DataX 使用介绍
前言
我们公司有个项目的数据量高达五千万,但是因为报表那块数据不太准确,业务库和报表库又是跨库操作,所以并不能使用 SQL 来进行同步。当时的打算是通过
mysqldump
或者存储的方式来进行同步,但是尝试后发现这些方案都不切实际:
mysqldump
:不仅备份需要时间,同步也需要时间,而且在备份的过程,可能还会有数据产出(也就是说同步等于没同步)
存储方式:这个效率太慢了,要是数据量少还好,我们使用这个方式的时候,三个小时才同步两千条数据…
后面在网上查看后,发现 DataX 这个工具用来同步不仅速度快,而且同步的数据量基本上也相差无几。
一、DataX 简介
DataX 是阿里云 DataWorks 数据集成 的开源版本,主要就是用于实现数据间的离线同步。 DataX 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(即不同的数据库) 间稳定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时,只需要将此数据源对接到 DataX,便能跟已有的数据源作为无缝数据同步。
1.DataX3.0 框架设计
DataX 采用 Framework + Plugin 架构,将数据源读取和写入抽象称为 Reader/Writer 插件,纳入到整个同步框架中。
角色作用Reader(采集模块)负责采集数据源的数据,将数据发送给
Framework
。Writer(写入模块)负责不断向
Framework
中取数据,并将数据写入到目的端。Framework(中间商)负责连接
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.DataX3.0 核心架构
DataX 完成单个数据同步的作业,我们称为 Job,DataX 接收到一个 Job 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、TaskGroup 管理等功能。
- DataX Job 启动后,会根据不同源端的切分策略,将 Job 切分成多个小的 Task (子任务),以便于并发执行。
- 接着 DataX Job 会调用 Scheduler 模块,根据配置的并发数量,将拆分成的 Task 重新组合,组装成 TaskGroup(任务组)
- 每一个 Task 都由 TaskGroup 负责启动,Task 启动后,会固定启动 Reader
-->
Channel-->
Writer 线程来完成任务同步工作。 - DataX 作业运行启动后,Job 会对 TaskGroup 进行监控操作,等待所有 TaskGroup 完成后,Job 便会成功退出(异常退出时 值非 0)
DataX 调度过程:
- 首先 DataX Job 模块会根据分库分表切分成若干个 Task,然后根据用户配置并发数,来计算需要分配多少个 TaskGroup;
- 计算过程:
Task / Channel = TaskGroup
,最后由 TaskGroup 根据分配好的并发数来运行 Task(任务)
二、使用 DataX 实现数据同步
准备工作:
- JDK(1.8 以上,推荐 1.8)
- Python(2,3 版本都可以)
- Apache Maven 3.x(Compile DataX)(手动打包使用,使用
tar
包方式不需要安装)
主机名操作系统IP 地址软件包MySQL-1CentOS 7.4192.168.1.1jdk-8u181-linux-x64.tar.gz
datax.tar.gz
MySQL-2CentOS 7.4192.168.1.2
安装 JDK:下载地址(需要创建 Oracle 账号)
[root@MySQL-1~]#lsanaconda-ks.cfgjdk-8u181-linux-x64.tar.gz[root@MySQL-1~]#tarzxfjdk-8u181-linux-x64.tar.gz[root@DataX ~]#lsanaconda-ks.cfgjdk1.8.0_181jdk-8u181-linux-x64.tar.gz[root@MySQL-1~]#mvjdk1.8.0_181/usr/local/java[root@MySQL-1~]#cat<<END>>/etc/profileexportJAVA_HOME=/usr/local/javaexportPATH=$PATH:"$JAVA_HOME/bin"END[root@MySQL-1~]#source/etc/profile[root@MySQL-1~]#java-version
- 因为
CentOS 7
上自带Python 2.7
的软件包,所以不需要进行安装。
1.Linux 上安装 DataX 软件
[root@MySQL-1~]#wgethttp://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz[root@MySQL-1~]#tarzxfdatax.tar.gz-C/usr/local/[root@MySQL-1~]#rm-rf/usr/local/datax/plugin/*/._*#需要删除隐藏文件(重要)
- 当未删除时,可能会输出:
[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请检查您的配置文件.
