什么是數(shù)據(jù)同步利器DataX，如何使用？
今天給大家分享一個(gè)阿里開(kāi)源的數(shù)據(jù)同步工具DataX，在Github擁有14.8k的star，非常受歡迎，地址：https://github.com/alibaba/DataX
什么是 Datax?
DataX 是阿里云 DataWorks數(shù)據(jù)集成 的開(kāi)源版本，使用Java 語(yǔ)言編寫(xiě)，在阿里巴巴集團(tuán)內(nèi)被廣泛使用的離線數(shù)據(jù)同步工具/平臺(tái)。DataX 實(shí)現(xiàn)了包括 MySQL、Oracle、OceanBase、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、Hologres、DRDS, databend 等各種異構(gòu)數(shù)據(jù)源之間高效的數(shù)據(jù)同步功能。
圖片
應(yīng)用場(chǎng)景有那些？
- 數(shù)據(jù)倉(cāng)庫(kù)同步：DataX 可以幫助將數(shù)據(jù)從一個(gè)數(shù)據(jù)倉(cāng)庫(kù)（如關(guān)系型數(shù)據(jù)庫(kù)、大數(shù)據(jù)存儲(chǔ)系統(tǒng)等）同步到另一個(gè)數(shù)據(jù)倉(cāng)庫(kù)，實(shí)現(xiàn)數(shù)據(jù)的遷移、備份或復(fù)制。
- 數(shù)據(jù)庫(kù)遷移：當(dāng)我們需要將數(shù)據(jù)從一個(gè)數(shù)據(jù)庫(kù)平臺(tái)遷移到另一個(gè)數(shù)據(jù)庫(kù)平臺(tái)時(shí)，DataX 可以幫助完成數(shù)據(jù)的轉(zhuǎn)移和轉(zhuǎn)換工作
- 數(shù)據(jù)集成與同步：DataX 可以用作數(shù)據(jù)集成工具，用于將多個(gè)數(shù)據(jù)源的數(shù)據(jù)進(jìn)行整合和同步。它支持多種數(shù)據(jù)源，包括關(guān)系型數(shù)據(jù)庫(kù)、NoSQL 數(shù)據(jù)庫(kù)、文件系統(tǒng)等，可以將這些數(shù)據(jù)源的數(shù)據(jù)整合到一個(gè)目標(biāo)數(shù)據(jù)源中。
- 數(shù)據(jù)清洗與轉(zhuǎn)換：DataX 提供了豐富的數(shù)據(jù)轉(zhuǎn)換能力，可以對(duì)數(shù)據(jù)進(jìn)行清洗、過(guò)濾、映射、格式轉(zhuǎn)換等操作。這對(duì)于數(shù)據(jù)倉(cāng)庫(kù)、數(shù)據(jù)湖和數(shù)據(jù)集市等數(shù)據(jù)存儲(chǔ)和分析平臺(tái)非常有用，可以幫助提高數(shù)據(jù)質(zhì)量和一致性。
- 數(shù)據(jù)備份與恢復(fù)：DataX 可以用于定期備份和恢復(fù)數(shù)據(jù)。通過(guò)配置定時(shí)任務(wù)，可以將數(shù)據(jù)從源端備份到目標(biāo)端，并在需要時(shí)進(jìn)行數(shù)據(jù)恢復(fù)。
DataX支持那些數(shù)據(jù)源？
圖片
架構(gòu)設(shè)計(jì)
圖片
DataX作為離線數(shù)據(jù)同步框架，采用Framework + plugin架構(gòu)構(gòu)建。將數(shù)據(jù)源讀取和寫(xiě)入抽象成為Reader/Writer插件，納入到整個(gè)同步框架中。
- Reader：Reader為數(shù)據(jù)采集模塊，負(fù)責(zé)采集數(shù)據(jù)源的數(shù)據(jù)，將數(shù)據(jù)發(fā)送給Framework。
- Writer：Writer為數(shù)據(jù)寫(xiě)入模塊，負(fù)責(zé)不斷向Framework取數(shù)據(jù)，并將數(shù)據(jù)寫(xiě)入到目的端。
- Framework：Framework用于連接reader和writer，作為兩者的數(shù)據(jù)傳輸通道，并處理緩沖，流控，并發(fā)，數(shù)據(jù)轉(zhuǎn)換等核心技術(shù)問(wèn)題。
DataX 開(kāi)源版本支持單機(jī)多線程模式完成同步作業(yè)運(yùn)行，如下圖
圖片
- DataX完成單個(gè)數(shù)據(jù)同步的作業(yè)，稱(chēng)之為Job，DataX接受到一個(gè)Job之后，將啟動(dòng)一個(gè)進(jìn)程來(lái)完成整個(gè)作業(yè)同步過(guò)程。DataX Job模塊是單個(gè)作業(yè)的中樞管理節(jié)點(diǎn)，承擔(dān)了數(shù)據(jù)清理、子任務(wù)切分(將單一作業(yè)計(jì)算轉(zhuǎn)化為多個(gè)子Task)、TaskGroup管理等功能。
- DataXJob啟動(dòng)后，會(huì)根據(jù)不同的源端切分策略，將Job切分成多個(gè)小的Task(子任務(wù))，以便于并發(fā)執(zhí)行。Task便是DataX作業(yè)的最小單元，每一個(gè)Task都會(huì)負(fù)責(zé)一部分?jǐn)?shù)據(jù)的同步工作。
