如何將數據從Hadoop導出到關係型和NoSQL資料庫？

資料庫通常是Hadoop數據輸出的目標之一，企業通常將數據移回生產資料庫以供生產系統使用，或者將數據移動到OLAP資料庫以執行商業智能和分析功能。

（註：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，專題的上半部也將於不久之後與大家見面，請持續關注本專題！）

5.3.3 資料庫

本節，我們將使用Apache Sqoop將數據從Hadoop導出到MySQL資料庫。Sqoop是一種簡單的資料庫導入和導出工具。我們會介紹將數據從HDFS導出到Sqoop的過程。我們還將介紹使用常規連接器的方法，以及如何使用快速連接器執行批量導入。

實踐：使用Sqoop將數據導出到MySQL

Hadoop擅長與大多數關係型資料庫打交道，因此將OLTP數據提取到HDFS，執行一些分析，然後將其導出回資料庫是很常見的。

問題

希望將數據寫入關係資料庫，同時確保寫入是冪等的。

解決方案

此技術介紹了如何使用Sqoop將文本文件導出到關係資料庫，還介紹了如何配置Sqoop以使用具有自定義欄位和記錄分隔符的文件。我們還將介紹冪等導出，以確保失敗的導出不會使資料庫處於不一致狀態。

討論

這種技術假設已經安裝MySQL並創建模式。

Sqoop導出要求導出資料庫表已存在，Sqoop可以支持表中行的插入和更新。

將數據導出到資料庫共享

我們在導入部分檢查的許多參數，不同之處在於export需要使用--export-dir參數來確定要導出的HDFS目錄，還將為導出創建另一個選項文件，以防止在命令行上不安全地提供密碼：

第一步是將數據從MySQL導出到HDFS，以確保有一個良好的起點，如以下命令所示：

Sqoop導入的結果是HDFS中有許多CSV文件，可以在以下代碼中看到：

對於從HDFS到MySQL的Sqoop導出，將指定目標表應該是stocks_export並且應該從HDFS庫目錄導出數據：

默認情況下，Sqoop導出將對目標資料庫表執行INSERT，可以使用--update-mode參數支持更新。值updateonly意味著如果沒有匹配的密鑰，更新將失敗。如果匹配的鍵不存在，則allowInsert的值將直接插入。用於執行更新的表列名稱在--update-key參數中提供。

以下示例表明只應使用主鍵嘗試更新：

輸入數據格式

可以使用多個選項覆蓋用於解析輸入數據的默認Sqoop設置，表5.7列出了這些選項。

表5.7 輸入數據的格式選項

冪等輸出

執行輸出的Sqoop map任務使用多個事務進行資料庫寫入。如果Sqoop導出MapReduce作業失敗，則表可能包含部分寫入。對於冪等資料庫寫入，可以指示Sqoop執行MapReduce寫入臨時表。成功完成作業後，臨時表將在單個事務中移動到目標表，該事務是冪等的，可以在圖5.19中看到事件順序。

圖5.19 Sqoop分段事件序列，有助於確保冪等輸出

在下面的示例中，臨時表是stocks_staging，還告訴Sqoop在MapReduce作業以--clear-staging-table參數啟動之前清除它：

直接輸出

在導入技術中使用快速連接器，這是使用mysqldump實用程序的優化。Sqoop導出也支持使用mysqlimport工具的快速連接器。與mysqldump一樣，集群中的所有節點都需要安裝mysqlimport，並且在用於運行MapReduce任務的用戶路徑中可用。與導入一樣， - diand參數可以使用快速連接器：

使用mysqlimport進行冪等輸出

Sqoop不支持將快速連接器與臨時表結合使用，這就是使用常規連接器實現冪等輸入的方法。但是仍然可以通過快速連接器實現冪等輸入，並在最後進行一些額外的工作。需要使用快速連接器寫入臨時表，然後觸發INSERT語句，該語句將數據原子複製到目標表中，步驟如下所示：

這打破了關於在命令行上公開憑證的早期規則，但是編寫可以從配置文件中讀取這些設置的腳本很容易。

總結

與使用MapReduce中提供的DBInputFormat格式類相比，Sqoop提供了簡化的使用模型。但是，使用DBInputFormat類將為在執行資料庫導出的同一MapReduce作業中轉換或預處理數據提供額外的靈活性。Sqoop的優點是不需要編寫任何代碼，並且有一些有用的概念，比如分段，以幫助實現冪等。

5.3.4 NoSQL

MapReduce是一種將數據批量載入到外部系統的強大而有效的方法。到目前為止，我們已經介紹了如何使用Sqoop載入關係數據，現在我們將看看NoSQL系統，特別是HBase。

Apache HBase是一個分散式key/value，面向列的數據存儲。在本章的前半部分，我們研究了如何將HBase中的數據導入HDFS，以及如何將HBase用作MapReduce作業的數據源。將數據載入到HBase的最有效方法是通過其內置的批量載入機制，但是這種方法繞過了預寫日誌(WAL)，這意味著正在載入的數據不會複製到從屬HBase節點。

HBase還附帶了一個org.apache.hadoop.hbase.mapreduce.Export類，它將從HDFS載入HBase表，類似於本章前面的冪等輸出工作方式。但是，我們必須以SequenceFile形式提供數據，這種方式有缺點，包括不支持版本控制，可以在自己的MapReduce作業中使用TableOutputFormat類將數據導出到HBase，但這種方法比批量載入工具慢。

我們現在已經完成了對Hadoop輸出工具的檢查。我們介紹了如何使用HDFS File Slurper將數據移出到文件系統以及如何使用Sqoop對關係資料庫進行冪等輸入，我們總結了將Hadoop數據輸入HBase的方法。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！