验证:
[root@MySQL-1~]#cd/usr/local/datax/bin[root@MySQL-1~]#pythondatax.py../job/job.json#用来验证是否安装成功
输出:
2021-12-1319:26:28.828[job-0]INFOJobContainer-PerfTracenotenable!2021-12-1319:26:28.829[job-0]INFOStandAloneJobContainerCommunicator-Total100000records,2600000bytes|Speed253.91KB/s,10000records/s|Error0records,0bytes|AllTaskWaitWriterTime0.060s|AllTaskWaitReaderTime0.068s|Percentage100.00%2021-12-1319:26:28.829[job-0]INFOJobContainer-任务启动时刻:2021-12-1319:26:18任务结束时刻:2021-12-1319:26:28任务总计耗时:10s任务平均流量:253.91KB/s记录写入速度:10000rec/s读出记录总数:100000读写失败总数:0
2.DataX 基本使用
查看
streamreader --> streamwriter
的模板:
[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rstreamreader-wstreamwriter
输出:
DataX(DATAX-OPENSOURCE-3.0),FromAlibaba!Copyright(C)2010-2017,AlibabaGroup.AllRightsReserved.Pleaserefertothestreamreaderdocument:https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.mdPleaserefertothestreamwriterdocument:https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.mdPleasesavethefollowingconfigurationasajsonfileandusepython{DATAX_HOME}/bin/datax.py{JSON_FILE_NAME}.jsontorunthejob.{"job":{"content":[{"reader":{"name":"streamreader","parameter":{"column":[],"sliceRecordCount":""}},"writer":{"name":"streamwriter","parameter":{"encoding":"","print":true}}}],"setting":{"speed":{"channel":""}}}}
根据模板编写
json
文件
[root@MySQL-1~]#cat<<END>test.json{"job":{"content":[{"reader":{"name":"streamreader","parameter":{"column":[#同步的列名(*表示所有){"type":"string","value":"Hello."},{"type":"string","value":"河北彭于晏"},],"sliceRecordCount":"3"#打印数量}},"writer":{"name":"streamwriter","parameter":{"encoding":"utf-8",#编码"print":true}}}],"setting":{"speed":{"channel":"2"#并发(即sliceRecordCount*channel=结果)}}}}
输出:(要是复制我上面的话,需要把
#
带的内容去掉)
3.安装 MySQL 数据库
分别在两台主机上安装:
[root@MySQL-1~]#yum-yinstallmariadbmariadb-servermariadb-libsmariadb-devel[root@MySQL-1~]#systemctlstartmariadb#安装MariaDB数据库[root@MySQL-1~]#mysql_secure_installation#初始化NOTE:RUNNINGALLPARTSOFTHISSCRIPTISRECOMMENDEDFORALLMariaDBSERVERSINPRODUCTIONUSE!PLEASEREADEACHSTEPCAREFULLY!Entercurrentpasswordforroot(enterfornone):#直接回车OK,successfullyusedpassword,movingon...Setrootpassword?[Y/n]y#配置root密码Newpassword:Re-enternewpassword:Passwordupdatedsuccessfully!Reloadingprivilegetables.....Success!Removeanonymoususers?[Y/n]y#移除匿名用户...skipping.Disallowrootloginremotely?[Y/n]n#允许root远程登录...skipping.Removetestdatabaseandaccesstoit?[Y/n]y#移除测试数据库...skipping.Reloadprivilegetablesnow?[Y/n]y#重新加载表...Success!
