异构数据源海量数据交换工具-Taobao DataX 下载和使用
异构数据源海量数据交换工具-Taobao DataX 下载和使用
DataX介绍
DataX是一个在异构的数据库/文件系统之间高速交换数据的工具，实现了在任意的数据处理系统(RDBMS/Hdfs/Local filesystem）之间的数据交换。
目前成熟的数据导入导出工具比较多，但是一般都只能用于数据导入或者导出，并且只能支持一个或者几个特定类型的数据库。
这样带来的一个问题是，如果我们拥有很多不同类型的数据库/文件系统(Mysql/Oracle/Rac/Hive/Other…)，
并且经常需要在它们之间导入导出数据，那么我们可能需要开发/维护/学习使用一批这样的工具(jdbcdump/dbloader/multithread/getmerge+sqlloader/mysqldumper…)。而且以后每增加一种库类型，我们需要的工具数目将线性增长。(当我们需要将mysql的数据导入oracle的时候，有没有过想从jdbcdump和dbloader上各掰下来一半拼在一起到冲动？)这些工具有些使用文件中转数据，有些使用管道，不同程度的为数据中转带来额外开销，效率差别很非常大。
很多工具也无法满足ETL任务中常见的需求，比如日期格式转化，特性字符的转化，编码转换。
另外，有些时候，我们希望在一个很短的时间窗口内，将一份数据从一个数据库同时导出到多个不同类型的数据库。
DataX正是为了解决这些问题而生。
datax
DataX特点
- 在异构的数据库/文件系统之间高速交换数据
- 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
- 运行模式：stand-alone
- 数据传输过程在单进程内完成，全内存操作，不读写磁盘，也没有IPC
- 开放式的框架，开发者可以在极短的时间开发一个新插件以快速支持新的数据库/文件系统。（具体参见《DataX插件开发指南》）
DataX结构模式（框架+插件）
DataX架构模式
- Job: 一道数据同步作业
- Splitter: 作业切分模块，将一个大任务与分解成多个可以并发的小任务.
- Sub-job： 数据同步作业切分后的小任务
- Reader(Loader): 数据读入模块，负责运行切分后的小任务，将数据从源头装载入DataX
- Storage: Reader和Writer通过Storage交换数据
- Writer(Dumper): 数据写出模块，负责将数据从DataX导入至目的数据地
DataX框架内部通过双缓冲队列、线程池封装等技术，集中处理了高速数据交换遇到的问题，提供简单的接口与插件交互，插件分为Reader和Writer两类，基于框架提供的插件接口，可以十分便捷的开发出需要的插件。
比如想要从oracle导出数据到mysql，那么需要做的就是开发出OracleReader和MysqlWriter插件，装配到框架上即可。并且这样的插件一般情况下在其他数据交换场合是可以通用的。
更大的惊喜是我们已经开发了如下插件：
Reader插件
hdfsreader : 支持从hdfs文件系统获取数据。
mysqlreader: 支持从mysql数据库获取数据。
sqlserverreader: 支持从sqlserver数据库获取数据。
oraclereader : 支持从oracle数据库获取数据。
streamreader: 支持从stream流获取数据（常用于测试）
httpreader : 支持从http URL获取数据。
Writer插件
hdfswriter：支持向hdbf写入数据。
mysqlwriter：支持向mysql写入数据。
oraclewriter：支持向oracle写入数据。
streamwriter：支持向stream流写入数据。（常用于测试）
您可以按需选择使用或者独立开发您自己的插件 (具体参见《DataX插件开发指南》)
DataX在淘宝的运用
数据同步工具归一化为DataX后，大大提高了用户拖表数据速度和内存利用率， 同时针对归一化后的DataX工具，我们能够做到更好应对mysql切库、数据同步监控等以前零散工具下很难完成的运维任务。
下面是部分工具替换后的比对情况：
DataX
下面是我将DataX源码编译后的配置和使用示例（下载地址在文章最后面）：
环境需求：
1. java >= 1.7 python >= 2.7
2. 如果使用Oracle，需要安装Oracle客户端;
3. 如果使用HDFS,需要确保hadoop命令行可用;同时请确保在执行DataX的用户/home目录下，链接Hadoop config目录文件，在用户目录下执行: ln -s /home/$user/config hadoop-configure-目录
