DataX总结

helloworld280
350 阅读5分钟

1. DataX3.0概述和相关概念

1.1 DataX作用与优势

1.1.1 作用

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。

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。 image-datax-structure

1.1.2 优势

  • 可靠的数据质量监控
  • 丰富的数据转换功能
  • 精准的速度控制
  • 强劲的同步性能
  • 健壮的容错机制
  • 极简的使用体验

1.2 DataX架构简介

DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。DataX 3.0 开源版本使用单机多线程模式完成同步作业运行，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。

  • 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。

  • Reader：数据采集模块，负责采集数据源的数据，将数据发送给Framework

  • 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

    各种Reader插件、Writer插件的参考文档

image-datax-architecture DataX目前支持数据参见官网。

DataX作业生命周期的时序图如下: image-datax-job-timingDiagram.png 0. 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。 0. 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。 0. 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。 0. 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。 0. 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。

2.使用案例

  1. 下载DataX工具包链接

  2. 编写writer和reader配置文件(Stream ===> Stream。stream reader/writer 都用于测试)

     {
     "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": 1,
                 "byte": 104857600
             },
             "errorLimit": {
                 "record": 10,
                 "percentage": 0.05
             }
         }
     }
 }

    json配置文件说明(整个配置文件是一个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，分为两部分reader和writer

      • reader 描述源端信息
      • writer 描述目的端的信息

    • setting用来描述任务本身的信息

      • speed 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。

      • 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（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。

  3. 下载后解压至本地某个目录，进入bin目录，即可运行同步作业

     cd {YOUR_DATAX_HOME}/bin
 python datax.py {YOUR_JOB.json}

3. DataX Vs Sqoop

  • 速度方面

    sqoop采用MR计算框架进行导入导出，而datax仅仅在运行datax的单台机器上进行数据的抽取和加载，速度比sqoop慢了许多

  • 支持的源数据源和目的数据源

    sqoop只可以在关系型数据库和hadoop组件之间进行数据迁移，而在hadoop相关组件之间，比如hive和hbase之间就无法使用sqoop互相导入导出数据，同时在关系型数据库之间，比如mysql和oracle之间也无法通过sqoop导入导出数据。与之相反，datax能够分别实现关系型数据库和hadoop组件之间、关系型数据库之间、hadoop组件之间的数据迁移；

  • 对Hadoop的兼容性

    sqoop是专门为hadoop而生，对hadoop支持度好，而datax可能会出现不支持高版本hadoop的现象；

  • 扩展性

    sqoop只支持官方提供的指定几种关系型数据库和hadoop组件之间的数据交换，而在datax中，用户只需根据自身需求修改文件，生成相应rpm包，自行安装之后就可以使用自己定制的插件；

avatar
文章
阅读
粉丝