轉自：http://www.aboutyun.com/thread-6242-1-1.html
一、簡介
Sqoop是一個用來將Hadoop和關系型數據庫中的數據相互轉移的工具，可以將一個關系型數據庫（例如 ： MySQL ,Oracle ,Postgres等）中的數據導進到Hadoop的HDFS中，也可以將HDFS的數據導進到關系型數據庫中。
二、特點
Sqoop中一大亮點就是可以通過hadoop的mapreduce把數據從關系型數據庫中導入數據到HDFS。
三 、Sqoop 命令
Sqoop大約有13種命令,和幾種通用的參數(都支持這13種命令)，這里先列出這13種命令。
接著列出Sqoop的各種通用參數,然后針對以上13個命令列出他們自己的參數。Sqoop通用參數又分Common arguments,Incremental import arguments,Output line formatting arguments,Input parsing arguments,Hive arguments,HBase arguments,Generic Hadoop command-line arguments,下面一一說明:
1.Common arguments
通用參數,主要是針對關系型數據庫鏈接的一些參數
四、sqoop命令舉例
1）列出mysql數據庫中的所有數據庫
sqoop list-databases –connect jdbc:mysql://localhost:3306/ –username root –password 123456
2)連接mysql并列出test數據庫中的表
sqoop list-tables –connect jdbc:mysql://localhost:3306/test –username root –password 123456
命令中的test為mysql數據庫中的test數據庫名稱 username password分別為mysql數據庫的用戶密碼
3)將關系型數據的表結構復制到hive中,只是復制表的結構，表中的內容沒有復制過去。
sqoop create-hive-table –connect jdbc:mysql://localhost:3306/test
–table sqoop_test –username root –password 123456 –hive-table
test
其中 –table sqoop_test為mysql中的數據庫test中的表 –hive-table
test 為hive中新建的表名稱
4)從關系數據庫導入文件到hive中
sqoop import –connect jdbc:mysql://localhost:3306/zxtest –username
root –password 123456 –table sqoop_test –hive-import –hive-table
s_test -m 1
5)將hive中的表數據導入到mysql中,在進行導入之前，mysql中的表
hive_test必須已經提起創建好了。
sqoop export –connect jdbc:mysql://localhost:3306/zxtest –username
root –password root –table hive_test –export-dir
/user/hive/warehouse/new_test_partition/dt=2012-03-05
6）從數據庫導出表的數據到HDFS上文件
./sqoop import –connect
jdbc:mysql://10.28.168.109:3306/compression –username=hadoop
–password=123456 –table HADOOP_USER_INFO -m 1 –target-dir
/user/test
7）從數據庫增量導入表數據到hdfs中
./sqoop import –connect jdbc:mysql://10.28.168.109:3306/compression
–username=hadoop –password=123456 –table HADOOP_USER_INFO -m 1
–target-dir /user/test –check-column id –incremental append
–last-value 3
五、Sqoop原理（以import為例）
Sqoop在import時，需要制定split-by參數。Sqoop根據不同的split-by參數值來進行切分,然后將切分出來的區域分配到不同map中。每個map中再處理數據庫中獲取的一行一行的值，寫入到HDFS中。同時split-by根據不同的參數類型有不同的切分方法，如比較簡單的int型，Sqoop會取最大和最小split-by字段值，然后根據傳入的num-mappers來確定劃分幾個區域。 比如select max(split_by),min(split-by) from得到的max(split-by)和min(split-by)分別為1000和1，而num-mappers為2的話，則會分成兩個區域(1,500)和(501-100),同時也會分成2個sql給2個map去進行導入操作，分別為select XXX from table where split-by>=1 and split-by<500和select XXX from table where split-by>=501 and split-by<=1000。最后每個map各自獲取各自SQL中的數據進行導入工作。
六、mapreduce job所需要的各種參數在Sqoop中的實現
InputFormatClass
com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormatOutputFormatClass
1)TextFile
com.cloudera.sqoop.mapreduce.RawKeyTextOutputFormat
2)SequenceFile
org.apache.hadoop.mapreduce.lib.output.SequenceFileOutputFormat
3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroOutputFormat
3)Mapper
1)TextFile
com.cloudera.sqoop.mapreduce.TextImportMapper
2)SequenceFile
com.cloudera.sqoop.mapreduce.SequenceFileImportMapper
3)AvroDataFile
com.cloudera.sqoop.mapreduce.AvroImportMapper
4)taskNumbers
1)mapred.map.tasks(對應num-mappers參數)
2)job.setNumReduceTasks(0);