4. 默认安装到/home/taobao/datax 目录, 最好使用root用户安装，因为还有其他权限问题;
安装:
1. 先安装Datax engine
rpm -ivh t_dp_datax_engine-1.0.0-1.noarch.rpm
安装之后，/home/taobao/datax目录结构如下：
datax安装
2. 安装需要的读写插件，比如，我需要在HDFS和Mysql之间的数据传输，则需要装HDFS的读写插件和Mysql的读写插件：
rpm -ivh t_dp_datax_hdfsreader-1.0.0-1.noarch.rpm
rpm -ivh t_dp_datax_hdfswriter-1.0.0-1.noarch.rpm
rpm -ivh t_dp_datax_mysqlreader-1.0.0-1.noarch.rpm
rpm -ivh t_dp_datax_mysqlwriter-1.0.0-1.noarch.rpm
成功安装之后，/home/taobao/datax下多了plugins/目录，再往下，是reader和writer目录，分别用来存放读插件和写插件，如图：
datax读写插件
配置(以mysql数据导入hdfs为例)
1.建立Hadoop配置文件目录的链接（执行任务的用户为lxw1234 ）,切换到lxw1234用户，执行：
ln -s /usr/local/hadoop-0.20.2/conf /home/lxw1234/config
如图：
datax配置
2. 生成job配置文件
进入：/home/taobao/datax/bin/,
执行：./datax.py –e
屏幕显示如下图:
datax配置
列出了可用的数据源类型（之前安装了hdfs和mysql的reader插件，因此这里显示这两种数据源），选择1（mysql），如图：
datax配置
列出了可用的数据目标类型（同理，显示hdfs和mysql），选择0（hdfs），如图：
datax配置
生成了job的配置文件/home/taobao/datax/jobs/mysqlreader_to_hdfswriter_1432867511409.xml
3. 编辑job配置文件
vi /home/taobao/datax/jobs/mysqlreader_to_hdfswriter_1432867511409.xml
其他reader参数可参考使用手册中的说明。
//Hadoop的认证配置，如果没有，就不需要配置；
//Hadoop的配置文件目录
//往hdfs的哪个目录下写数据
//写入文件的列分隔符
//写入hdfs的文件类型
//写并发，每个并发生成一个文件
其他writer参数可参考使用手册中的说明。
执行：
1. 进入：/home/taobao/datax/bin/,
执行：./datax.py /home/taobao/datax/jobs/mysqlreader_to_hdfswriter_1432867511409.xml
运行结果如图：
datax执行
datax执行
datax执行
执行完后，查看hdfs上生成的文件：
datax执行
说明：
1. datax中还有很多扩展属性，如：动态参数、动态序列、读写并发等，详见文档说明;
2. 后续其他job，可直接复制修改之前的job配置文件，然后执行即可;
3. hdfs reader和writer插件使用的hadoop jar包版本较低hadoop-0.19.2-core.jar（见/home/taobao/datax/plugins/writer/hdfswriter和/home/taobao/datax/plugins/reader/hdfsreader），使用hdfs插件时候，需要将你的hadoop jar包拷贝至插件目录，比如，我使用的hadoop版本为hadoop-core-0.20.2-cdh3u2.jar，将该jar包拷贝至hdfs插件目录，并删除原来的hadoop-0.19.2-core.jar;
相关下载
阿里最新开源的DataX3.0版本。
https://github.com/alibaba/DataX
里面有详细安装配置文档。
数据交换是大数据平台中的一个重要模块，另一个重要模块就是任务调度监控
后续将持续介绍我自己大数据分析平台的构建经验，请关注我的博客。
更新： 请参考阿里最新开源的DataX3.0版本。
https://github.com/alibaba/DataX
如果觉得本博客对您有帮助，请 赞助作者 。