- 切分多個(gè)Task之后，DataX Job會(huì)調(diào)用Scheduler模塊，根據(jù)配置的并發(fā)數(shù)據(jù)量，將拆分成的Task重新組合，組裝成TaskGroup(任務(wù)組)。每一個(gè)TaskGroup負(fù)責(zé)以一定的并發(fā)運(yùn)行完畢分配好的所有Task，默認(rèn)單個(gè)任務(wù)組的并發(fā)數(shù)量為5。
- 每一個(gè)Task都由TaskGroup負(fù)責(zé)啟動(dòng)，Task啟動(dòng)后，會(huì)固定啟動(dòng)Reader—>Channel—>Writer的線程來(lái)完成任務(wù)同步工作。
- DataX作業(yè)運(yùn)行起來(lái)之后， Job監(jiān)控并等待多個(gè)TaskGroup模塊任務(wù)完成，等待所有TaskGroup任務(wù)完成后Job成功退出。否則，異常退出，進(jìn)程退出值非0
DataX調(diào)度流程
舉例來(lái)說(shuō)，用戶提交了一個(gè)DataX作業(yè)，并且配置了20個(gè)并發(fā)，目的是將一個(gè)100張表的mysql數(shù)據(jù)同步到odps里面。DataX的調(diào)度決策是：
- Job根據(jù)分表切分成了100個(gè)Task。
- 根據(jù)20個(gè)并發(fā)，DataX計(jì)算需要分配4個(gè)TaskGroup。
- 4個(gè)TaskGroup平分切分好的100個(gè)Task，每一個(gè)TaskGroup負(fù)責(zé)5個(gè)并發(fā)共計(jì)運(yùn)行25個(gè)Task。
如何使用 Datax?
點(diǎn)擊datax 下載，下載后解壓至本地某個(gè)目錄，如下圖
圖片
用例說(shuō)明
這里為了方便演示，我們同步MySQL的user_info表至MySQL的ods_test_mysql_user_info_m，同步條件為更新時(shí)間字段，如下
在實(shí)際工作中你可以選擇不同類(lèi)型的數(shù)據(jù)源測(cè)試
drop table ods_test_mysql_user_info_m
CREATE TABLE `user_info` (
`id` int NOT NULL COMMENT 'ID',
`name` varchar(50) NOT NULL COMMENT '名稱(chēng)',
`sex` tinyint NOT NULL COMMENT '性別 1男 2女',
`phone` varchar(11) COMMENT '手機(jī)',
`address` varchar(1000) COMMENT '地址',
`age` int COMMENT '年齡',
`create_time` datetime(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) COMMENT '創(chuàng)建時(shí)間',
`update_time` datetime(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) ON UPDATE CURRENT_TIMESTAMP(6) COMMENT '修改時(shí)間',
PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb3 COMMENT='用戶信息表';
CREATE TABLE `ods_test_mysql_user_info_m` (
`id` int NOT NULL COMMENT 'ID',
`name` varchar(50) NOT NULL COMMENT '名稱(chēng)',
`sex` tinyint NOT NULL COMMENT '性別 1男 2女',
`phone` varchar(11) COMMENT '手機(jī)',
`address` varchar(1000) COMMENT '地址',
`age` int COMMENT '年齡',
`create_time` datetime(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) COMMENT '創(chuàng)建時(shí)間',
`update_time` datetime(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) ON UPDATE CURRENT_TIMESTAMP(6) COMMENT '修改時(shí)間',
PRIMARY KEY (`id`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb3 COMMENT='用戶信息數(shù)倉(cāng)表';在user_info表中插入數(shù)據(jù)如下
圖片
創(chuàng)建作業(yè)的配置文件（json格式）
在 datax 的 script 目錄，創(chuàng)建ods_test_mysql_user_info_m.json文件，配置如下，mysqlreader表示讀取端，mysqlwriter表示寫(xiě)入端
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": ["id","name","sex","phone","address","age","create_time","update_time"],
