如何將傳統關系數據庫的數據導入Hadoop？
大多數企業的關鍵數據存在于OLTP數據庫中，存儲在這些數據庫中的數據包含有關用戶，產品和其他有用信息。如果要分析此數據，傳統方法是定期將該數據復制到OLAP數據倉庫中。Hadoop已經出現在這個領域并扮演了兩個角色：數據倉庫的替代品;結構化、非結構化數據和數據倉庫之間的橋梁。圖5.8顯示了第一個角色，其中Hadoop在將數據導到OLAP系統(BI應用程序的常用平臺)之前用作大規模加入和聚合工具。
以Facebook為例，該企業已成功利用Hadoop和Hive作為OLAP平臺來處理數PB數據。圖5.9顯示了類似于Facebook的架構。該體系結構還包括OLTP系統的反饋循環，可用于推送在Hadoop中發現的洞察，例如為用戶提供建議。
在任一使用模型中，我們都需要一種將關系數據引入Hadoop的方法，還需要將其輸出到關系數據庫中。本節，我們將使用Sqoop簡化將關系數據輸出到Hadoop的過程。
實踐：使用Sqoop從MySQL導入數據
Sqoop是一個可用于將關系數據輸入和輸出Hadoop的項目。它是一個很好的高級工具，封裝了與關系數據移動到Hadoop相關的邏輯，我們需要做的就是為Sqoop提供確定輸出哪些數據的SQL查詢。該技術提供了有關如何使用Sqoop將MySQL中的某些數據移動到HDFS的詳細信息。
本節使用Sqoop 1.4.4版本，此技術中使用的代碼和腳本可能無法與其他版本的Sqoop一起使用，尤其是Sqoop 2，它是作為Web應用程序實現的。
問題
將關系數據加載到集群中，并確保寫入有效且冪等。
解決方案
在這種技術中，我們將看到如何使用Sqoop作為將關系數據引入Hadoop集群的簡單機制。我們會介紹將數據從MySQL導入Sqoop的過程，還將介紹使用快速連接器的批量導入(連接器是提供數據庫讀寫訪問的特定于數據庫的組件)。
討論
Sqoop是一個關系數據庫輸入和輸出系統，由Cloudera創建，目前是Apache項目。
執行導入時，Sqoop可以寫入HDFS、Hive和HBase，對于輸出，它可以執行相反操作。導入分為兩部分：連接到數據源以收集統計信息，然后觸發執行實際導入的MapReduce作業。圖5.10顯示了這些步驟。
Sqoop有連接器的概念，它包含讀寫外部系統所需的專用邏輯。Sqoop提供兩類連接器：用于常規讀取和寫入的通用連接器，以及使用數據庫專有批處理機制進行高效導入的快速連接器。圖5.11顯示了這兩類連接器及其支持的數據庫。
在繼續之前，我們需要訪問MySQL數據庫，并且MySQL JDBC JAR需要可用。以下腳本將創建必要的MySQL用戶和模式并加載數據。該腳本創建了一個hip_sqoop_user MySQL用戶，并創建了包含三個表的sqoop_test數據庫：stocks，stocks_export和stocks_staging。然后，它將stock樣本數據加載到表中。所有這些步驟都通過運行以下命令來執行：
這是快速瀏覽腳本功能：
第一個Sqoop命令是基本導入，在其中指定MySQL數據庫和要導出的表連接信息：
MySQL表名稱
Linux中的MySQL表名稱區分大小寫，確保在Sqoop命令中提供的表名使用正確的大小寫。
默認情況下，Sqoop使用表名作為HDFS中的目標目錄，用于執行導入的MapReduce作業。如果再次運行相同的命令，MapReduce作業將失敗，因為該目錄已存在。
我們來看看HDFS中的stocks目錄：
導入數據格式
Sqoop已將數據導入為逗號分隔的文本文件。它支持許多其他文件格式，可以使用表5.6中列出的參數激活它們。
如果要導入大量數據，則可能需要使用Avro等文件格式，這是一種緊湊的數據格式，并將其與壓縮結合使用。以下示例將Snappy壓縮編解碼器與Avro文件結合使用。它還使用--target-dir選項將輸出寫入表名的不同目錄，并指定應使用--where選項導入行的子集。可以使用--columns指定要提取的特定列：
請注意，必須在io.compression.codecs屬性下的配置文件core-site.xml中定義在命令行上提供的壓縮。Snappy壓縮編解碼器要求安裝Hadoop本機庫。有關壓縮設置和配置等更多詳細信息，請參見第4章，鏈接見文末。
可以通過引入AvroDump工具來了解Avro文件結構，以了解Sqoop如何布局記錄。Sqoop使用Avro的GenericRecord進行記錄級存儲(有關詳細信息，請參閱第3章，鏈接見文末)。如果針對HDFS中Sqoop生成的文件運行AvroDump，將看到以下內容：
將Sqoop與SequenceFiles結合使用
