大数据ETL工具对比（Sqoop, DataX, Kettle）

前言

在实习过程中，遇到了数据库迁移项目，对于数据仓库，大数据集成类应用，通常会采用ETL工具辅助完成，公司和客户使用的比较多的是Sqoop, DataX和Kettle这三种工具。简单的对这三种ETL工具进行一次梳理。
ETL工具，需要完成对源端数据的抽取（exat）， 交互转换(transform)， 加载（load）至目标端的过程。

1. Sqoop

1.1 介绍

Sqoop, SQL to Hadoop, 可以实现SQL 和Hadoop之间的数据转换。
Apache开源的一款在Hadoop和关系数据库服务器之间传输数据的工具，可以将一个关系型数据库（MySQL, Oracle等）中的数据库导入到Hadoop中的HDFS中，也可以将HDFS的数据导出到关系数据库中。
Sqoop命令的底层就是转化为MapReduce程序。 Sqoop分为import和export，策略分为table和query，模式分为增量和全量。

Sqoop支持全量数据导入和增量数据导入，增量数据导入又可以分为两种，一是基于递增列的增量式数据导入（Append），而是基于时间列的增量数据导入（LastModified），另外还可以指定数据是否以并发形式导入。

1.2 特点

1. 可以将关系型数据库中的数据导入hdfs、hive或者hbase等组件中，也可以将hadoop组件中的数据导入到关系型数据库中。
2. Sqoop采用map-reduce计算框架，根据输入条件生成一个map-reduce作业，在hadoop集群中运行。可以在多个节点进行import或者export操作，速度比单节点运行多个并行导入导出效率高，有良好的并发性和容错性。

2. DataX

2.1 介绍

DataX是阿里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。
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，以此实现新数据源与已有数据源之间的无缝数据同步。

DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。将数据源读取和写入抽象为Reader和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。

2.2 特点

1. 异构数据库和文件系统之间的数据交换
2. 采用Framework+plugin架构构建，Framework处理了缓冲，流控，并发，上下文加载等高速数据交换的大部分技术问题，提供了简单的接口与插件交互，插件仅需实现对数据处理系统的访问。
3. 数据传输过程在单进程内完成，全内存操作。
4. 拓展性强，开发者可以开发一个新插件支持新的数据库文件系统。

3. Kettle

3.1 介绍

一款国外开源免费的，可视化的，功能强大的ETL工具，纯Java编写，主流系统上都可以运行，数据抽取高效稳定，支持各种数据源，如关系型数据库、NoSQL、文件。
Kettle现在已经更名为PDI，Pentaho Data Integration-Pentaho数据集成。
kettle的执行分为两个层次：

• Transformatiobn：完成对数据的基本转换。
• Job: 完成整个工作流的控制。

简单理解, 一个转换(Trans)就是一个ETL的过程，而作业（Job）是多个转换的集合， 在作业中可以对转换或作业进行调度，定时任务。

核心组件

• Spoon是一个可视化的EPL设计工具，用户可以使用Spoon中的可视化界面来创建源、目标和转换的连接，以及定义数据集成的转换和逻辑。
• Pan：运行转换的命令工具。
• Kitchen: 运行作业的命令工具。
• Carte: 轻量级别的Web容器，用于建立专用、远程的ETL Server。

3.2 特点

1. 免费开源，可跨平台（因为是纯java编写）
2. 图形界面设计，无需写代码
3. 两种脚本文件，trans负责数据转化，job负责整个工作流的调度控制。
4. 支持作业调度和监控，可以自动化执行数据集成任务。

4. 工具对比

DataX 与 Sqoop

功能DataXSqoop运行模式单进程 多线程MR分布式不支持支持流控有流控功能没有统计信息有部分统计，上报需定制没有数据校验在core部分有没有，分布式数据收集不方便监控需要定制需要定制功能DataXKettle数据源少数关系型数据库和大数据非关系型数据库多数关系型数据库底层架构支持单机部署和集群部署两种方式主从结构非高可用，扩展性差，架构容错性低，不适用大数据场景CDC机离线批处理基于时间戳、触发器等对数据库的影响通过sql select 采集数据，对数据源没有侵入性对数据库表结构有要求，存在一定侵入性数据清洗需要根据自身清晰规则编写清洗脚本，进行调用（DataX3.0 提供的功能）。围绕数据仓库的数据需求进行建模计算，清洗功能相对复杂，需要手动编程抽取速度datax对于数据库压力比较小小数据量的情况下差别不大，大数据量时datax比kettle快。社区活跃度开源软件，社区活跃度高阿里开源，社区活跃度低

总结

1. DataX和Kettle都是通用的数据集成工具，支持多种数据源和目标，提供了强大的数据转换和清洗功能。
2. DataX和Kettle的区别在于开发者和用户群体，DataX在阿里巴巴内部得到广泛应用，而Kettle则是一个独立的开源项目。
3. Sqoop主要用于Hadoop和关系型数据库之间的数据传输，适用于大规模数据的导入导出任务。