"splitPk": "id",
"connection": [
{
"jdbcUrl": ["jdbc:mysql://127.0.0.1:3306/test?useUnicode=true&characterEncoding=utf-8&useSSL=false"],
"table": ["user_info"]
}
],
"password": "root",
"username": "root",
"where": "update_time > '${updateTime}' "
}
},
"writer": {
"name": "mysqlwriter",
"parameter": {
"writeMode": "replace",
"column": ["id","name","sex","phone","address","age","create_time","update_time"],
"connection": [
{
"jdbcUrl":"jdbc:mysql://127.0.0.1:3306/test?useUnicode=true&characterEncoding=utf-8&useSSL=false",
"table": ["ods_test_mysql_user_info_m"]
}
],
"username": "root",
"password": "root",
"preSql": [],
"session": [
"set session sql_mode='ANSI'"
]
}
}
}
],
"setting": {
"speed": {
"channel": "5"
}
}
}
}創(chuàng)建執(zhí)行腳本
為了更貼合實(shí)際，寫(xiě)一個(gè)調(diào)度腳本sync.sh支持動(dòng)態(tài)參數(shù)來(lái)執(zhí)行任務(wù)
#!/bin/bash
## 執(zhí)行示例 sh /Users/weizhao.dong/Documents/soft/datax/datax-script/call.sh /Users/weizhao.dong/Documents/soft/datax/datax-script/dwd_g2park_inout_report_s.json 1
jsnotallow=$1
echo '執(zhí)行腳本:'$jsonScript
interval=$2
echo "時(shí)間間隔(分鐘):"$interval
now_time=$(date '+%Y-%m-%d %H:%M:%S')
echo "當(dāng)前時(shí)間："$now_time
update_time=$(date -v -${interval}M '+%Y-%m-%d %H:%M:%S')
#linux 更新時(shí)間獲取
#update_time=$(date -d "${now_time} $interval minute ago" +"%Y-%m-%d %H:%M:%S")
echo "更新時(shí)間："$update_time
#執(zhí)行
python3 /Users/weizhao.dong/Documents/soft/datax/bin/datax.py $jsonScript -p "-DupdateTime='${update_time}'"假設(shè)我們要執(zhí)以上ods_test_mysql_user_info_m.json腳本，并且同步十分鐘之前的數(shù)據(jù)，如下
./sync.sh ods_test_mysql_user_info_m.json 10測(cè)試
圖片
執(zhí)行./sync.sh ods_test_mysql_user_info_m.json 10進(jìn)行同步
圖片
圖片
以上結(jié)果可能有些人有疑問(wèn)，就三條數(shù)據(jù)執(zhí)行時(shí)間為 10s，其實(shí)這個(gè) 10s主要是初始化時(shí)間，耗時(shí)過(guò)長(zhǎng)，同步的數(shù)據(jù)量多了優(yōu)勢(shì)就體現(xiàn)出來(lái)了，以下為實(shí)際生產(chǎn)同步數(shù)據(jù)結(jié)果，可以看到同步63102條耗時(shí)22s
推薦用法
以上我們只是通過(guò)一個(gè)簡(jiǎn)單的示例來(lái)演示了dataX如何使用，如果只是一次性同步，沒(méi)問(wèn)題，但是如果是周期性進(jìn)行同步，有以下幾種方式推薦
crontab調(diào)度
這種方式是最簡(jiǎn)單的，可以使用操作系統(tǒng)中的crontab定時(shí)調(diào)度，通過(guò)crontab -e編輯corn 任務(wù)，添加對(duì)應(yīng)腳本即可
海豚調(diào)度器
在種方式在大數(shù)據(jù)領(lǐng)域用的比較多，典型場(chǎng)景就是 mysql 同步到數(shù)倉(cāng)，海豚調(diào)度器內(nèi)置了 datax 并且提供了圖形化配置界面，配置起來(lái)非常方便
圖片
圖片
同時(shí)每次執(zhí)行都有記錄，并且都有對(duì)應(yīng)的日志
圖片
定時(shí)任務(wù)框架（elasticjob/xxl-job）
定時(shí)調(diào)度框架都支持調(diào)度 shell 腳本，通過(guò)傳入對(duì)應(yīng)參數(shù)也可執(zhí)行
圖片