SequenceFiles難以使用的一個原因是，沒有通用的方法來訪問SequenceFile中的數據。必須有權訪問用于寫入數據的Writable類。在Sqoop的情況下，代碼可生成此文件，這引入了一個主要問題：如果轉移到較新版本的Sqoop，并且該版本修改了代碼生成器，那么舊代碼生成的類可能無法與SequenceFiles一起使用。需要將所有舊的SequenceFiles遷移到新版本，或者具有可以使用這些SequenceFiles不同版本的代碼。由于此限制，不建議將SequenceFiles與Sqoop一起使用。如果正在尋找有關SequenceFiles如何工作的更多信息，請運行Sqoop導入工具并查看在工作目錄中生成的stocks.java文件。
可以更進一步，使用--query選項指定整個查詢，如下所示：
保護密碼
到目前為止，我們一直在命令行中使用明文密碼，這是一個安全漏洞，因為主機上的其他用戶可以輕松列出正在運行的進程并查看密碼。幸運的是，Sqoop有一些機制可以用來避免密碼泄露。
第一種方法是使用-P選項，這將導致Sqoop提示輸入密碼。這是最安全的方法，因為它不需要存儲密碼，但這意味著無法自動執行Sqoop命令。
第二種方法是使用--password-file選項，可以在其中指定包含密碼的文件。請注意，此文件必須存在于已配置的文件系統中(通常可能是HDFS)，而不是存在于Sqoop客戶端本地磁盤上。你可能希望鎖定文件，以便只有你對此文件具有讀取權限。 這仍然不是最安全的選項，因為文件系統上的root用戶仍然可以窺探文件，除非運行安全級別較高的Hadoop，否則即使非root用戶也可以輕松訪問。
最后一個選項是使用選項文件。創建一個名為〜/.sqoop-import-opts的文件：
不要忘記鎖定文件以避免用戶窺探：
然后，我們可以通過--options-file選項將此文件名提供給Sqoop作業，Sqoop將讀取文件中指定的選項，這意味著無需在命令行上提供它們：
數據拆分
Sqoop如何在多個mapper之間并行化導入?在圖5.10中，我展示了Sqoop的第一步是如何從數據庫中提取元數據。它檢查導入的表以確定主鍵，并運行查詢以確定表中數據的下限和上限(見圖5.12)。Sqoop假設在最小和最大鍵內的數據接近均勻分布，因為它將delta(最小和最大鍵之間的范圍)按照mapper數量拆分。然后，為每個mapper提供包含一系列主鍵的唯一查詢。
我們可以將Sqoop配置為使用帶有--split-by參數的非主鍵，這在最小值和最大值之間沒有均勻分布的情況下非常有用。但是，對于大型表，需要注意--split-by中指定的列已編制索引以確保最佳導入時間，可以使用--boundary-query參數構造備用查詢以確定最小值和最大值。
增量導入
Sqoop支持兩種導入類型：追加用于隨時間遞增的數值數據，例如自動增量鍵;lastmodified適用于帶時間戳的數據。在這兩種情況下，都需要使用--check-column指定列，通過--incremental參數指定模式(值必須是append或lastmodified)，以及用于通過--last-value確定增量更改的實際值。
例如，如果要導入2005年1月1日更新的stock數據，則執行以下操作：
假設還有另一個系統繼續寫入該表，可以使用此作業的--last-value輸出作為后續Sqoop作業的輸入，這樣只會導入比該日期更新的行。
Sqoop作業和Metastore
可以在命令輸出中看到增量列的最后一個值。如何才能最好地自動化可以重用該值的流程?Sqoop有一個作業的概念，可以保存這些信息并在后續執行中重復使用：
執行上述命令會在Sqoop Metastore中創建一個命名作業，該作業會跟蹤所有作業。默認情況下，Metastore包含在.sqoop下的主目錄中，僅用于自己的作業。如果要在用戶和團隊之間共享作業，則需要為Sqoop的Metastore安裝符合JDBC的數據庫，并在發出作業命令時使用--meta-connect參數指定其位置。
在上一個示例中執行的作業創建命令除了將作業添加到Metastore之外沒有做任何其他操作。要運行作業，需要顯式執行，如下所示：
--show參數顯示的元數據包括增量列的最后一個值。這實際上是執行命令的時間，而不是表中的最后一個值。如果正在使用此功能，請確保數據庫服務器和與服務器(包括Sqoop客戶端)交互的任何客戶端的時鐘與網絡時間協議(NTP)同步。