這里以命令行:import –connect jdbc:mysql://localhost/test –username root –password 123456 –query “select sqoop_1.id as foo_id, sqoop_2.id as bar_id from sqoop_1 ,sqoop_2 WHERE $CONDITIONS” –target-dir /user/sqoop/test -split-by sqoop_1.id –hadoop-home=/home/hdfs/hadoop-0.20.2-CDH3B3 –num-mappers 2
1）設置Input
DataDrivenImportJob.configureInputFormat(Job job, String tableName,String tableClassName, String splitByCol)
a)DBConfiguration.configureDB(Configuration conf, String driverClass, String dbUrl, String userName, String passwd, Integer fetchSize)
1).mapreduce.jdbc.driver.class com.mysql.jdbc.Driver
2).mapreduce.jdbc.url jdbc:mysql://localhost/test
3).mapreduce.jdbc.username root
4).mapreduce.jdbc.password 123456
5).mapreduce.jdbc.fetchsize -2147483648
b)DataDrivenDBInputFormat.setInput(Job job,Class<? extends DBWritable> inputClass, String inputQuery, String inputBoundingQuery)
1)job.setInputFormatClass(DBInputFormat.class);
2)mapred.jdbc.input.bounding.query SELECT MIN(sqoop_1.id), MAX(sqoop_2.id) FROM (select sqoop_1.id as foo_id, sqoop_2.id as bar_id from sqoop_1 ,sqoop_2 WHERE (1 = 1) ) AS t1
3)job.setInputFormatClass(com.cloudera.sqoop.mapreduce.db.DataDrivenDBInputFormat.class);
4)mapreduce.jdbc.input.orderby sqoop_1.id
c)mapreduce.jdbc.input.class QueryResult
d)sqoop.inline.lob.length.max 16777216
2）設置Output
ImportJobBase.configureOutputFormat(Job job, String tableName,String tableClassName)
a)job.setOutputFormatClass(getOutputFormatClass());
b)FileOutputFormat.setOutputCompressorClass(job, codecClass);
c)SequenceFileOutputFormat.setOutputCompressionType(job,CompressionType.BLOCK);
d)FileOutputFormat.setOutputPath(job, outputPath);
3）設置Map
DataDrivenImportJob.configureMapper(Job job, String tableName,String tableClassName)
a)job.setOutputKeyClass(Text.class);
b)job.setOutputValueClass(NullWritable.class);
c)job.setMapperClass(com.cloudera.sqoop.mapreduce.TextImportMapper);
4）設置task number
JobBase.configureNumTasks(Job job)
mapred.map.tasks 4
job.setNumReduceTasks(0);
七、大概流程
1.讀取要導入數據的表結構，生成運行類，默認是QueryResult，打成jar包，然后提交給Hadoop
2.設置好job，主要也就是設置好以上第六章中的各個參數
3.這里就由Hadoop來執行MapReduce來執行Import命令了，
1）首先要對數據進行切分，也就是DataSplit
DataDrivenDBInputFormat.getSplits(JobContext job)
2）切分好范圍后，寫入范圍，以便讀取
DataDrivenDBInputFormat.write(DataOutput output) 這里是lowerBoundQuery and upperBoundQuery
3）讀取以上2）寫入的范圍
DataDrivenDBInputFormat.readFields(DataInput input)
4）然后創建RecordReader從數據庫中讀取數據
DataDrivenDBInputFormat.createRecordReader(InputSplit split,TaskAttemptContext context)
5）創建Map
TextImportMapper.setup(Context context)
6）RecordReader一行一行從關系型數據庫中讀取數據，設置好Map的Key和Value，交給Map
DBRecordReader.nextKeyValue()
7）運行map
TextImportMapper.map(LongWritable key, SqoopRecord val, Context context)
最后生成的Key是行數據，由QueryResult生成，Value是NullWritable.get()
八、總結
通過這些,了解了MapReduce運行流程.但對于Sqoop這種切分方式感覺還是有很大的問題.比如這里根據ID范圍來切分,如此切分出來的數據會很不平均,比如min(split-id)=1,max(split-id)=3000，交給三個map來處理。那么范圍是(1-1000),(1001-2000),(2001-3000).而假如1001-2000是沒有數據，已經被刪除了。那么這個map就什么都不能做。而其他map卻累的半死。如此就會拖累job的運行結果。這里說的范圍很小，比如有幾十億條數據交給幾百個map去做。map一多，如果任務不均衡就會影響進度。看有沒有更好的切分方式？比如取樣？如此看來，寫好map reduce也不簡單!、
