Apache Sqoop 终止发展，今后数据迁移怎么做？

在今年 6月16日的 Apache 软件基金会董事例行会议上，董事会投票决定：Terminate the Apache Sqoop project（终止 Apache Sqoop 项目）！对大数据生态略有了解的同学，对 Apache Sqoop 项目一定不会陌生；在 Hadoop 的技术架构版图中，Sqoop 和 Kafka、Flume 等项目都属于 “数据导入/集成” 模块，起着为大数据平台引流的重要作用，在传统数据库 RDBMS 跟 Hadoop 之间建立一个桥梁。

如此重要的一个项目，怎么突然就终止了呢？用户们今后该怎么办？今天我们就聊一聊这个话题。

01. Apache Sqoop 介绍

开始之前我们先了解一下 Sqoop。Sqoop 项目出现在2009年，它的名字取自 SQL–to–Hadoop，最初是 Hadoop 内部一个模块，后来成为独立项目；它是 Apache 旗下一款“在 Hadoop 和关系数据库（RDBMS）之间传送数据”的工具。Sqoop 的核心的功能有两个：

• 导入：将 MySQL，Oracle 等的数据导入到 Hadoop 的 HDFS、Hive、HBase 等系统中；
• 导出：从 Hadoop 系统中的数据，导出到关系数据库如 MySQL 等。

Sqoop 本质是批量迁移数据，迁移的方式就是把 Sqoop 命令转换成 MapReduce 程序，进而能够分布式并行执行，提高数据导入导出的效率。

Sqoop 的架构比较简单，是客户端 + Hadoop 的架构（如下图所示）；当客户端使用 Sqoop 命令的时候，Sqoop 会将任务翻译成一个或多个 Mapper 任务；由 Mapper 向 RDBMS 服务器发出 SQL 查询（通常是通过JDBC协议），随后将获取到的数据写入到 HDFS 、HBase 等存储系统：

Sqoop 有比较丰富的功能，例如可以把整张表导入、指定特定列导入、按 SQL 查询导入、可增量导入等等；Sqoop 出现后获得大量使用。

到了2012年的时候，社区发出了下一代 Sqoop 架构的设计讨论，这就是 Sqoop 2。Sqoop 2 主要解决 Sqoop 的一些安全缺陷，例如客户端需要安装配置 RDBMS connector、需要以 root 身份运行、需要配置连接密码等，这些问题对于重视数据安全的企业来说非常重要。

Sqoop 2 引入了 Sqoop Server 的组件（如下图），并将用户角色区分成 Admin 和 Operator。Admin 在 Server 端配置各个数据库的 connector 以及连接密码等重要信息；Operator 通过 CLI 或 API 触发 Sqoop 任务的执行；这样 Operator 及客户端的信息安全得到大幅度提升。

Sqoop 2 的设想是好的，但它也增加了用户部署和使用的复杂度；同时它跟 Sqoop 1 不兼容，不能无缝升级，一定程度上阻碍了它的普及。到 Sqoop 项目终止的时候，Sqoop 2 仍然难产，2017 年的时候 Cloudera 宣布 Sqoop 2 过时（不再发展），建议用户继续使用 Sqoop 1。这在大数据技术快速发展的黄金时期，是非常少见的事情。

02. Sqoop 项目停止发展之猜想

Apache 董事会宣布终止 Sqoop 项目，并不是心血来潮；回看 Sqoop 项目的发展历史，你会发现 Sqoop 最近一次版本发布是在两年多以前，最近30个月没有任何新的 PMC 和 committer 加入到这个项目，这意味着  Sqoop 项目的活跃程度已经非常低，面临无人维护的尴尬局面。最终由其项目管理委员会（PMC）成员发起讨论，决定终止项目发展，将其归档至 Apache Attic（阁楼）项目中，以告知广大用户相应的风险。

什么使得 Sqoop 项目停止了活跃？做为局外人，对于项目内部（特别是最大的贡献者 Cloudera）到底发生了什么不得而知，但根据我们对大数据技术的演进和发展，总结出有这么几个方面的促成因素，供大家参考：

• Sqoop 功能趋于稳定和完整，功能比较完备了；前不久农行研发中心还做了一次从 Oracle 到 Hadoop 的数据迁移工具对比，Sqoop 性能出色，拔得头筹([2])；
• Sqoop 1 存在安全缺陷，而 Sqoop 2 架构复杂，用户左右为难；
• Sqoop 依赖 MapReduce；在越来越多用户迁移到云上、新的分布式计算框架（如 Spark、Flink、Kubernetes）越来越流行的今天，它已经不符合潮流；虽然社区有一些开发者将 Sqoop 改成可运行在 Spark 上，但并没有被合并进成为官方特性；
• Hive、Spark、Presto 等大数据组件都增加了对 JDBC 数据源的直接支持，可直接访问 RDBMS 数据，从而导致了用户对 Sqoop 的依赖度降低；
• 通过 CDC/binlog 的方式相比基于 batch 的 Sqoop 同步来讲实时性更好、对源系统的压力更小；
• Sqoop 背后的商业公司 Cloudera 近几年业绩不佳，对 Sqoop 这种工具类的项目的支持力度不够。

