hdfs上的文件導入mysql（如何從hdfs上下載文件）

本文目錄一覽：

• 1、怎樣把數據從hdfs導入mysql
• 2、如何進行MySQL數據庫與HDFS的實時數據同步
• 3、Hadoop MapReduce中把分析數據寫入mysql中
• 4、sqoop將hdfs下的數據導入到mysql如何去重
• 5、調度工具（ETL+任務流）

怎樣把數據從hdfs導入mysql

如果hdfs中是格式化數據的話，可以使用sqoop命令工具來將數據導入到mysql

具體使用方式，你可以網上查找一下，資料蠻豐富的。

如何進行MySQL數據庫與HDFS的實時數據同步

通過Map/Reduce進行批處理遞送到Apache

Hadoop仍然是中樞環節。,但隨着要從「超思維速度「分析方面獲取競爭優勢的壓力遞增，因此Hadoop(分佈式文件系統)自身經歷重大的發展。科技

的發展允許實時查詢，如Apache Drill, Cloudera Impala和Stinger

Initiative正脫穎而出，新一代的資源管理Apache YARN 支持這些。

為了支持這種日漸強調實時性操作,我們正發佈一個新MySQL Applier for Hadoop(用於Hadoop的MySQL Applier)組件。它能夠把MySQL中變化的事務複製到Hadoop / Hive / HDFS。Applier 組件補充現有基於批處理Apache Sqoop的連接性。

這個組件(MySQL Applier for Hadoop)的複製是通過連接MySQL主服務，一旦二進制日誌被提交，就讀取二進制日誌事務，並且把它們寫到HDFS.

這個組件使用libhdfs提供的API，一個C庫操作HDFS中的文件。這庫由Hadoop版本預編譯生成的。

它連接MySQL主服務讀二進制日誌，然後：

•提取發生在主服務上的行插入事件

•解碼事件,提取插入到行的每個字段的數據,並使用滿意的處理程序得到被要求的格式數據。

•把它追加到HDFS 中一個文本文件。

數據庫被映射為單獨的目錄,它們的表映射為子目錄，保存在數據倉庫目錄。每個表的數據被寫到Hive/ HDFS中文本文件(稱為datafile1.txt)。數據可以用逗號格式分隔;或其他格式,那可用命令行參數來配置的。

從這個blog可以了解更多有關該組設計信息。

在這個blog已經詳細討論安裝，配置，實施信息。與Hive集成也有文檔。

Hadoop MapReduce中把分析數據寫入mysql中

你的job類並沒有設置outputformat，如需要輸出到數據庫，需要特定的輸出如下：

job.setJarByClass(TextCheckerJob.class);

job.setMapperClass(TextMapper.class);

job.setReducerClass(TextReduce.class);

job.setInputFormatClass(TextInputFormat.class);

job.setOutputFormatClass(MysqlDBOutputFormat.class);

job.setMapOutputKeyClass(Text.class);

job.setMapOutputValueClass(Text.class);

job.setOutputKeyClass(Text.class);

job.setOutputValueClass(Text.class);

job.setNumReduceTasks(1);

MysqlDBOutputFormat.setOutput(job, “data_chck_result”, new String[] { “tblName”, “colName”, “wrongValue”, “count” });

同時，job初始化之前，你需要把連接數據庫的信息寫入conf中，如下

conf.set(“mapreduce.jdbc.driver.class”, clazz);

conf.set(“mapreduce.jdbc.username”, username);

conf.set(“mapreduce.jdbc.password”, password);

conf.set(“mapreduce.jdbc.url”, url);

上面的MysqlDBOutputFormat類是我自己重寫了，你可以直接使用DBOutputFormat這個類

sqoop將hdfs下的數據導入到mysql如何去重

在MYSQL中創建一個參數表A，用來記錄要傳輸的表的表名B和字段。 2、HDFS上的數據的格式和MYSQL中參數表A中B表的字段的數量一樣。

調度工具（ETL+任務流）

kettle是一個ETL工具，ETL（Extract-Transform-Load的縮寫，即數據抽取、轉換、裝載的過程）。

kettle中文名稱叫水壺，該項目的主程序員MATT 希望把各種數據放到一個壺裡，然後以一種指定的格式流出。

所以他的重心是用於數據

oozie是一個工作流，Oozie工作流是放置在控制依賴DAG（有向無環圖 Direct Acyclic Graph）中的一組動作（例如，Hadoop的Map/Reduce作業、Pig作業等），其中指定了動作執行的順序。

oozie工作流中是有數據流動的，但是重心是在於工作流的定義。

二者雖然都有相關功能及數據的流動，但是其實用途是不一樣的。

查看幫助

列舉出所有linux上的數據庫

列舉出所有Window上的數據庫

查看數據庫下的所有表

（1）確定mysql服務啟動正常

查詢控制端口和查詢進程來確定，一下兩種辦法可以確認mysql是否在啟動狀態

辦法1：查詢端口

MySQL監控的TCP的3306端口，如果顯示3306，證明MySQL服務在運行中

辦法二：查詢進程

可以看見mysql的進程

沒有指定數據導入到哪個目錄，默認是/user/root/表名

原因:

如果表中有主鍵,m的值可以設置大於1的值;如果沒有主鍵只能將m值設置成為1;或者要將m值大於1,需要使用–split-by指定一個字段

設置了-m 1 說明只有一個maptask執行數據導入,默認是4個maptask執行導入操作,但是必須指定一個列來作為劃分依據

導入數據到指定目錄

在導入表數據到HDFS使用Sqoop導入工具，我們可以指定目標目錄。使用參數 –target-dir來指定導出目的地，使用參數—delete-target-dir來判斷導出目錄是否存在，如果存在就刪掉

查詢導入

提示：must contain ‘$CONDITIONS’ in WHERE clause。

where id =1 匹配條件

$CONDITIONS：傳遞作用。

如果 query 後使用的是雙引號，則 $CONDITIONS前必須加轉義符，防止 shell 識別為自己的變量。

–query時不能使用–table一起使用

需要指定–target-dir路徑

導入到hdfs指定目錄並指定要求

數據導出儲存方式（數據存儲文件格式—（ textfil parquet）–as-textfileImports data as plain text (default)–as-parquetfile Imports data to Parquet Files）

導入表數據子集到HDFS

sqoop導入blob數據到hive

對於CLOB，如xml文本，sqoop可以遷移到Hive表，對應字段存儲為字符類型。

對於BLOB，如jpg圖片，sqoop無法直接遷移到Hive表，只能先遷移到HDFS路徑，然後再使用Hive命令加載到Hive表。遷移到HDFS後BLOB字段存儲為16進制形式。

2.1.3導入關係表到Hive

第一步:導入需要的jar包

將我們mysql表當中的數據直接導入到hive表中的話，我們需要將hive的一個叫做hive-exec-1.1.0-cdh5.14.0.jar的jar包拷貝到sqoop的lib目錄下

第二步:開始導入

導入關係表到hive並自動創建hive表

們也可以通過命令來將我們的mysql的表直接導入到hive表當中去

通過這個命令，我們可以直接將我們mysql表當中的數據以及表結構一起倒入到hive當中去

–incremental 增量模式。

append id 是獲取一個某一列的某個值。

lastmodified 「2016-12-15 15：47：35」 獲取某個時間後修改的所有數據

-append 附加模式

-merge-key id 合併模式

–check-column 用來指定一些列，可以去指定多個列；通常的是指定主鍵id

–last -value 從哪個值開始增量

==注意:增量導入的時候,一定不能加參數–delete-target-dir 否則會報錯==

第一種增量導入方式(不常用)

1.Append方式

使用場景：有個訂單表，裏面每個訂單有一個唯一標識的自增列id，在關係型數據庫中以主鍵的形式存在。之前已經將id在0-1000之間的編號的訂單導入到HDFS 中；如果在產生新的訂單，此時我們只需指定incremental參數為append，–last-value參數為1000即可，表示只從id大於1000後開始導入。

（1）創建一個MySQL表

（2）創建一個hive表（表結構與mysql一致）

注意：

append 模式不支持寫入到hive表中

2.lastModify方式

此方式要求原有表有time字段，它能指定一個時間戳，讓sqoop把該時間戳之後的數據導入到HDFS；因為後續訂單可能狀體會變化，變化後time字段時間戳也會變化，此時sqoop依然會將相同狀態更改後的訂單導入HDFS，當然我們可以只當merge-key參數為order-id，表示將後續新的記錄和原有記錄合併。

# 將時間列大於等於閾值的數據增量導入HDFS

使用 lastmodified 方式導入數據，要指定增量數據是要 –append（追加）還是要 –merge-key（合併）last-value 指定的值是會包含於增量導入的數據中。

第二種增量導入方式(推薦)

==通過where條件選取數據更加精準==

2.1.5從RDBMS到HBase

會報錯

原因：sqoop1.4.6 只支持 HBase1.0.1 之前的版本的自動創建 HBase 表的功能。

解決方案：手動創建 HBase 表

導出前，目標表必須存在與目標數據庫中

默認操作是將文件中的數據使用insert語句插入到表中

數據是在HDFS當中的如下目錄/sqoop/emp，數據內容如下

第一步：創建MySQL表

第二步：執行導出命令

通過export來實現數據的導出，將hdfs的數據導出到mysql當中去

全量導出

增量導出

更新導出

總結:

參數介紹

–update-key 後面也可以接多個關鍵字列名，可以使用逗號隔開，Sqoop將會匹配多個關鍵字後再執行更新操作。

–export-dir 參數配合–table或者–call參數使用，指定了HDFS上需要將數據導入到MySQL中的文件集目錄。

–update-mode updateonly和allowinsert。 默認模式為updateonly，如果指定–update-mode模式為allowinsert，可以將目標數據庫中原來不存在的數據也導入到數據庫表中。即將存在的數據更新，不存在數據插入。

