离线数仓数据同步工具DataX——(DataX概述，DataX安装配置，DataX使用案例)

92 阅读 0 评论 61 点赞

我是靠谱客的博主可靠毛巾，最近开发中收集的这篇文章主要介绍离线数仓数据同步工具DataX——(DataX概述，DataX安装配置，DataX使用案例)，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

文章目录

- DataX概述
- DataX安装配置
- DataX使用案例

DataX概述

DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现包括 MySQL，Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

DataX如何解决异构数据源同步问题

为了解决异构数据源同步问题，DataX将复杂的网状的同步链路变成了星型数据链路，DataX作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候，只需要将此数据源对接到DataX，便能跟已有的数据源做到无缝数据同步。
DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader/Writer插件，纳入到整个同步框架中。
1. Reader：数据采集模块，负责采集数据源的数据，将数据发送给Framework；
2. Writer：数据写入模块，负责不断向Framework取数据，并将数据写入到目的端；
3. Framework：用于连接reader和writer，作为两者的数据传输通道，并处理缓冲，流控，并发，数据转换等核心技术问题。

3.DataX 3.0 开源版本支持单机多线程模式完成同步作业运行，一个DataX作业生命周期的时序图，从整体架构设计非常简要说明DataX各个模块相互关系。在这里插入图片描述

DataX核心模块

DataX完成单个数据同步的作业，称为Job。DataX接受到一个Job之后，将启动一个进程来完成整个作业同步过程。DataX Job模块是单个作业的中枢管理节点，承担了数据清理、子任务切分(将单一作业计算转化为多个子Task)、TaskGroup管理等功能。
DataX Job启动后，会根据不同的源端切分策略，将Job切分成多个小的Task(子任务)，以便于并发执行。Task便是DataX作业的最小单元，每一个Task都会负责一部分数据的同步工作。
切分多个Task之后，DataX Job会调用Scheduler模块，根据配置的并发数据量，将拆分成的Task重新组合，组装成TaskGroup(任务组)。每一个TaskGroup负责以一定的并发运行完毕分配好的所有Task，默认单个任务组的并发数量为5。
每一个Task都由TaskGroup负责启动，Task启动后，会固定启动Reader—>Channel—>Writer的线程来完成任务同步工作。
DataX作业运行起来之后， Job监控并等待多个TaskGroup模块任务完成，等待所有TaskGroup任务完成后Job成功退出。否则，异常退出，进程退出值非0

DataX安装配置

DataX需要JDK和Python环境JDK(1.8以上，推荐1.8)、Python(推荐Python2.6.X)
DataX的安装比较简单下载DataX工具包，解压至本地某个目录，进入bin目录，即可运行同步作业

配置环境变量 DATAX_HOME
$ cd {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}
$ python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json

DataX使用案例

Reader插件和Writer插件:DataX3.0版本提供的Reader插件和Writer插件，每种读插件都有一种和多种切分策

"reader": {
"name": "mysqlreader", #从mysql数据库获取数据（也支持sqlserverreader,oraclereader）
"name": "txtfilereader", #从本地获取数据
"name": "hdfsreader", #从hdfs文件、hive表获取数据
"name": "streamreader", #从stream流获取数据（常用于测试）
"name": "httpreader", #从http URL获取数据
}
"writer": {
"name":"hdfswriter", #向hdfs,hive表写入数据
"name":"mysqlwriter ", #向mysql写入数据（也支持sqlserverwriter,oraclewriter）
"name":"streamwriter ", #向stream流写入数据。（常用于测试）
}

各种Reader插件、Writer插件的参考文档：https://github.com/alibaba/DataX

json配置文件模板

json配置文件是一个job的描述；
job下面有两个配置项，content和setting，其中content用来描述该任务的源和目的端的信息，setting用来描述任务本身的信息；
content又分为两部分，reader和writer，分别用来描述源端和目的端的信息；
setting中的speed项表示同时起几个并发执行该任务；

job的基本配置

{
	"job": {
		"content": [{
			"reader": {
				"name": "",
				"parameter": {}
			},
			"writer": {
				"name": "",
				"parameter": {}
			}
		}],
		"setting": {
			"speed": {},
			"errorLimit": {}
		}
	}
}

job Setting配置

{
	"job": {
		"content": [{
			"reader": {
				"name": "",
				"parameter": {}
			},
			"writer": {
				"name": "",
				"parameter": {}
			}
		}],
		"setting": {
			"speed": {
				"channel": 1,
				"byte": 104857600
			},
			"errorLimit": {
				"record": 10,
				"percentage": 0.05
			}
		}
	}
}

job.setting.speed(流量控制)：Job支持用户对速度的自定义控制，channel的值可以控制同步时的并发数，byte的值可以控制同步时的速度。
job.setting.errorLimit(脏数据控制)：Job支持用户对于脏数据的自定义监控和告警，包括对脏数据最大记录数阈值（record值）或者脏数据占比阈值（percentage值），当Job传输过程出现的脏数据大于用户指定的数量/百分比，DataX Job报错退出。

测试案例

Stream ===> Stream。stream reader/writer

python $DATAX_HOME/bin/datax.py /data/json/stream2stream.json
{
	"job": {
		"content": [{
			"reader": {
				"name": "streamreader",
				"parameter": {
					"sliceRecordCount": 10,
					"column": [{
							"type": "String",
							"value": "hello DataX"
						},
						{
							"type": "string",
							"value": "DataX Stream To Stream"
						},
						{
							"type": "string",
							"value": "数据迁移工具"
						}
					]
				}
			},
			"writer": {
				"name": "streamwriter",
				"parameter": {
					"encoding": "GBK",
					"print": true
				}
			}
		}],
		"setting": {
			"speed": {
				"channel": 2
			}
		}
	}
}