综合以上因素，我们认为 Sqoop 退出历史舞台是迟早的事情。当然，Sqoop 不会消失，只是用的人会越来越少，这个过程可能持续数年时间。

03. Sqoop 之后大数据迁移怎么做

Apache Sqoop 项目虽然终止了，数据迁移的事情还是每天都要做，作为大数据「砖家」的你，一定想知道今后类似的任务该用什么组件来实现。由于 Sqoop 不支持 CDC/binlog 的方式实时同步数据，故 CDC 的方式我们这里不做展开，毕竟 CDC 的复杂度较高，运维等要求高，通常只有在特定场景下才会需要，感兴趣的同学可以自行搜索。

说到批量数据处理，毫无疑问最近这些年最火热、最成功的非 Apache Spark 项目莫属了。Spark 创立之初号称比 MapReduce 能快100倍，能够完全取代 MR，到今天看它确实做到了。Spark 已经发展到了 3.1 版本，生态完善，能够通过多种语言如 Java、Scala、SQL、Python 进行操作，支持数据处理、ETL，机器学习（MLLib）、Graph 图分析等多种场景。

在数据集成这块，Spark 很早就提供了 Data source API，支持多种数据源，如 Hive、Avro、CSV，也包括 JDBC 数据源：

过去需要先通过 Sqoop 导入数据到 Hadoop、再跑任务进行处理的工作，如今可以直接缩减成：直接读取 JDBC 数据进内存成为 dataframe， 然后使用各类 Spark API 进行处理，如下图所示：

让我们看一个使用 Spark 直接读取 MySQL 数据的例子：

val df = spark.read.format(“jdbc”)
.option(“url”,”jdbc:mysql://localhost/customer”)
.option(“driver”,”com.mysql.jdbc.driver”)
.option(“dbtable”,”customerProfile”)
.option(“user”,”user”)
.option(“password”,”xxxxxx”).load()

类似于 Sqoop, Spark 也允许指定 split 或分区方式，进而可以在多个 executor 的 task 中并行抽取数据；“ParitionColumn” 等价于 Sqoop 中的 “split-by” 选项. “LowerBound” 和 “UpperBound” 指定主键的最小和最大值范围，它们可以跟 “numPartitions” 参数一起使用，从而让 Spark 将抽取任务分成多个 task。“NumPartitions” 定义了最大并发的 JDBC 连接数。

val df = spark.read.format(“jdbc”)
.option(“url”,”jdbc:mysql://localhost/customer”)
.option(“driver”,”com.mysql.jdbc.driver”)
.option(“dbtable”,”customerProfile”)
.option(“user”,”user”).option(“password”,”xxxxxx”)
.option(“lowerBound”, 0)
.option(“upperBound”,10000)
.option(“numPartitions”, 4)
.option(“partitionColumn”, customer_id)
.load()

除了可指定 “dbtable”参数外，你还可以使用一个 “query” 参数，来指定一个进入到 dataframe 的查询集合。

val df = spark.read.format(“jdbc”)
.option(“url”,”jdbc:mysql://localhost/customer”)
.option(“driver”,”com.mysql.jdbc.driver”)
.option(“query”, “select * from customer.CustomerProfile where state = ’WA’”)
.option(“user”,”user”)
.option(“password”,”xxxxxx”)
.load()

一旦 dataframe 对象创建好以后，你可以像正常操作一样，使用各种过滤、转换、聚合算子对其进行处理，也可以将处理好的数据保存到文件系统，例如 Hive 数据仓库，或另一个关系型数据库。

保存到 Hive：

df.write.saveAsTable(‘customer.customerprofile’)

保存到数据库：

df.write.format(“jdbc”)
.option(“url”,”jdbc:mysql://localhost/customer”)
.option(“driver”,”com.mysql.jdbc.driver”)
.option(“dbtable”,”customerProfile”)
.option(“user”,”user”)
.option(“password”,”xxxxxx”).save()

这里可以看到，Spark 具备数据抽取、处理、保存的完整能力，完全可以取代 Sqoop；并且用户可以根据实际情况决定中间数据是否需要落盘，可跟其它数据源（hive、csv、parquet 等）进行关联处理，比 Sqoop 灵活简单，并且大大提升了工作效率。

