大数据-192 DataX - 异构数据源的同步工具 核心模块 Reader Writer

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（已更完）
• ClickHouse（已更完）
• Kudu（已更完）
• Druid（已更完）
• Kylin（已更完）
• Elasticsearch（已更完）
• DataX

章节内容

上节我们完成了如下的内容：

• ES 集群模式
• ES 配置启动
• ES 规划调优

基本概述

DataX是阿里巴巴集团内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的同步问题，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个数据源。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，将数据读取和写入抽象成为Reader/Writer插件，纳入到整个同步框架中。

• 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。

经过多年积累，DataX目前已经有了比较全面的插件体系，主流的RDBMS数据库、NoSQL、大数据计算系统已经接入。

DataX3.0开源版本目前支持单机多线程模式完成同步作业运行：

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、子任务切换（将单一作业计算转换为多个子Task）
• 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同步的工作。
• 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（任何组）。每一个TaskGroup负责以一定的并发运行分配好的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。

核心优势

• 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

官方网站：

https://github.com/alibaba/DataX/blob/master/introduction.md

下载项目

cd /opt/software
wget http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

执行结果如下图所示：

解压配置到server的目录下：

环境变量

vim /etc/profile

# dataxexportDATAX_HOME=/opt/servers/datax
exportPATH=$PATH:$DATAX_HOME/bin

写入内容如下所示：

Reader、Writer

Data3.0提供Reader插件和Writer插件，每种插件都有一种和多种切分策略：

"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、Writter插件的参考文档：

https://github.com/alibaba/DataX

JSON模板

• 整个配置文件就是一个Job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管和告警，包括对脏数据最大记录阈值（record）值或者脏数据占比阈值（percentage），当Job传输过程中出现脏数据大于用户指定的数量、百分比，DataJob报错退出。

应用案例

Stream => Stream

{"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}}}}

执行脚本:

python $DATAX_HOME/bin/datax.py
/data/lagoudw/json/stream2stream.json