大多数企业的关键数据存在于OLTP数据库中，存储在这些数据库中的数据包含有关用户，产品和其他有用信息。如果要分析此数据，传统方法是定期将该数据复制到OLAP数据仓库中。Hadoop已经出现在这个领域并扮演了两个角色：数据仓库的替代品;结构化、非结构化数据和数据仓库之间的桥梁。图5.8显示了第一个角色，其中Hadoop在将数据导到OLAP系统(BI应用程序的常用平台)之前用作大规模加入和聚合工具。


　　以Facebook为例，该企业已成功利用Hadoop和Hive作为OLAP平台来处理数PB数据。图5.9显示了类似于Facebook的架构。该体系结构还包括OLTP系统的反馈循环，可用于推送在Hadoop中发现的洞察，例如为用户提供建议。

　　在任一使用模型中，我们都需要一种将关系数据引入Hadoop的方法，还需要将其输出到关系数据库中。本节，我们将使用Sqoop简化将关系数据输出到Hadoop的过程。

　　实践：使用Sqoop从MySQL导入数据

　　Sqoop是一个可用于将关系数据输入和输出Hadoop的项目。它是一个很好的高级工具，封装了与关系数据移动到Hadoop相关的逻辑，我们需要做的就是为Sqoop提供确定输出哪些数据的SQL查询。该技术提供了有关如何使用Sqoop将MySQL中的某些数据移动到HDFS的详细信息。


　　本节使用Sqoop 1.4.4版本，此技术中使用的代码和脚本可能无法与其他版本的Sqoop一起使用，尤其是Sqoop 2，它是作为Web应用程序实现的。

　　问题

　　将关系数据加载到集群中，并确保写入有效且幂等。

　　解决方案

　　在这种技术中，我们将看到如何使用Sqoop作为将关系数据引入Hadoop集群的简单机制。我们会介绍将数据从MySQL导入Sqoop的过程，还将介绍使用快速连接器的批量导入(连接器是提供数据库读写访问的特定于数据库的组件)。

　　讨论

　　Sqoop是一个关系数据库输入和输出系统，由Cloudera创建，目前是Apache项目。

　　执行导入时，Sqoop可以写入HDFS、Hive和HBase，对于输出，它可以执行相反操作。导入分为两部分：连接到数据源以收集统计信息，然后触发执行实际导入的MapReduce作业。图5.10显示了这些步骤。


　　Sqoop有连接器的概念，它包含读写外部系统所需的专用逻辑。Sqoop提供两类连接器：用于常规读取和写入的通用连接器，以及使用数据库专有批处理机制进行高效导入的快速连接器。图5.11显示了这两类连接器及其支持的数据库。


　　在继续之前，我们需要访问MySQL数据库，并且MySQL JDBC JAR需要可用。以下脚本将创建必要的MySQL用户和模式并加载数据。该脚本创建了一个hip_sqoop_user MySQL用户，并创建了包含三个表的sqoop_test数据库：stocks，stocks_export和stocks_staging。然后，它将stock样本数据加载到表中。所有这些步骤都通过运行以下命令来执行：


　　这是快速浏览脚本功能：


　　第一个Sqoop命令是基本导入，在其中指定MySQL数据库和要导出的表连接信息：


　　MySQL表名称

　　Linux中的MySQL表名称区分大小写，确保在Sqoop命令中提供的表名使用正确的大小写。

　　默认情况下，Sqoop使用表名作为HDFS中的目标目录，用于执行导入的MapReduce作业。如果再次运行相同的命令，MapReduce作业将失败，因为该目录已存在。

　　我们来看看HDFS中的stocks目录：


　　导入数据格式

　　Sqoop已将数据导入为逗号分隔的文本文件。它支持许多其他文件格式，可以使用表5.6中列出的参数激活它们。


　　如果要导入大量数据，则可能需要使用Avro等文件格式，这是一种紧凑的数据格式，并将其与压缩结合使用。以下示例将Snappy压缩编解码器与Avro文件结合使用。它还使用--target-dir选项将输出写入表名的不同目录，并指定应使用--where选项导入行的子集。可以使用--columns指定要提取的特定列：


　　请注意，必须在io.compression.codecs属性下的配置文件core-site.xml中定义在命令行上提供的压缩。Snappy压缩编解码器要求安装Hadoop本机库。有关压缩设置和配置等更多详细信息，请参见第4章，链接见文末。

