminated-by <char>：设置字段分隔符。
• --lines-terminated-by <char>：设置行分隔符。
• --null-string <null-str>：指定数据库中的 NULL 表示的字符串。
• --null-non-string <null-str>：指定数据库中的 NULL 表示的非字符串。

分隔符

在使用 Sqoop 进行数据传输时，默认情况下，它使用逗号（,）作为字段分隔符，并采用换行符（\n）作为行分隔符。这意味着，如果数据包含文本字段并且这些字段中含有逗号，可能会导致在使用 Hive 建立映射表时出现错误。然后导致建表后查询出现null的囧状。

为避免这种情况，可以手动指定字段分隔符，例如使用 --fields-terminated-by '#' 的参数。这个操作前提是你的文本数据中不包含 # 这个字符。接下来，在 Hive 表中也需要指定字段分隔符为 #，这样就能够成功地按照 # 分割字段。（需要注意的是，该指令只能接受单个字符作为分隔符。）