DataX 简介及架构原理

DataX 简介及架构原理

概述

• DataX是阿里巴巴使用 Java 和 Python 开发的一个异构数据源离线同步工具- 异构数据源：不同存储结构的数据源
• 致力于实现包括关系型数据库 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS等各种异结构数据源之间稳定高效的数据同步功能

    - Sqoop 是用于在与 RDBMS 之间数据迁移工具
    - DataX 是阿里开源的一个异构数据源离线同步工具（任意两种数据源之间）

图解

DataX 设计理念

• 1、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链接各种数据源
• 2、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，变能跟已有的数据源做到无缝数据同步

DataX 框架设计

1、DataX 本身作为离线数据同步框架，采用 Framework + plugin 架构构建

• Framework 主题框架+ plugin 插件
• 1、将软件核心功能写入 Framework 主体框架中
• 2、主体框架为插件预留接口，如果后期需要什么新功能，可以再去开发插件实现，而主体框架无需改动

    - 扩展性强
    - 1、数据同步核心功能为主题
    - 2、不断的去新增某数据源的支持，对不同数据源的读取或写入功能，以插件的形式开发 
    - 3、如果需要新功能只需要开发插件即可，不需要动主体框架

2、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

架构功能详解

分类

• 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
• 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

Framework 功能说明

• 缓冲- 1、Reader 和 Writer 可能会有读写速度不一致的情况- 2、所以中间需要一个组件作为缓冲，缓冲的功能就位于 Framework 中
• 流控- 1、流控：控制数据传输的速度- 2、Sqoop不具备流控功能- 3、DataX 可以随意根据需求调整数据传输速度- 4、流控功能也位于 Framework 中
• 并发- 1、并发的同步或写入数据- 2、也可以控制速度，想要速度快点，设置并发高一点，反之亦然
• 数据转换- 1、既然是异构，那么说明读 Reader 的数据源与 写 Writer 的数据源数据结构可能不同- 2、数据结构不同的话，需要做数据转换操作，转换也在 Framework 中完成

DataX 的运行流程

说明

• DataX 作业生命周期的时序图

结构

• 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- 1、根据不同数据源切分策略，一个Job会切分多个Task- 并行执行- 2、Task 是DataX作业的最小单元，每个Task负责一个部分数据的同步工作
• TaskGroup- 1、Scheduler 调度模块会对Task 进行分组，每个Task 组称为一个Task Group- 2、每个Task Group 负责以一定的并发度运行其所分得的Task ，单个TaskGroup的并发为5
• Reader -> Channel -> Writer- 每个Task启动后，都会固定启动 Reader -> Channel -> Writer 的线程来完成工作- Channel 类似于 Flume 中的 MemoryChannel 来做数据的缓冲

具体流程

• 1、DataX同步数据的作业称之为一个Job
• 2、一个Job会根据不同数据源的策略，将Job切分为多个Task
• 3、Task 是执行同步数据作业的最小单元，每个Task会负责一部分的数据同步工作
• 4、多个Task是如何执行的呢，谁先执行谁后执行呢？
• 5、由Schedule 调度模块对Task 进行分组，每个组称之为一个Task Group
• 6、每个组都有一个并发度，一个组的并发度是5
• 7、最多情况下一个Task Group，能够同时运行5 个Task
• 8、每个Task启动后，都会固定启动Reader -> Channel -> Writer 的线程来完成工作

DataX 调度决策思路

案例

- 1、用户提交了一个DataX 作业，并且配置了总的并发度为 20，
- 2、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- 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，- 3、DataX 计算共需要分配 4的Task Group- 4、4个 TaskGroup 平分 100 个Task ，每一个TaskGroup 负责运行 25个Task

描述

• 1、总的并发度为20- 1、整个Job 的并发度- 2、表示整个Job 最多能同时运行 20个Task
• 2、什么是分表- 1、如果 MySQL 中单表的数据量过大，它的性能会急剧下降- 2、解决方法- 1、分表，将一张表的数据分到多张表中- 2、每张表的结构一致- 3、类似于对表做 Hash分区- 3、描述- 1、物理分区，逻辑还是同一张表- 2、所以DataX 需要将每张分表的数据都同步过来

.