DataX快速入门
DataX快速入门
1.1、DataX概述及安装
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。
概述
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。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。将数据源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。
经过几年积累，DataX目前已经有了比较全面的插件体系，主流的RDBMS数据库、NOSQL、大数据计算系统都已经接入。
DataX目前支持数据参见官网：https://github.com/alibaba/DataX/blob/master/introduction.md。
DataX 3.0 开源版本支持单机多线程模式完成同步作业运行，本小节按一个DataX作业生命周期的时序图，从整体架构设计非常简要说明DataX各个模块相互关系。
核心模块
1. 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、子任务切分(将单一作业计算转化为多个子Task)、 TaskGroup管理等功能。
2. 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的同步工作。
3. 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(任务组)。每一个TaskGroup负责以一定的并发运行完毕分配好的所有Task，默认单个任务组的并发数量为5。
4. 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。
5. 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。
DataX 3.0六大核心优势
- 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
详情见官网(https://github.com/alibaba/DataX/blob/master/introduction.md)
DataX安装配置
DataX官网:https://github.com/alibaba/DataX
前置条件:Linux、JDK(1.8以上，推荐1.8)、Python(推荐Python2.6.X)
DataX的安装比较简单基本上是开箱即用:
1、下载DataX工具包 http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
2、下载后解压至本地某个目录，进入bin目录，即可运行同步作业
配置环境变量 DATAX_HOME
vim /etc/profile
# DATAX_HOME
export DATAX_HOME=/opt/lagou/servers/datax
export PATH=$PATH:$DATAX_HOME/bin
source /etc/profile自检脚本: python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json
3、测试
python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json
1.2、DataX使用案例
Reader插件和Writer插件
DataX3.0版本提供的Reader插件和Writer插件，每种读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、Writer插件的参考文档:https://github.com/alibaba/DataX
json配置文件模板
- 整个配置文件是一个job的描述;
- 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的基本配置
{
"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控和告警，包括对脏数据最大记录数阈值 (record值)或者脏数据占比阈值(percentage值)，当Job传输过程出现的脏数据大于用户指定的数量/百分比，DataX Job报错退出。
应用案例
Stream ===> Stream。stream reader/writer 都用于测试
{
"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": 1
}
}
}
}python $DATAX_HOME/bin/datax.py /data/lagoudw/json/stream2stream.json