datax（三）源码阅读之脚本入口datax.py

目录

一、整体流程

二、获取参数解析器解析参数流程

三、构建启动命令流程

四、总结

---

 

一、整体流程

我们线上使用datax，一般会通过执行datax.py进行datax任务的启动，比如执行如下命令：python datax.py datax.json

我们聚焦到datax.py的main方法：

if __name__ == "__main__":
    printCopyright()    // 1.打印版权信息
    parser = getOptionParser()   // 2.获取参数解析器解析参数
    options, args = parser.parse_args(sys.argv[1:])
    if options.reader is not None and options.writer is not None:
        generateJobConfigTemplate(options.reader,options.writer)
        sys.exit(RET_STATE['OK'])
    if len(args) != 1:
        parser.print_help()
        sys.exit(RET_STATE['FAIL'])

    startCommand = buildStartCommand(options, args)  // 3.构建启动命令
    print startCommand

    child_process = subprocess.Popen(startCommand, shell=True)  // 4.启动java子进程
    register_signal()
    (stdout, stderr) = child_process.communicate()

    sys.exit(child_process.returncode)

我们可以看到总体执行流程分为：

1.打印datax版权信息

2.获取参数解析器解析参数

3.构建启动命令

4.启动java子进程。

这边比较核心的流程是获取参数解析器解析参数和构建启动命令，下面我们着重分析这两个过程。

 

二、获取参数解析器解析参数流程

核心方法是getOptionParser()方法，如下

def getOptionParser():
    usage = "usage: %prog [options] job-url-or-path"
    parser = OptionParser(usage=usage)

    prodEnvOptionGroup = OptionGroup(parser, "Product Env Options",
                                     "Normal user use these options to set jvm parameters, job runtime mode etc. "
                                     "Make sure these options can be used in Product Env.")
    prodEnvOptionGroup.add_option("-j", "--jvm", metavar="", dest="jvmParameters", action="store",
                                  default=DEFAULT_JVM, help="Set jvm parameters if necessary.")
    prodEnvOptionGroup.add_option("--jobid", metavar="", dest="jobid", action="store", default="-1",
                                  help="Set job unique id when running by Distribute/Local Mode.")
    prodEnvOptionGroup.add_option("-m", "--mode", metavar="",
                                  action="store", default="standalone",
                                  help="Set job runtime mode such as: standalone, local, distribute. "
                                       "Default mode is standalone.")
    prodEnvOptionGroup.add_option("-p", "--params", metavar="",
                                  action="store", dest="params",
                                  help='Set job parameter, eg: the source tableName you want to set it by command, '
                                       'then you can use like this: -p"-DtableName=your-table-name", '
                                       'if you have mutiple parameters: -p"-DtableName=your-table-name -DcolumnName=your-column-name".'
                                       'Note: you should config in you job tableName with ${tableName}.')
    prodEnvOptionGroup.add_option("-r", "--reader", metavar="",
                                  action="store", dest="reader",type="string",
                                  help='View job config[reader] template, eg: mysqlreader,streamreader')
    prodEnvOptionGroup.add_option("-w", "--writer", metavar="",
                                  action="store", dest="writer",type="string",
                                  help='View job config[writer] template, eg: mysqlwriter,streamwriter')
    parser.add_option_group(prodEnvOptionGroup)

    devEnvOptionGroup = OptionGroup(parser, "Develop/Debug Options",
                                    "Developer use these options to trace more details of DataX.")
    devEnvOptionGroup.add_option("-d", "--debug", dest="remoteDebug", action="store_true",
                                 help="Set to remote debug mode.")
    devEnvOptionGroup.add_option("--loglevel", metavar="", dest="loglevel", action="store",
                                 default="info", help="Set log level such as: debug, info, all etc.")
    parser.add_option_group(devEnvOptionGroup)
    return parser

可以看到这边使用了python的OptionParser库进行了参数的构建。

关于OptionParser库这里不做说明，可以参考这篇博客：Python optionParser模块的使用方法

第一行的usage定义了datax.py的使用姿势如下：Usage: datax.py [options] job-url-or-path， 其中[options]表示可选参数，我们下面再说；job-url-or-path表示datax的执行json文件的路径，是datax.py的唯一必填参数

后面的代码就是定义了datax.py的可选参数,分成了如下两类：

1、生产环境参数

①-j 或者 --jvm：jvm参数设置

②--jobid ： job唯一id，仅当job的运行模式为Distribute或者Local时必填

③-m 或者 --mode：job运行模式：standalone / local / distribute ,默认为standalone(ps:一般就是standalone模式，生产环境的话可以参考上一篇文章，其实就是standalone模式 + azkaban调度)

④-p 或者 --params : 为datax的json文件设置的动态参数，比如datax的json文件中mysqlReader的table需要外部传入，那就可以在json文件里设置${tableName}，然后datax.py通过-p"-DtableName=your-table-name"进行动态设置

