DataX在数据迁移中的应用

简介： DataX在数据迁移中的应用

1. DataX定义

===========

首先简单介绍下datax是什么。
DataX是阿里巴巴集团内被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。

1. DataX 商业版本

==============

阿里云DataWorks数据集成是DataX团队在阿里云上的商业化产品，致力于提供复杂网络环境下、丰富的异构数据源之间高速稳定的数据移动能力，以及繁杂业务背景下的数据同步解决方案。目前已经支持云上近3000家客户，单日同步数据超过3万亿条。DataWorks数据集成目前支持离线50+种数据源，可以进行整库迁移、批量上云、增量同步、分库分表等各类同步解决方案。2020年更新实时同步能力，支持10+种数据源的读写任意组合。提供MySQL，Oracle等多种数据源到阿里云MaxCompute，Hologres等大数据引擎的一键全增量同步解决方案。
关于datax的git地址，可参考文后资料了解详情[1]。

2.1 应用案例

接下来介绍下我们在两个项目上的应用案例。

2.1.1 案例一 通过datax协助分析数据同步链路

客户某oracle数据库在迁移上云过程中，使用了某封装好的产品，但是传输效率一直很低，只有6M/s。客户一直怀疑是云内vpc网络瓶颈或rds数据库瓶颈导致，但是实际上，云内网络以及数据库整体处于非常低的负载状态。
由于客户侧的传输工具我们不方便直接拿来测试，所以在ecs上临时部署了datax，来做分析和对照测试；
测试结果如下图所示。

图1：测试结果

常用的优化参数介绍如下：
1.通道（channel）--并发

• 通过测试可知，channel的设置对传输效率的影响较为明显，上述实验中，所有设置为1的，即没有并发的情况下，同步速度均为8.9M/s；将该设置调高之后，速率明显倍增，但增大到一定程度后，瓶颈点就转到其他配置了；

2.切片（splitpk）
Git官方介绍如下：

• 描述：MysqlReader进行数据抽取时，如果指定splitPk，表示用户希望使用splitPk代表的字段进行数据分片，Datax因此会启动并发任务进行数据同步，这样可以大大提高数据同步的效能。
• 推荐splitPk用户使用表主键，因为表主键通常情况下比较均匀，因此切分出来的分片也不容易出现数据热点。
  目前splitPk仅支持整形数据切分，不支持浮点、字符串、日期等其他类型。如果用户指定其他非支持类型，MysqlReader将报错。
  如果splitPk不填写，包括不提供splitPk或者splitPk值为空，DataX视作使用单通道同步该表数据。
• 必选：否
• 默认值：空

实际上，由测试结果可知，切片是要配合channel来使用的，如果只开了splitpk，但是channel的配置为1，同样不会有并发的效果；
3.Batchsize
Git官方介绍如下：

• 描述：一次性批量提交的记录数大小，该值可以极大减少DataX与Mysql的网络交互次数，并提升整体吞吐量。但是该值设置过大可能会造成DataX运行进程OOM情况。
• 必选：否
• 默认值：1024

现场的实际测试效果不明显，主要原因是数据量较小，1c1g配置时，适当提高batch可以提升同步速度。
其他还有很多参数，有待小伙伴们去逐一发掘，或者下次我们用到再给大家分享；
由测试结果可知，项目使用的工具只能同步6m的速率，肯定是远远不足的，性能瓶颈既不在网络上，也不在数据库上，我们只做了部分测试，就发现4c16g的数据库轻轻松松就能达到27M的同步速率。

2.1.2 案例二 datax在数据同步实战中的应用

该案例是客户两朵云之间的数据迁移，客户新建了一朵云，需要把前一朵云上的数据迁移过去；
方案如下：

图2：方案

2.2 部署方式

Datax本身无自动集群化部署，需要逐台手工部署；
15台v2的物理机，空余内存均在150G左右。（因为V2集群即将下线，上述产品无业务，所以利用了闲置的物理机，在物理条件不具备时，可以采用ecs或其他虚拟机。)
机器要求：同步任务启动会占用较多内存，测试平均1个任务占用10G内存（大表）；
单台150G内存可以支持15个并发任务；

2.3 同步方式

2.3.1 数据特点

分类项目数总数据量1T以上project7个97T1T以下project77个15T

• 历史记录表：历史数据，项目数不多，但占用了80%以上的空间；
• 维表+临时表：项目数多，表较小，占用空间占比小；
• 数据特点：客户几十个部门分析报表，小表分区比较多，大表相对少一些；

2.3.2 同步顺序

先同步大表，然后再同步小表；
业务没有同步顺序要求，小表易变，大表稳定，因此优先同步大表；
大表同步需要的手动配置少，也适合前期做好调试；（正式启动同步前的测试不要选太大的表，建议10G-50G，可以测出效率和压力。）

• 优点：机器多，并发高，可以快速压到瓶颈，提升整体同步效率；
• 缺点：Datax为原生的迁移工具，不具备自动化能力，需要人工大量的配置同步任务；

注：建议预留几台机器专门用于多分区小表的同步，剩余其他机器同步大表。

2.4 总结

综上所述，Datax的优势非常明显：

• 首先，部署非常简单，无论是在物理机上或者虚拟机上，只要网络通畅，便可进行数据同步，给实施人员带来了极大的便利，不受标准数据同步产品部署的条框限制；
• 再者，它是开源产品，几乎没有成本；

但是，它的缺点也是显而易见的：

• 开源工具更多的是提供基础能力，并不具备任务管理，进度跟踪、校验等等一系列的功能，只能使用者自己通过脚本或者表格记录，目前暂无白屏；因此注定了它只能作为临时性质的数据同步工具去使用；

所以，业务上有一些规范化管理或者标准化运维的需求时，或者有频繁的、持续的使用数据同步调度的需求时，安全生产是非常重要的，还是推荐大家使用阿里云官方的产品。

1. 写在最后

========

本期给大家介绍了Datax的相关概念，分享了两个案例供大家参考，但是在实际的数据同步过程中仍有非常多的困难和问题，需要对整个数据传输的链路做分析和优化，操作较为繁杂。后续会给大家介绍案例二中的性能瓶颈分析和优化。

作者：陈树昌
原文链接
本文为阿里云原创内容，未经允许不得转载