　　可以通过引入AvroDump工具来了解Avro文件结构，以了解Sqoop如何布局记录。Sqoop使用Avro的GenericRecord进行记录级存储(有关详细信息，请参阅第3章，链接见文末)。如果针对HDFS中Sqoop生成的文件运行AvroDump，将看到以下内容：


　　将Sqoop与SequenceFiles结合使用

　　SequenceFiles难以使用的一个原因是，没有通用的方法来访问SequenceFile中的数据。必须有权访问用于写入数据的Writable类。在Sqoop的情况下，代码可生成此文件，这引入了一个主要问题：如果转移到较新版本的Sqoop，并且该版本修改了代码生成器，那么旧代码生成的类可能无法与SequenceFiles一起使用。需要将所有旧的SequenceFiles迁移到新版本，或者具有可以使用这些SequenceFiles不同版本的代码。由于此限制，不建议将SequenceFiles与Sqoop一起使用。如果正在寻找有关SequenceFiles如何工作的更多信息，请运行Sqoop导入工具并查看在工作目录中生成的stocks.java文件。

　　可以更进一步，使用--query选项指定整个查询，如下所示：



　　保护密码

　　到目前为止，我们一直在命令行中使用明文密码，这是一个安全漏洞，因为主机上的其他用户可以轻松列出正在运行的进程并查看密码。幸运的是，Sqoop有一些机制可以用来避免密码泄露。

　　第一种方法是使用-P选项，这将导致Sqoop提示输入密码。这是最安全的方法，因为它不需要存储密码，但这意味着无法自动执行Sqoop命令。

　　第二种方法是使用--password-file选项，可以在其中指定包含密码的文件。请注意，此文件必须存在于已配置的文件系统中(通常可能是HDFS)，而不是存在于Sqoop客户端本地磁盘上。你可能希望锁定文件，以便只有你对此文件具有读取权限。 这仍然不是最安全的选项，因为文件系统上的root用户仍然可以窥探文件，除非运行安全级别较高的Hadoop，否则即使非root用户也可以轻松访问。




　　数据拆分

　　Sqoop如何在多个mapper之间并行化导入?在图5.10中，我展示了Sqoop的第一步是如何从数据库中提取元数据。它检查导入的表以确定主键，并运行查询以确定表中数据的下限和上限(见图5.12)。Sqoop假设在最小和最大键内的数据接近均匀分布，因为它将delta(最小和最大键之间的范围)按照mapper数量拆分。然后，为每个mapper提供包含一系列主键的唯一查询。


　　我们可以将Sqoop配置为使用带有--split-by参数的非主键，这在最小值和最大值之间没有均匀分布的情况下非常有用。但是，对于大型表，需要注意--split-by中指定的列已编制索引以确保最佳导入时间，可以使用--boundary-query参数构造备用查询以确定最小值和最大值。

　　增量导入

　　Sqoop支持两种导入类型：追加用于随时间递增的数值数据，例如自动增量键;lastmodified适用于带时间戳的数据。在这两种情况下，都需要使用--check-column指定列，通过--incremental参数指定模式(值必须是append或lastmodified)，以及用于通过--last-value确定增量更改的实际值。

　　例如，如果要导入2005年1月1日更新的stock数据，则执行以下操作：


　　假设还有另一个系统继续写入该表，可以使用此作业的--last-value输出作为后续Sqoop作业的输入，这样只会导入比该日期更新的行。

　　Sqoop作业和Metastore

　　可以在命令输出中看到增量列的最后一个值。如何才能最好地自动化可以重用该值的流程?Sqoop有一个作业的概念，可以保存这些信息并在后续执行中重复使用：


　　执行上述命令会在Sqoop Metastore中创建一个命名作业，该作业会跟踪所有作业。默认情况下，Metastore包含在.sqoop下的主目录中，仅用于自己的作业。如果要在用户和团队之间共享作业，则需要为Sqoop的Metastore安装符合JDBC的数据库，并在发出作业命令时使用--meta-connect参数指定其位置。

　　在上一个示例中执行的作业创建命令除了将作业添加到Metastore之外没有做任何其他操作。要运行作业，需要显式执行，如下所示：


　　--show参数显示的元数据包括增量列的最后一个值。这实际上是执行命令的时间，而不是表中的最后一个值。如果正在使用此功能，请确保数据库服务器和与服务器(包括Sqoop客户端)交互的任何客户端的时钟与网络时间协议(NTP)同步。

