深入浅出Sqoop之迁移过程源码分析

【摘要】Sqoop是一种用于在Apache Hadoop和结构化数据存储（如关系数据库）之间高效传输批量数据的工具。本文将简单介绍Sqoop作业执行时相关的类及方法，并将该过程与MapReduce的执行结合，分析数据如何从源端迁移到目的端。

Sqoop作业执行过程

抛开MR的执行过程，Sqoop执行时用到的关键类总共有5个，Initializer、Partitioner、Extractor、Loader、Destroyer。执行流程如下图所示

Initializer：初始化阶段，源数据校验，参数初始化等工作；
Partitioner：源数据分片，根据作业并发数来决定源数据要切分多少片；
Extractor：开启extractor线程，根据用户配置从内存中构造数据写入队列；
Loader：开启loader线程，从队列中读取数据并抛出；
Destroyer：资源回收，断开sqoop与数据源的连接，并释放资源；

因此，每次新建一个连接器都要实现上述5个类。

Initializer

Initializer是在sqoop任务提交到MR之前被调用，主要是做迁移前的准备，例如连接数据源，创建临时表，添加依赖的jar包等。它是sqoop作业生命周期的第一步，主要API如下

public abstract void initialize(InitializerContext context, LinkConfiguration linkConfiguration,JobConfiguration jobConfiguration); public List<String> getJars(InitializerContext context, LinkConfiguration linkConfiguration,JobConfiguration jobConfiguration){ return new LinkedList<String>(); } public abstract Schema getSchema(InitializerContext context, LinkConfiguration linkConfiguration,JobConfiguration jobConfiguration) { return new NullSchema(); }

其中getSchema()方法被From或者To端的connector在提取或者载入数据时用来匹配数据。例如，一个GenericJdbcConnector会调用它获取源端Mysql的数据库名，表名，表中的字段信息等。

Destroyer

Destroyer 是在作业执行结束后被实例化，这是Sqoop作业的最后一步。清理任务，删除临时表，关闭连接器等。

public abstract void destroy(DestroyerContext context, LinkConfiguration linkConfiguration,JobConfiguration jobConfiguration)；

Partitioner

Partitioner创建分区Partition，Sqoop默认创建10个分片，主要API如下

public abstract List<Partition> getPartitions(PartitionerContext context, LinkConfiguration linkConfiguration, FromJobConfiguration jobConfiguration);

Partition类中实现了readFields()方法和write()方法，方便读写

public abstract class Partition { public abstract void readFields(DataInput in) throws IOException; public abstract void write(DataOutput out) throws IOException; public abstract String toString(); }

Extractor

Extractor类根据分片partition和配置信息从源端提取数据，写入SqoopMapDataWriter中，SqoopMapDataWriter是SqoopMapper的内部类它继承了DataWriter类。此外它打包了SqoopWritable类，以中间数据格式保存从源端读取到的数据。

public abstract void extract(ExtractorContext context, LinkConfiguration linkConfiguration, JobConfiguration jobConfiguration, SqoopPartition partition);

该方法内部核心代码如下

while (resultSet.next()) { ... context.getDataWriter().writeArrayRecord(array); ... }

Loader

loader从源端接受数据，并将其载入目的端，它必须实现如下接口

public abstract void load(LoaderContext context, ConnectionConfiguration connectionConfiguration, JobConfiguration jobConfiguration) throws Exception;
load方法从SqoopOutputFormatDataReader中读取，它读取“中间数据格式表示形式” _中的数据并将其加载到数据源。此外Loader必须迭代的调用DataReader()直到它读完。
while ((array = context.getDataReader().readArrayRecord()) != null) { ... }

MapReduce执行过程

上一节避开MR执行过程，仅仅从Extractor和Loader过程描述迁移过程。下面将结合MR的执行过程详细的介绍一个Sqoop迁移作业流程。

初始化

1）作业初始化阶段，SqoopInputFormat读取给源端数据分片的过程

SqoopInputFormat的getSplits方法会调用Partitioner类的getPartitions方法
将返回的Partition列表包装到SqoopSplit中；
默认分片个数为10

这里每个Partition分片会交给一个Mapper执行。每个Mapper分别启动一个extractor线程和Loader线程迁移数据。

Mapper

2）作业执行阶段的Mapper过程

SqoopMapper包含了一个SqoopMapDataWriter类，
Mapper的run()调用Extractor.extract方法，该方法迭代的获取源端数据再调用DataWriter写入Context中

private Class SqoopMapDataWriter extends DataWriter { ... private void writeContent() { ... context.wirte(writable, NullWritable.get()); // 这里的writable 是SqoopWritable的一个对象 ... } ... }

注意：这里的Context中存的是KV对，K是SqoopWritable，而V仅是一个空的Writable对象。SqoopWritable中实现了write和readField，用于序列化和反序列化。

Reducer

3）作业执行阶段的Reduce过程，

SqoopOutputFormatLoadExecutor包装了SqoopOuputFormatDataReader，SqoopRecordWriter, ConsumerThread三个内部类;
SqoopNullOutputFormat调用getRecordWriter时创建一个线程：ConsumerThread，代码如下

public RecordWriter<SqoopWritable, NullWritable> getRecordWriter() { executorService = Executors.newSingleThreadExecutor(...); consumerFuture = executorService.submit(new ConsumerThread(context)); return writer; }

ConsumerThread集成了Runnable接口，线程内部调用Loader.load(...)方法，该方法用DataReader迭代的从Context中读取出SqoopWritable，并将其写入一个中间数据格式再写入目的端数据库中。

private class ConsumerThread implements Runnable { ... public void run() { ... Loader.load(loaderContext, connectorLinkConfig, ConnectorToJobConfig); ... } ... }

注意:

再本地模式下，Sqoop提交任务时没有设置SqoopReducer.class，MR会调用一个默认的reducer.class。
setContent就是SqoopRecordWriter.write(...)，它将SqoopWritable反序列化后存入中间存储格式中，即IntermediateDataFormat。与之对应，getContent就是从该中间存储格式中读取数据。
Sqoop定义了一个可插拔的中间数据格式抽象类，IntermediateDataFormat类，SqoopWritable打包了这个抽象类用来保存中间数据。

以上即为Sqoop作业执行时相关的类及方法内容，希望对大家在进行数据迁移过程中有所帮助。

点击关注，第一时间了解华为云新鲜技术~