1)准备同步数据(要同步的两台主机都要有这个表)
MariaDB[(none)]>createdatabase`course-study`;QueryOK,1rowaffected(0.00sec)MariaDB[(none)]>createtable`course-study`.t_member(IDint,Namevarchar(20),Emailvarchar(30));QueryOK,0rowsaffected(0.00sec)
因为是使用 DataX 程序进行同步的,所以需要在双方的数据库上开放权限:
grantallprivilegeson*.*toroot@'%'identifiedby'123123';flushprivileges;
2)创建存储过程:
DELIMITER$$CREATEPROCEDUREtest()BEGINdeclareAintdefault1;while(A<3000000)doinsertinto`course-study`.t_membervalues(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));setA=A+1;ENDwhile;END$$DELIMITER;
3)调用存储过程(在数据源配置,验证同步使用):
calltest();
4.通过 DataX 实 MySQL 数据同步
1)生成 MySQL 到 MySQL 同步的模板:
[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rmysqlreader-wmysqlwriter{"job":{"content":[{"reader":{"name":"mysqlreader",#读取端"parameter":{"column":[],#需要同步的列(*表示所有的列)"connection":[{"jdbcUrl":[],#连接信息"table":[]#连接表}],"password":"",#连接用户"username":"",#连接密码"where":""#描述筛选条件}},"writer":{"name":"mysqlwriter",#写入端"parameter":{"column":[],#需要同步的列"connection":[{"jdbcUrl":"",#连接信息"table":[]#连接表}],"password":"",#连接密码"preSql":[],#同步前.要做的事"session":[],"username":"",#连接用户"writeMode":""#操作类型}}}],"setting":{"speed":{"channel":""#指定并发数}}}}
2)编写
json
文件:
[root@MySQL-1~]#viminstall.json{"job":{"content":[{"reader":{"name":"mysqlreader","parameter":{"username":"root","password":"123123","column":["*"],"splitPk":"ID","connection":[{"jdbcUrl":["jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"],"table":["t_member"]}]}},"writer":{"name":"mysqlwriter","parameter":{"column":["*"],"connection":[{"jdbcUrl":"jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8","table":["t_member"]}],"password":"123123","preSql":["truncate t_member"],"session":["set session sql_mode='ANSI'"],"username":"root","writeMode":"insert"}}}],"setting":{"speed":{"channel":"5"}}}}
3)验证
[root@MySQL-1~]#python/usr/local/datax/bin/datax.pyinstall.json
输出:
2021-12-1516:45:15.120[job-0]INFOJobContainer-PerfTracenotenable!2021-12-1516:45:15.120[job-0]INFOStandAloneJobContainerCommunicator-Total2999999records,107666651bytes|Speed2.57MB/s,74999records/s|Error0records,0bytes|AllTaskWaitWriterTime82.173s|AllTaskWaitReaderTime75.722s|Percentage100.00%2021-12-1516:45:15.124[job-0]INFOJobContainer-任务启动时刻:2021-12-1516:44:32任务结束时刻:2021-12-1516:45:15任务总计耗时:42s任务平均流量:2.57MB/s记录写入速度:74999rec/s读出记录总数:2999999读写失败总数:0
你们可以在目的数据库进行查看,是否同步完成。
- 上面的方式相当于是完全同步,但是当数据量较大时,同步的时候被中断,是件很痛苦的事情;
- 所以在有些情况下,增量同步还是蛮重要的。
5.使用 DataX 进行增量同步
使用 DataX 进行全量同步和增量同步的唯一区别就是:增量同步需要使用
where
进行条件筛选。(即,同步筛选后的 SQL)
1)编写
json
文件:
[root@MySQL-1~]#vimwhere.json{"job":{"content":[{"reader":{"name":"mysqlreader","parameter":{"username":"root","password":"123123","column":["*"],"splitPk":"ID","where":"ID <= 1888","connection":[{"jdbcUrl":["jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"],"table":["t_member"]}]}},"writer":{"name":"mysqlwriter","parameter":{"column":["*"],"connection":[{"jdbcUrl":"jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8","table":["t_member"]}],"password":"123123","preSql":["truncate t_member"],"session":["set session sql_mode='ANSI'"],"username":"root","writeMode":"insert"}}}],"setting":{"speed":{"channel":"5"}}}}
- 需要注意的部分就是:
where
(条件筛选) 和preSql
(同步前,要做的事) 参数。
2)验证:
[root@MySQL-1~]#python/usr/local/data/bin/data.pywhere.json
输出:
2021-12-1617:34:38.534[job-0]INFOJobContainer-PerfTracenotenable!2021-12-1617:34:38.534[job-0]INFOStandAloneJobContainerCommunicator-Total1888records,49543bytes|Speed1.61KB/s,62records/s|Error0records,0bytes|AllTaskWaitWriterTime0.002s|AllTaskWaitReaderTime100.570s|Percentage100.00%2021-12-1617:34:38.537[job-0]INFOJobContainer-任务启动时刻:2021-12-1617:34:06任务结束时刻:2021-12-1617:34:38任务总计耗时:32s任务平均流量:1.61KB/s记录写入速度:62rec/s读出记录总数:1888读写失败总数:0
目标数据库上查看:
3)基于上面数据,再次进行增量同步:
主要是where配置:"where":"ID > 1888 AND ID <= 2888"#通过条件筛选来进行增量同步
同时需要将我上面的preSql删除(因为我上面做的操作时truncate表)
版权归原作者 愿许浪尽天涯 所有, 如有侵权,请联系我们删除。