Sqoop將在運行作業時提示輸入密碼。要使其在自動腳本中運行，需要使用Expect(一種Linux自動化工具)在檢測到Sqoop提示輸入密碼時從本地文件提供密碼，可以在GitHub上找到與Sqoop一起使用的Expect腳本，網址為：https://github.com/alexholmes/hadoop-book/blob/master/bin/sqoop-job.exp。
Sqoop作業也可以刪除，如下所示：
- $ sqoop job --delete stock_increment
快速MySQL導入
如果想完全繞過JDBC并使用快速MySQL Sqoop連接器進行HDFS的高吞吐量加載，該怎么辦?該方法使用MySQL附帶的mysqldump實用程序來執行加載。必須確保mysqldump位于運行MapReduce作業的用戶路徑中。要啟用快速連接器，必須指定--direct參數：
快速連接器有哪些缺點? 快速連接器僅適用于文本輸出文件 ，指定Avro或SequenceFile，因為導入的輸出格式不起作用。
導入到Hive
此技術的最后一步是使用Sqoop將數據導入Hive表。HDFS導入和Hive導入之間的唯一區別是Hive導入有一個后處理步驟，其中創建并加載Hive表，如圖5.13所示。
當數據從HDFS文件或目錄加載到Hive時，如Sqoop Hive導入的情況(圖中的步驟4)，Hive將目錄移動到其倉庫而不是復制數據(步驟5)以提高效率。導入后，Sqoop MapReduce作業寫入的HDFS目錄將不存在。
Hive導入是通過--hive-import參數觸發的。就像快速連接器一樣，此選項與--as-avrodatafile和--as -sequencefile選項不兼容：
導入包含Hive分隔符的字符串
如果要導入可以包含任何Hive分隔符(\n，\r和\01字符)的列，則可能會出現下游處理問題。在這種情況下，有兩種選擇：指定--hive-drop-import-delims，它將刪除導入部分的沖突字符，或指定--hive-delims-replacement，它將用不同的字符替換它們。
如果Hive表已存在，則數據將附加到現有表。如果這不是所需的行為，則可以使用--hive-overwrite參數指示應使用導入的數據替換現有表。Sqoop目前僅支持Hive的文本輸出，因此LZOP壓縮編解碼器是最佳選擇，因為它可以在Hadoop中拆分(詳見第4章)。以下示例顯示如何結合使用--hive-overwrite LZOP壓縮。為此，我們需要在集群上構建并安裝LZOP，因為默認情況下它不與Hadoop(或CDH)捆綁在一起。有關詳細信息，請參閱第4章(鏈接見文末)：
最后，我們可以使用--hive-partition-key和--hive-partition-value參數根據要導入的列的值創建不同的Hive分區。例如，如果要按stock名稱對輸入進行分區，請執行以下操作：
現在，前面的例子無論如何都不是最優的。理想情況下，單個導入將能夠創建多個Hive分區。因為僅限于指定單個鍵和值，所以每個唯一的分區值需要運行一次導入，這很費力。最好導入到未分區的Hive表中，然后在加載后在表上追溯創建分區。
此外，提供給Sqoop的SQL查詢還必須注意過濾掉結果，以便僅包含與分區匹配的那些。換句話說，如果Sqoop用符號=“AAPL”更新WHERE子句，那將會很有用。
連續Sqoop執行
如果需要定期安排導入HDFS，Oozie可以進行Sqoop集成，允許定期執行導入和導出。Oozie workflow.xml示例如下：
元素中不支持單引號和雙引號，因此如果需要指定包含空格的參數，則需要使用元素：
使用Oozie的Sqoop時的另一個考慮因素是需要為Oozie提供JDBC驅動程序JAR。我們可以將JAR復制到工作流的lib/目錄中，也可以使用JAR更新Hadoop安裝的lib目錄。
總結
顯然，要使Sqoop工作，Hadoop集群節點需要能夠訪問MySQL數據庫。常見的錯誤來源是錯誤配置或缺少Hadoop節點的連接。登錄到其中一個Hadoop節點并嘗試使用MySQL客戶端連接到MySQL服務器或嘗試使用mysqldump實用程序(如果使用的是快速連接器)可能是明智的。
使用快速連接器的另一個重點是，假設mysqldump安裝在每個Hadoop節點上，并且位于運行map任務的用戶路徑中。本節內容的重點是將傳統關系數據庫的數據導入Hadoop，接下來，我們將從關系存儲轉換到NoSQL存儲—HBase，后者擅長與Hadoop的數據互操作，因為它使用HDFS存儲數據。
(注：本文為《Hadoop從入門到精通》大型專題的第五章內容，本專題的其他文章見文末鏈接，專題的上半部也將于不久之后與大家見面，請持續關注本專題!)
