文章目录
1. DataX简介
1.1 DataX概述
DataX 是阿里巴巴开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。
源码地址：https://github.com/alibaba/DataX
1.2 DataX支持的数据源
DataX目前已经有了比较全面的插件体系，主流的RDBMS数据库、NOSQL、大数据计算系统都已经接入，目前支持数据如下图。
类型数据源Reader(读)Writer(写)RDBMS关系型数据库MySQL√√Oracle√√OceanBase√√SQLServer√√PostgreSQL√√DRDS√√通用RDBMS√√阿里云数仓数据存储ODPS√√ADS√OSS√√OCS√√NoSQL数据存储OTS√√Hbase0.94√√Hbase1.1√√Phoenix4.x√√Phoenix5.x√√MongoDB√√Hive√√Cassandra√√无结构化数据存储TxtFile√√FTP√√HDFS√√Elasticsearch√时间序列数据库OpenTSDB√TSDB√√
2. DataX架构原理
2.1 DataX设计理念
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。
2.2 DataX框架设计
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。
Reader：Reader为数据采集模块，负责采集数据源的数据，将数据发送给Framework。
Writer： Writer为数据写入模块，负责不断向Framework取数据，并将数据写入到目的端。
Framework：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。
2.3 DataX运行流程
下面用一个DataX作业生命周期的时序图说明DataX的运行流程、核心概念以及每个概念之间的关系。
Job:单个数据同步的作业，称为一个Job，一个Job启动一个进程。
Task:根据不同数据源的切分策略，一个Job会切分为多个Task，Task是DataX作业的最小单元，每个Task负责一部分数据的同步工作。
TaskGroup: Scheduler调度模块会对Task进行分组，每个Task组称为一个Task Group。每个TaskGroup负责以一定的并发度运行其所分得的Task，单个Task Group的并发度为5。
Reader→Channel→Writer:每个Task启动后，都会固定启动Reader→Channel→Writer的线程来完成同步工作。
2.4 DataX调度决策思路
举例来说，用户提交了一个DataX作业，并且配置了总的并发度为20，目的是对一个有100张分表的mysql数据源进行同步。DataX的调度决策思路是：
1）DataX Job根据分库分表切分策略，将同步工作分成100个Task。
2）根据配置的总的并发度20，以及每个Task Group的并发度5，DataX计算共需要分配4个TaskGroup。
3）4个TaskGroup平分100个Task，每一个TaskGroup负责运行25个Task。
2.5 DataX与Sqoop对比
功能DataXSqoop运行模式单进程多线程MR分布式不支持，可以通过调度系统规避支持流控有流控功能需要定制统计信息已有一些统计，上报需定制没有，分布式的数据收集不方便数据校验在core部分有校验功能没有，分布式的数据收集不方便监控需要定制需要定制
3. DataX部署
3.1 下载DataX安装包并上传到hadoop102的/opt/software
下载地址：http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
3.2 解压datax.tar.gz到/opt/module
[summer@hadoop102 software]$ tar -zxvf datax.tar.gz -C /opt/module/
3.3 自检，执行如下命令
[summer@hadoop102 ~]$ python /opt/module/datax/bin/datax.py /opt/module/datax/job/job.json
版权归原作者 Redamancy_06 所有， 如有侵权，请联系我们删除。