　　Sqoop将在运行作业时提示输入密码。要使其在自动脚本中运行，需要使用Expect(一种Linux自动化工具)在检测到Sqoop提示输入密码时从本地文件提供密码，可以在GitHub上找到与Sqoop一起使用的Expect脚本，网址为：https://github.com/alexholmes/hadoop-book/blob/master/bin/sqoop-job.exp。

　　Sqoop作业也可以删除，如下所示：

　　$ sqoop job --delete stock_increment

　　快速MySQL导入

　　如果想完全绕过JDBC并使用快速MySQL Sqoop连接器进行HDFS的高吞吐量加载，该怎么办?该方法使用MySQL附带的mysqldump实用程序来执行加载。必须确保mysqldump位于运行MapReduce作业的用户路径中。要启用快速连接器，必须指定--direct参数：


　　快速连接器有哪些缺点? 快速连接器仅适用于文本输出文件 ，指定Avro或SequenceFile，因为导入的输出格式不起作用。

　　导入到Hive

　　此技术的最后一步是使用Sqoop将数据导入Hive表。HDFS导入和Hive导入之间的唯一区别是Hive导入有一个后处理步骤，其中创建并加载Hive表，如图5.13所示。


　　当数据从HDFS文件或目录加载到Hive时，如Sqoop Hive导入的情况(图中的步骤4)，Hive将目录移动到其仓库而不是复制数据(步骤5)以提高效率。导入后，Sqoop MapReduce作业写入的HDFS目录将不存在。

　　Hive导入是通过--hive-import参数触发的。就像快速连接器一样，此选项与--as-avrodatafile和--as -sequencefile选项不兼容：


　　导入包含Hive分隔符的字符串

　　如果要导入可以包含任何Hive分隔符(\n，\r和\01字符)的列，则可能会出现下游处理问题。在这种情况下，有两种选择：指定--hive-drop-import-delims，它将删除导入部分的冲突字符，或指定--hive-delims-replacement，它将用不同的字符替换它们。

　　如果Hive表已存在，则数据将附加到现有表。如果这不是所需的行为，则可以使用--hive-overwrite参数指示应使用导入的数据替换现有表。Sqoop目前仅支持Hive的文本输出，因此LZOP压缩编解码器是最佳选择，因为它可以在Hadoop中拆分(详见第4章)。以下示例显示如何结合使用--hive-overwrite LZOP压缩。为此，我们需要在集群上构建并安装LZOP，因为默认情况下它不与Hadoop(或CDH)捆绑在一起。有关详细信息，请参阅第4章(链接见文末)：


　　最后，我们可以使用--hive-partition-key和--hive-partition-value参数根据要导入的列的值创建不同的Hive分区。例如，如果要按stock名称对输入进行分区，请执行以下操作：


　　现在，前面的例子无论如何都不是最优的。理想情况下，单个导入将能够创建多个Hive分区。因为仅限于指定单个键和值，所以每个唯一的分区值需要运行一次导入，这很费力。最好导入到未分区的Hive表中，然后在加载后在表上追溯创建分区。

　　此外，提供给Sqoop的SQL查询还必须注意过滤掉结果，以便仅包含与分区匹配的那些。换句话说，如果Sqoop用符号=“AAPL”更新WHERE子句，那将会很有用。

　　连续Sqoop执行

　　如果需要定期安排导入HDFS，Oozie可以进行Sqoop集成，允许定期执行导入和导出。Oozie workflow.xml示例如下：


　　元素中不支持单引号和双引号，因此如果需要指定包含空格的参数，则需要使用元素：


　　使用Oozie的Sqoop时的另一个考虑因素是需要为Oozie提供JDBC驱动程序JAR。我们可以将JAR复制到工作流的lib/目录中，也可以使用JAR更新Hadoop安装的lib目录。

　　总结

　　显然，要使Sqoop工作，Hadoop集群节点需要能够访问MySQL数据库。常见的错误来源是错误配置或缺少Hadoop节点的连接。登录到其中一个Hadoop节点并尝试使用MySQL客户端连接到MySQL服务器或尝试使用mysqldump实用程序(如果使用的是快速连接器)可能是明智的。

　　使用快速连接器的另一个重点是，假设mysqldump安装在每个Hadoop节点上，并且位于运行map任务的用户路径中。本节内容的重点是将传统关系数据库的数据导入Hadoop，接下来，我们将从关系存储转换到NoSQL存储—HBase，后者擅长与Hadoop的数据互操作，因为它使用HDFS存储数据。
第三十八届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。