組合測試及說明

1、當指定update-key，且關係型數據庫表存在主鍵時：

A、allowinsert模式時，為更新目標數據庫表存的內容，並且原來不存在的數據也導入到數據庫表；

B、updateonly模式時，為更新目標數據庫表存的內容，並且原來不存在的數據也不導入到數據庫表；

2、當指定update-key，且關係型數據庫表不存在主鍵時：

A、allowinsert模式時，為全部數據追加導入到數據庫表；

B、updateonly模式時，為更新目標數據庫表存的內容，並且原來不存在的數據也不導入到數據庫表；

3、當不指定update-key，且關係型數據庫表存在主鍵時：

A、allowinsert模式時，報主鍵衝突，數據無變化；

B、updateonly模式時，報主鍵衝突，數據無變化；

4、當不指定update-key，且關係型數據庫表不存在主鍵時：

A、allowinsert模式時，為全部數據追加導入到數據庫表；

B、updateonly模式時，為全部數據追加導入到數據庫表；

實際案例:

(1)mysql批量導入hive

使用shell腳本：

筆者目前用sqoop把mysql數據導入到Hive中，最後實現命令行導入，sqoop版本1.4.7，實現如下

最後需要把這個導入搞成job，每天定時去跑，實現數據的自動化增量導入，sqoop支持job的管理，可以把導入創建成job重複去跑，並且它會在metastore中記錄增值，每次執行增量導入之前去查詢

創建job命令如下

創建完job就可以去執行它了

sqoop job –exec users

可以把該指令設為Linux定時任務，或者用Azkaban定時去執行它

hive導出到MySQL時，date類型數據發生變化？

問題原因：時區設置問題，date -R查看服務器時間，show VARIABLES LIKE “%time_zone”查看Mysql時間，system並不表示中國的標準時間，要將時間設置為東八區

（1）：對市面上最流行的兩種調度器，給出以下詳細對比，以供技術選型參考。總體來說，ooize相比azkaban是一個重量級的任務調度系統，功能全面，但配置使用也更複雜。如果可以不在意某些功能的缺失，輕量級調度器azkaban是很不錯的候選對象。

（2）：功能：

兩者均可以調度mapreduce,pig,java,腳本工作流任務；

兩者均可以定時執行工作流任務；

（3）：工作流定義：

Azkaban使用Properties文件定義工作流；

Oozie使用XML文件定義工作流；

（4）：工作流傳參：

Azkaban支持直接傳參，例如${input}；

Oozie支持參數和EL表達式，例如${fs:dirSize(myInputDir)}；

（5）：定時執行：

Azkaban的定時執行任務是基於時間的；

Oozie的定時執行任務基於時間和輸入數據；

（6）：資源管理：

Azkaban有較嚴格的權限控制，如用戶對工作流進行讀/寫/執行等操作；

Oozie暫無嚴格的權限控制；

（7）：工作流執行：

Azkaban有兩種運行模式，分別是solo server mode(executor server和web server部署在同一台節點)和multi server mode(executor server和web server可以部署在不同節點)；

Oozie作為工作流服務器運行，支持多用戶和多工作流；

（8）：工作流管理：

Azkaban支持瀏覽器以及ajax方式操作工作流；

Oozie支持命令行、HTTP REST、Java API、瀏覽器操作工作流；

瀏覽器頁面訪問

使用Oozie時通常整合hue,用戶數據倉庫調度

就是剛才選擇的腳本

腳本里需要的參數，盡量設置為動態自動獲取，如 ${date}

第一步的參數是所有文件和當天日期，後面的只需要日期，最後一步是導出所有結果，相應填入

添加文件和設置相應參數

運行後會有狀態提示頁面，可以看到任務進度

點擊調度任務的頁面情況

修改定時任務名和描述

添加需要定時調度的任務

sm-workflow的參數都是寫死的，沒有設置動態，這裡的下拉列表就不會有可選項。

設置參數

將sm-workflow的日期修改為 ${do_date}，保存

進入定時計劃sm-dw中，會看到有參數 do_date

填入相應參數，前一天日期

Oozie常用系統常量

當然，也可以通過這樣將參數傳入workflow任務中，代碼或者shell中需要的參數。

如，修改sm-workflow 中的 sqoop_import.sh，添加一個參數 ${num}。

編輯文件（需要登陸Hue的用戶有對HDFS操作的權限），修改shell中的一個值為參數，保存。

在workflow中，編輯添加參數 ${num} ，或者num=${num} 保存。

進入schedule中，可以看到添加的參數，編輯輸入相應參數即可。

Bundle統一管理所有定時調度，階段劃分：Bundle Schedule workflow