sqoop导入增量数据

使用sqoop导入增量数据.

核心参数

--check-column

用来指定一些列，这些列在增量导入时用来检查这些数据是否作为增量数据进行导入，和关系行数据库中的自增字段及时间戳类似
这些被指定的列的类型不能使用任意字符类型，如char、varchar等类型都是不可以的，同时 --check-column 可以去指定多个列

--incremental

用来指定增量导入的模式，两种模式分别为append 和 lastmodified

--last-value

指定上一次导入中检查列指定字段的最大值

append模式

• 创建mysql表

CREATE TABLE `sqoop_test` (
`id` int(11) DEFAULT NULL,
`name` varchar(255) DEFAULT NULL,
`age` int(11) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=latin1

• 创建hive表（表结构与mysql一致）

hive> create external table sqoop_test(id int,name string,age int)
> ROW FORMAT DELIMITED
> FIELDS TERMINATED BY ‘,‘
> STORED AS TEXTFILE
> location ‘/user/hive/external/sqoop_test‘;
OK
Time taken: 0.126 seconds

• 先导入mysql中的原始数据

sqoop import --connect jdbc:mysql://localhost:3306/sqooptest --username root --password 123qwe --table sqoop_test --hive-import --hive-overwrite --hive-table sqoop_test --fields-terminated-by ‘,‘ -m 1

导入成功，查看hive表中的数据

hive> select * from sqoop_test;
OK
1    fz    13
3    dx    18
2    test    13
Time taken: 0.074 seconds, Fetched: 3 row(s)

• 在mysql中添加几条增量数据

1    fz    13
3    dx    18
2    test    13
4    test_add_1    14
5    test_add_2    19
6    test-add-3    35
7    test-7    7
8    test-8    8

• 现在开始导入增量数据,增量数据加入前最大id值为3

开始尝试这样写

sqoop import --connect jdbc:mysql://localhost:3306/sqooptest --username root --password 123qwe --table sqoop_test --hive-import --hive-table sqoop_test --check-column id --incremental append --last-value 3 -m 1

但是提示append模式不支持写入到hive表中

Append mode for hive imports is not yet supported. Please remove the parameter --append-mode

正确写法，直接写入到hdfs

sqoop import --connect jdbc:mysql://localhost:3306/sqooptest --username root --password 123qwe --table sqoop_test --target-dir ‘/user/hive/external/sqoop_test‘ --incremental append --check-column id --last-value 3 -m 1

job完成，在hive查看表数据

hive> select * from sqoop_test;
OK
1    fz    13
3    dx    18
2    test    13
4    test_add_1    14
5    test_add_2    19
6    test-add-3    35
7    test-7    7
8    test-8    8
Time taken: 0.075 seconds, Fetched: 8 row(s)

成功。

Lastmodified模式

• Mysql新建一个表customertest

CREATE TABLE customertest (
id INT,
name VARCHAR (20),
last_mod TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP
);

插入数据

insert into customertest(id,name) values(1,‘enzo‘);
insert into customertest(id,name) values(2,‘din‘);
insert into customertest(id,name) values(3,‘fz‘);
insert into customertest(id,name) values(4,‘dx‘);
insert into customertest(id,name) values(5,‘ef‘);

1    enzo    2017-09-20 16:12:54
2    din    2017-09-20 16:12:58
3    fz    2017-09-20 16:13:01
4    dx    2017-09-20 16:13:05
5    ef    2017-09-20 16:13:09

• 在hive中新建表customertest，表结构类似

hive> create table customertest(id int,name string,last_mod string)
> ROW FORMAT DELIMITED
> FIELDS TERMINATED BY ‘,‘
> STORED AS TEXTFILE;
OK
Time taken: 0.189 seconds

• 导入mysql表中的数据

sqoop import --connect jdbc:mysql://localhost:3306/sqooptest --username root --password 123qwe --table customertest --hive-import --hive-table customertest --fields-terminated-by ‘,‘ -m 1

hive> select * from customertest;
OK
1    enzo    2017-09-20 16:12:54.0
2    din    2017-09-20 16:12:58.0
3    fz    2017-09-20 16:13:01.0
4    dx    2017-09-20 16:13:05.0
5    ef    2017-09-20 16:13:09.0
Time taken: 0.064 seconds, Fetched: 5 row(s)

• 此时在mysql中插入一条数据

insert into customertest(id,name) values(6,‘enzoDin‘)

插入之后表中的数据

1    enzo    2017-09-20 16:12:54
2    din    2017-09-20 16:12:58
3    fz    2017-09-20 16:13:01
4    dx    2017-09-20 16:13:05
5    ef    2017-09-20 16:13:09
6    enzoDin    2017-09-20 16:17:53

• 再来根据last_mod来导入增量数据

sqoop import --connect jdbc:mysql://localhost:3306/sqooptest --username root --password 123qwe --table customertest --hive-import --hive-table customertest --check-column last_mod --incremental lastmodified --last-value "2017-09-20 16:13:09" --fields-terminated-by ‘,‘ -m 1

导入成功

hive> select * from customertest;
OK
1    enzo    2017-09-20 16:12:54.0
2    din    2017-09-20 16:12:58.0
3    fz    2017-09-20 16:13:01.0
4    dx    2017-09-20 16:13:05.0
5    ef    2017-09-20 16:13:09.0
5    ef    2017-09-20 16:13:09.0
6    enzoDin    2017-09-20 16:17:53.0
Time taken: 0.064 seconds, Fetched: 7 row(s)

查看hive中的数据会发现插入了两条数据，这是因为使用lastmodified 会将大于等于 –last-value 的值都导入进来，所以会造成数据的重复

研究下merge-key....