阿里DataX极简教程
目次[*]简介
[*]工作流程
[*]核心架构
[*]核心模块介绍
[*]DataX调度流程
[*]支持的数据
[*]实践
[*]下载
[*]情况
[*]执行流程
[*]引用
简介
DataX是一个数据同步工具，可以将数据从一个地方读取出来并以极快的速度写入另外一个地方。常见的如将mysql中的数据同步到另外一个mysql中，大概另外一个mongodb中。
工作流程
[*]read：设置一个源，DataX从源读取数据
[*]write：设置一个目标地，DataX将读取到的数据写入目标地
[*]setting：同步设置，如设置并发通道、控制作业速度等
[*]Framework：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标题
[*]多线程：充分利用多线程来处理同步任务
核心架构
https://img2024.cnblogs.com/blog/718864/202405/718864-20240516173249009-1393807938.png
核心模块介绍
1：DataX完成单个数据同步的作业，我们称之为Job，DataX担当到一个Job之后，将启动一个历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(将单一作业盘算转化为多个子Task)、TaskGroup管理等功能。
2：DataXJob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全部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监控并等候多个TaskGroup模块任务完成，等候全部TaskGroup任务完成后Job成功退出。否则，异常退出，历程退出值非0
DataX调度流程
举例来说，用户提交了一个DataX作业，而且配置了20个并发，目标是将一个100张分表的mysql数据同步到odps内里。 DataX的调度决议思路是：
[*]DaXJob根据分库分表切分成了100个Task。
[*]根据20个并发，DataX盘算共须要分配4个TaskGroup。
[*]4个TaskGroup平分切分好的100个Task，每一个TaskGroup负责以5个并发共计运行25个Task。
支持的数据
类型数据源Reader(读)Writer(写)文档RDBMS 关系型数据库MySQL√√读 、写Oracle√√读 、写OceanBase√√读 、写SQLServer√√读 、写PostgreSQL√√读 、写DRDS√√读 、写达梦√√读 、写通用RDBMS(支持全部关系型数据库)√√读 、写阿里云数仓数据存储ODPS√√读 、写ADS√写OSS√√读 、写OCS√√读 、写NoSQL数据存储OTS√√读 、写Hbase0.94√√读 、写Hbase1.1√√读 、写MongoDB√√读 、写Hive√√读 、写无结构化数据存储TxtFile√√读 、写FTP√√读 、写HDFS√√读 、写Elasticsearch√写实践
作为极简教程，本文将从mysql中读取一张表的数据，然后同步到clickhouse中。
下载
打开该项目标Github 首页进行下载：https://github.com/alibaba/DataX
下载链接：https://datax-opensource.oss-cn-hangzhou.aliyuncs.com/202308/datax.tar.gz
下载下来是一个tar.gz的包，windows下解压下令：
tar-zxvfxxx.tar.gz程序目次：
[*]bin：利用内里的 datax.py 来启动程序
[*]job：内里放了一个job.json，用来检查运行情况，一般的建议下载完毕之后执行一次。
[*]log：存放执行日志
[*]plugin：插件集，插件分为read和write，分别对应datax可支持的数据库
[*]其他目次：......
情况
DataX是基于python和java的，须要呆板拥有python和java 的运行情况。
在下载完毕后，通过执行自检脚本，可确认情况是否精确
python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json执行流程
编写同步任务配置文件，在job目次中创建 mysql-to-clickhouse.json 文件，并填入如下内容
{
"job": {
"setting": {
"speed": {
"channel": 3
},
"errorLimit": {
"record": 0,
"percentage": 0.02
}
},
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"username": "xxx",
"password": "xxx",
"column": [
"id",
"name"
],
"splitPk": "id",
"connection": [
{
"table": [
"table_name"
],
"jdbcUrl": [
"jdbc:mysql://192.168.1.xxx:xxx/db_name"
]
}
]
}
},
"writer": {
"name": "clickhousewriter",
"parameter": {
"username": "xxx",
"password": "xxx",
"column": [
"id",
"ame"
],
"connection": [
{
"jdbcUrl": "jdbc:clickhouse://192.168.1.xxx:xxx/table_name",
"table": [
"table_name"
]
}
],
"preSql": [],
"postSql": [],
"batchSize": 65536,
"batchByteSize": 134217728,
"dryRun": false,
"writeMode": "insert"
}
}
}
]
}
}
[*]job：一个job包含两个部分，setting中设置任务的执行速度，错误限制等，content中是任务具体的形貌。
[*]reader：任务的数据输入源
[*]writer：任务的数据输出源
根据任务配置文件启动datax，先cd到datax的根目次
python bin/datax.py job/mysql-to-clickhouse.json运行上述下令后，任务就开启了。本例从mysql数据库中的一张表中读取了两个字段（id，name），然后同步到clickhouse中，clickhouse中须要先创建同样的库，表和列。
任务执行非常快，140W数据仅用了 18s 就完成了同步。
2024-05-16 16:24:57.312 INFO JobContainer -
任务启动时刻 : 2024-05-16 16:24:38
任务结束时刻 : 2024-05-16 16:24:57
任务总计耗时 : 18s
任务平均流量 : 2.21MB/s
记录写入速度 : 142425rec/s
读出记录总数 : 1424252
读写失败总数 : 0引用
[*]readme：https://github.com/alibaba/DataX
[*]introduction：https://github.com/alibaba/DataX/blob/master/introduction.md
技术交流QQ群：1158377441 欢迎关注我的微信公众号【TechnologyRamble】，后续博文将在公众号首发： http://rs0olhmsj.hb-bkt.clouddn.com/gzh/%E5%85%AC%E4%BC%97%E5%8F%B7%E6%90%9C%E4%B8%80%E6%90%9C.png
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]