浅谈 数仓建设之 数据同步（离线）及 sqoop、flume、dataX 原理简介

简介

在数仓建设中，数据同步是最基础的一步，也是 ods 层数据的来源。数据同步 简而言之，就是把 业务库中的需要分析的数据表（或文件） 同步到 数仓中（hdfs）。

同步的方式可以分为3种：直连同步、数据文件同步、数据库日志解析同步。
下面将进行详细介绍。

详解

1、直连同步

直连同步是指通过定义好的规范接口api 和动态链接库的方式直连业务库。

优点：配置简单，实现容易，比较适合操作型业务系统的数据同步。

缺点：
1、直连的方式对源系统的性能影响较大，甚至可能拖垮业务系统；
2、数据量很大时，性能很差。

2、文件传输

原理：从源系统生成数据的文本文件（比如 csv、json 等），然后由文件服务器（如FTP服务器）传输到目标系统（hdfs），最后加载到数据库系统中。

日志类数据通常以文件的形式存在的，比较适合这种方式。

缺点：通过文件服务器上传、下载容易造成丢包，需要设置校验机制。

3、数据库日志解析同步

实现方式如下：
1、在源系统端，需要收集数据变更日志，将其写到文件中；
2、然后通过网络将文件传输到 目标系统；
3、目标系统解析该文件，然后加载到数据库（hdfs）；

优点：
1、现在主流数据库都支持通过日志文件进行系统恢复，因此可以使用这种方式；
2、读取日志文件属于系统层操作，不会影响到业务库性能；
3、速度快，该方式可以达到 实时/准实时 的同步能力，延迟到毫秒级。

缺点：
1、可能出现数据延迟。业务系统批量写入 导致数据更新量超出系统处理峰值，导致数据延迟；
2、投入大，需要部署一个实时抽取数据的系统；
3、可能会导致数据漂移和遗漏。

主流工具及原理

下面介绍目前用得比较多的工具
1、sqoop

sqoop 是Apache旗下的一款数据同步工具， 它的工作原理属于第一种方式，具体过程如下
1、通过jdbc来获取需要的数据库的元数据信息，例如：导入的表的列名，数据类型；
2、根据 元数据 生成一个与表名相同的 java 类；
3、执行查询数据操作，并根据每一行数据生成一个java对象；
4、开启MapReduce作业，将每个对象反序列化写到 hdfs上。

2、flume
Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。Flume可以采集文件、socket数据包等各种形式源数据，
并输出到：HDFS、hbase、hive、kafka等众多外部存储系统中。也是 apache 旗下的一个项目。

flume数据同步方式属于 第二种，它包含 3个组件：source、channel、sink。

source：主要负责 监控并采集 目标数据文件（比如日志）
channel：可以将它看做一个数据的缓冲区（数据队列），它可以将数据暂存到内存中也可以持久化到本地磁盘上
sink：对接到外部的数据目的地，将数据写到目标系统中。

3、dataX

dataX 是阿里旗下一款开源的 数据同步工具，它的工作原理属于 第三种。它采用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库写日志，将数据发送给Framework。
Writer： 数据写入模块，负责不断向Framework取数据，并根据日志写入到目的端。
Framework：作为reader和writer的数据传输通道，并处理缓冲，流程控制，并发，上下文下载等核心技术问题。

针对不同的数据库，只需要更换相应的 reader/writer 插件即可。全程在内存中运行，支持 单/多线程。

总结

本文主要列举了几种常见的离线开发 数据同步原理 及 目前主流工具，仅作一个简介。

看到这的同学记得点个赞哟，你的支持就是别人的动力~~~