然而，我们认为 Spark 的方案还有提升空间，大家注意上面的 Spark 代码片段，它融合了 Scala、JDBC 配置、SQL 语句于一体，可读性和可维护性都比较差；使用者除了需要了解多种语言以外，还需要打 jar 包并搭配 Spark shell 完成任务执行，门槛较高；今天我们给大家推荐一款国人开发的开源工具 MLSQL，简单易学，掌握后会比直接使用 Spark 提升许多倍效率。

04. 使用 MLSQL 完成 RDBMS 到 Hive/数据湖的迁移

MLSQL （https://www.mlsql.tech/） 是一门面向大数据和 AI 的语言，是一个真正整合数据管理，商业分析，机器学习的统一平台；它的操作完全使用 SQL 语言，后台使用 Spark 做执行引擎；MLSQL 在具备 Spark 高效分布式处理能力的同时，使得学习和使用门槛大大降低。

让我们看下如何使用 MLSQL 代码来实现 MySQL 到 Hive 数据的迁移：

connect jdbc where
 url="jdbc:mysql://127.0.0.1:3306/mlsql_console?characterEncoding=utf8&zeroDateTimeBehavior=convertToNull&tinyInt1isBit=false"
 and driver="com.mysql.jdbc.Driver"
 and user="xxxxx"
 and password="xxxx"
 as db_cool;
 

-- 获取当前的时间 
set date = `select unix_timestamp(current_date(), "yyyy-MM-dd HH:mm:ss") as t ` where type="sql";

-- 加载 JDBC 数据 
load jdbc.`db_cool.script_file`  as script_file;

-- 如果有必要，可以过滤或者清理数据亦或是增量拉取数据，
-- 比如created_at作为增量过滤字段
select * from script_file where created_at>${date}
as new_script_file;

-- 保存数据到hive表
save overwrite new_script_file as hive.`mysql_mlsql_console.script_file`;

上面所有操作，包括 JDBC 配置、数据迁移的查询语句，以及保存到 Hive 的操作，都通过 SQL 来完成；MLSQL 是解释型语言，支持 HTTP 协议，直接把脚本发送给引擎执行就可以了。当然，MLSQL Console 提供了 Web IDE 支持，可以让用户全程在 Web 上调试和使用，拥有诸如脚本管理，代码补全，执行等功能。

除了支持批量的数据迁移以外，MLSQL 还直接支持流式程序，同时也支持 CDC 增量更新，这是 Sqoop 所不具备的。不过目标数据源暂时无法支持 Hive，现阶段只能使用内置的数据湖 Delta Lake。具体示例代码如下：

set streamName="mysql-cdc-example";

-- 加载binlog
load binlog.`` where 
host="127.0.0.1"
and port="3306"
and userName="xxxxx"
and password="xxxxx"
and databaseNamePattern="mlsql_console"
and tableNamePattern="script_file"
as table1;

-- replay binlog到数据湖里
save append table1 as rate.`mysql_{db}.{table}` 
options mode="Append"
and idCols="id"
and duration="5"
and syncType="binlog"
and checkpointLocation="/tmp/cpl-binlog2";

如上，三行 MLSQL 代码就启动了一个流程序，系统会自动消费 binlog，然后 replay 到数据湖 mysql_mlsql_console.script_file 中。

MLSQL 虽然是一门语言，相比传统的语言，他的门槛是足够低的，让分析师、算法、研发、甚至产品经理、运营都可以掌握。通过 MLSQL，大部分信息产业从业者都可以更好地玩转他们的数据。除了数据加载、数据处理之外，MLSQL 还支持 AI，这篇文章就不做展开了。

感兴趣的同学可以扫描下方二维码，欢迎加入 MLSQL 交流群，和大佬们一起讨论问题～

进群积极参与讨论或贡献 MLSQL，更有机会获得 Data & Cloud Summit 价值 1688 元的赠票哦！（*仅限三张，进群了解详情）

*此二维码仅在7月22日前有效，有任何问题请添加 K小助微信（uncertainly5）

想了解更多国内外开源生态在云和数据领域的共识方向吗？快来报名参加 Data & Cloud Summit 吧！除了「开源有道」分论坛，此次大会更有重磅嘉宾云集的一大主论坛，5 大分论坛哦～更多精彩议程请点击下方链接：

Data & Cloud Summit 2021 「云·数据·智能」 大会官方网站

阅读更多精彩文章：

• 揭秘语义层｜如何让人人都能看懂数据？
• 对数据网格 Data Mesh 架构的思考
• 权威报告解读｜如何加速数据湖自助式分析
• 企业如何基于 Hadoop 打造更加丰富的分析应用场景
• 案例分享｜领先 SaaS 公司是如何提供数据服务的？