HBase导入SQL Server数据库数据

filts

　　在先前的几篇随笔中已经介绍了Hadoop、Zookeeper、Hbase的分布式框架搭建方案，目前已经搭建完成了一个包含11个节点的分布式集群。而对于HBase数据库的使用仅限于测试性质的增删改查指令，为了进一步熟悉分布式框架的使用，本文介绍将已有的数据从关系型数据库SQL Server中导入到HBase中的方法。
　　要完成从关系型数据库到HBase数据的迁移，我们需要使用Sqoop工具，Sqoop是Apache的一个独立项目，设计目的即是在Hadoop(Hive)和传统数据库（MySQL、postgresql）之间进行数据的传递。Sqoop工具基于数据仓库工具Hive，通过Hive来将数据查询转换成MapReduce任务实现数据的传递。因此，要完成本次数据的迁移，我们需要以下几个准备：
　　①Hive：apache-hive-2.1.1-bin.tar.gz
　　②Sqoop：sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz
　　③JDBC for SQL Server：sqljdbc_3.0.1301.101_enu.tar.gz
　　④Connector between SQL Server and Sqoop：sqoop-sqlserver-1.0.tar.gz
　　======================以下所有操作均在Master主机上并且以root用户执行======================
　　1、安装Hive
　　①建立hive目录
　　cd /home
　　mkdir hive
　　②解压安装包（安装包移至/home/hive下）
　　tar -zxvf apache-hive-2.1.1-bin.tar.gz
　　③设置环境变量
　　vi /etc/profile
　　追加以下：
　　export HIVE_HOME=/home/hive/apche-hive-2.1.1-bin
　　export PATH=$HIVE_HOME/bin:$PATH
　　export PATH
　　追加以下：
　　export HCAT_HOME=$HIVE_HOME/hcatalog
　　④使配置生效
　　source /etc/profile
　　2、安装sqoop
　　①建立sqoop目录
　　cd /home
　　mkdir sqoop
　　②解压安装包（安装包移至/home/sqoop下）
　　tar -zxvf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz
　　③设置环境变量
　　vi /etc/profile
　　追加以下：
　　export SQOOP_HOME=/home/sqoop/sqoop-1.4.6.bin__hadoop-2.0.4-alpha
　　export SQOOP_CONF_DIR=$SQOOP_HOME/conf
　　export PATH=$SQOOP_HOME/bin:$PATH
　　export PATH
　　④使配置生效
　　source /etc/profile
　　3、配置JDBC
　　①解压（位置随意）
　　tar -zxvf sqljdbc_3.0.1301.101_enu.atr.gz
　　②复制jdbc到sqoop下
　　cp sqljdbc_3.0/enu/sqljdbc4.jar /home/sqoop/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib
　　4、配置SQL Server sqoop Connector
　　①解压（位置随意，这里是/home）
　　tar -zxvf sqoop-sqlserver-1.0.tar.gz
　　②设置环境变量
　　vi /etc/profile
　　追加以下：
　　export MSSQL_CONNECTOR_HOME=/home/sqoop-sqlserver-1.0/
　　配置生效：
　　source /etc/profile
　　③配置到sqoop
　　cd sqoop-sqlserver-1.0
　　./install.sh
　　5、 配置sqoop
　　存在这部分工作的原因是sqoop的默认配置会有一些我们不需要用到的东西，在其配置文件$SQOOP_HOME/bin/configure-sqoop文件中，定义了许多需要预先配置的参数与环境，有些我们已经配置完成，但是另外有些是不需要用到的（目前还没意识到有什么作用），因此，为了防止运行时检查配置不通过，我们直接的处理办法就是取消这部分的配置检查。
　　注释ACCUMULO相关配置：在configure-sqoop文件中，注释掉与ACCUMULO_HOME相关的所有命令行，并保存退出。
　　6、目前的环境变量
　　值得注意的是，之前并没有加入HBase的环境变量，在这里是需要把HBase相关的环境变量加入的。



# /etc/profile
# System wide environment and startup programs, for login setup
# Functions and aliases go in /etc/bashrc
# It's NOT a good idea to change this file unless you know what you
# are doing. It's much better to create a custom.sh shell script in
# /etc/profile.d/ to make custom changes to your environment, as this
# will prevent the need for merging in future updates.