⑤-r 或者 --reader： 获取datax的执行的json模板，这里设置具体的reader，比如mysqlReader

⑥-w 或者 --writer： 获取datax的执行的json模板，这里设置具体的writer，比如streamWriter

注意：-r 和 -w需要同时设置，不然不会打印模板，而是执行job，执行如下图

 

 

 

2、开发环境参数

①-d 或者 --debug : 开启远程debug模式

②--loglevel ：设置日志级别，默认是INFO级别

 

关于远程debug，可以参考下面的博客：

① Intellij IDEA远程debug教程实战和要点总结

② datax debug远程调试

 

 

三、构建启动命令流程

构建启动命令的核心逻辑主要在buildStartCommand()方法，如下

// 全局变量
DATAX_HOME = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))

DATAX_VERSION = 'DATAX-OPENSOURCE-3.0'
if isWindows():
    codecs.register(lambda name: name == 'cp65001' and codecs.lookup('utf-8') or None)
    CLASS_PATH = ("%s/lib/*") % (DATAX_HOME)
else:
    CLASS_PATH = ("%s/lib/*:.") % (DATAX_HOME)
LOGBACK_FILE = ("%s/conf/logback.xml") % (DATAX_HOME)
DEFAULT_JVM = "-Xms1g -Xmx1g -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=%s/log" % (DATAX_HOME)
DEFAULT_PROPERTY_CONF = "-Dfile.encoding=UTF-8 -Dlogback.statusListenerClass=ch.qos.logback.core.status.NopStatusListener -Djava.security.egd=file:///dev/urandom -Ddatax.home=%s -Dlogback.configurationFile=%s" % (
    DATAX_HOME, LOGBACK_FILE)
ENGINE_COMMAND = "java -server ${jvm} %s -classpath %s  ${params} com.alibaba.datax.core.Engine -mode ${mode} -jobid ${jobid} -job ${job}" % (
    DEFAULT_PROPERTY_CONF, CLASS_PATH)
REMOTE_DEBUG_CONFIG = "-Xdebug -Xrunjdwp:transport=dt_socket,server=y,address=9999"



def buildStartCommand(options, args):
    commandMap = {}
    tempJVMCommand = DEFAULT_JVM   // 1. 处理jvm参数
    if options.jvmParameters:     // 1.1 设置jvm参数
        tempJVMCommand = tempJVMCommand + " " + options.jvmParameters

    if options.remoteDebug:   // 1.2 设置远程debug
        tempJVMCommand = tempJVMCommand + " " + REMOTE_DEBUG_CONFIG
        print 'local ip: ', getLocalIp()

    if options.loglevel:      // 1.3 设置日志级别
        tempJVMCommand = tempJVMCommand + " " + ("-Dloglevel=%s" % (options.loglevel))

    if options.mode:
        commandMap["mode"] = options.mode

    # jobResource 可能是 URL，也可能是本地文件路径（相对,绝对）
    jobResource = args[0]     // 2.处理datax的执行json路径参数
    if not isUrl(jobResource): // 2.1 执行json路径支持http url
        jobResource = os.path.abspath(jobResource)  // 2.2 执行json路径本地路径统一为绝对路径
        if jobResource.lower().startswith("file://"):
            jobResource = jobResource[len("file://"):]

    // 3. 处理job的参数
    jobParams = ("-Dlog.file.name=%s") % (jobResource[-20:].replace('/', '_').replace('.', '_'))  // 3.1 处理打印日志的文件名
    if options.params:
        jobParams = jobParams + " " + options.params  // 3.1 处理datax执行json的动态参数

    if options.jobid:
        commandMap["jobid"] = options.jobid

    commandMap["jvm"] = tempJVMCommand
    commandMap["params"] = jobParams
    commandMap["job"] = jobResource

    return Template(ENGINE_COMMAND).substitute(**commandMap)  // 4. 组装java命令

主要流程就像注释里写的那样：

1.处理jvm参数(jvm参数、远程debug参数、日志级别参数)

2.处理datax执行json路径参数(支持http url、本地绝对路径和本地相对路径，其中相对路径会转化为绝对路径进行操作)

3.处理job的参数(job执行日志的文件名、job执行json的动态参数) 

4.组装java命令

 

 

四、总结

根据上面的分析，datax的入口脚本datax.py主要进行了下面的处理流程：

1.打印datax版权信息

2.获取参数解析器解析参数

   2.1 定义脚本必填参数——datax执行json文件的路径

   2.2 定义脚本选填参数——生产环境参数和开发环境参数

3.构建启动命令

   3.1.处理jvm参数(jvm参数、远程debug参数、日志级别参数)

   3.2.处理datax执行json路径参数(支持http url、本地绝对路径和本地相对路径，其中相对路径会转化为绝对路径进行操作)

   3.3.处理job的参数(job执行日志的文件名、job执行json的动态参数) 

   3.4.组装java命令

4.启动java子进程。