pathmunge () {
case ":${PATH}:" in
*:"$1":*)
;;
*)
if [ "$2" = "after" ] ; then
PATH=$PATH:$1
else
PATH=$1:$PATH
fi
esac
}

if [ -x /usr/bin/id ]; then
if [ -z "$EUID" ]; then
# ksh workaround
EUID=`id -u`
UID=`id -ru`
fi
USER="`id -un`"
LOGNAME=$USER
MAIL="/var/spool/mail/$USER"
fi
# Path manipulation
if [ "$EUID" = "0" ]; then
pathmunge /sbin
pathmunge /usr/sbin
pathmunge /usr/local/sbin
else
pathmunge /usr/local/sbin after
pathmunge /usr/sbin after
pathmunge /sbin after
fi
HOSTNAME=`/bin/hostname 2>/dev/null`
HISTSIZE=1000
if [ "$HISTCONTROL" = "ignorespace" ] ; then
export HISTCONTROL=ignoreboth
else
export HISTCONTROL=ignoredups
fi
export PATH USER LOGNAME MAIL HOSTNAME HISTSIZE HISTCONTROL
# By default, we want umask to get set. This sets it for login shell
# Current threshold for system reserved uid/gids is 200
# You could check uidgid reservation validity in
# /usr/share/doc/setup-*/uidgid file
if [ $UID -gt 199 ] && [ "`id -gn`" = "`id -un`" ]; then
umask 002
else
umask 022
fi
for i in /etc/profile.d/*.sh ; do
if [ -r "$i" ]; then
if [ "${-#*i}" != "$-" ]; then
. "$i"
else
. "$i" >/dev/null 2>&1
fi
fi
done
unset i
unset  pathmunge
export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-1.7.0.131.x86_64
export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
export PATH=$PATH:$JAVA_HOME/bin
#hadoop
export HADOOP_HOME=/home/hadoop/hadoop-2.7.3
export PATH=$PATH:$HADOOP_HOME/sbin
export PATH=$PATH:$HADOOP_HOME/bin
#zookeeper
export ZOOKEEPER_HOME=/home/zookeeper/zookeeper-3.4.6/
export PATH=$ZOOKEEPER_HOME/bin:$PATH
export PATH
#HBase
export HBASE_HOME=/home/hbase/hbase-1.2.4
export PATH=$HBASE_HOME/bin:$PATH
export PATH
#hive
export HIVE_HOME=/home/hive/apache-hive-2.1.1-bin
export PATH=$HIVE_HOME/bin:$PATH
export PATH
export HCAT_HOME=$HIVE_HOME/hcatalog
#sqoop
export SQOOP_HOME=/home/sqoop/sqoop-1.4.6.bin__hadoop-2.0.4-alpha
export SQOOP_CONF_DIR=$SQOOP_HOME/conf
export PATH=$SQOOP_HOME/bin:$PATH
export PATH
export MSSQL_CONNECTOR_HOME=/home/sqoop-sqlserver-1.0/
　　7、数据迁移实验
　　在执行迁移命令之前，需要在Hbase中建立好对应的表
　　#hbase shell
　　进入hbase shell后执行
　　>create 'test', 'cf'
　　然后在Terminal中执行
　　#sqoop import --connect 'jdbc:sqlserver://<IP Address>;username=<username>;password=<password>;database=<database>' --table <sql server table name> --hbase-table <hbase table name> --column-family <hbase table column family name> --hbase-row-key <sql server table primary key>
　　需要注意：
　　①如果SQL Server的表是正常的单一主键的表结构，那么可以直接指定hbase-row-key执行上述命令，此时该命令会默认以多个mapreduce任务执行该指令
　　②如果SQL Server的表是联合主键，那么这样导入就会存在一个问题，无法根据主键分解查询任务，也就没有办法进行MapReduce，那么此时必须指定参数 '-m 1'只用一个mapreduce任务
　　③针对没有主键的情况，若数据量巨大，必须分为多个mapreduce任务，那么需要找到一个拆分字段，从而hive可以根据该字段拆分任务。此时我们须在导入指令中添加'--split-by <id>'
　　在我实际的操作中，SQL Server中的表结构是联合主键，第一次导入表中100条数据记录，根据这篇博客的介绍，配置了$SQOOP_HOME/conf/sqoop-site.xml，我指定了'--hbase-row-key <id1>,<id2>'，并指定'-m 1'，导入数据成功。（耗时22sec）

　　第二次尝试将数据库中的近160W条数据记录导入到HBase中，添加参数'--split-by <id>'，并指定'-m 12'，数据同样导入成功。（耗时17min25sec）

　　8、存在问题
　　对sqoop拆分任务的理解仍然不够深入，自己完成的实验虽然成功，但是并没有做对比实验确定真正的影响因素
　　9、参考文章
　　Sqoop User Guide (v1.4.6)
　　利用SQOOP将数据从数据库导入到HDFS - 我喂自己袋盐 - 博客频道 - CSDN.NET
　　Sqoop将SQLServer数据导入HBase - nma_123456的专栏 - 博客频道 - CSDN.NET
　　Centos　利用sqoop从sqlserver导入数据到HDFS或Hive - 王伟挺的专栏 - 博客频道 - CSDN.NET
　　sqoop并行导入数据 - 东杰书屋 - 博客频道 - CSDN.NET
　　sqoop针对联合主键的表导入hbase的简单控制技巧 - 黄刚的技术博客 - 博客频道 - CSDN.NET
　　参考链接