5、DataX（DataX简介、DataX架构原理、DataX部署、利用、同步MySQL数据到HD ...

1、DataX简介

1.1 DataX概述

1. DataX 是阿里巴巴开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

复制代码

源码地址：https://github.com/alibaba/DataX
1.2 DataX支持的数据源

DataX现在已经有了比较全面的插件体系，主流的RDBMS数据库、NOSQL、大数据盘算系统都已经接入，现在支持数据如下图。

2、DataX架构原理

2.1 DataX设计理念

为相识决异构数据源同步问题，DataX将复杂的网状的同步链路酿成了星型数据链路，DataX作为中间传输载体负责毗连各种数据源。当需要接入一个新的数据源的时间，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。

2.2 DataX框架设计

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，并将数据写入到目标端。
Framework：用于毗连Reader和Writer，作为两者的数据传输通道，并处理缓存，流控，并发，数据转换等核心技术问题。
2.3 DataX运行流程

下面用一个DataX作业生命周期的时序图说明DataX的运行流程、核心概念以及每个概念之间的关系。

2.4 DataX调理决策思路

举例来说，用户提交了一个DataX作业，并且配置了总的并发度为20，目标是对一个有100张分表的mysql数据源举行同步。DataX的调理决策思路是：
1）DataX Job根据分库分表切分策略，将同步工作分成100个Task。
2）根据配置的总的并发度20，以及每个Task Group的并发度5，DataX盘算共需要分配4个TaskGroup。
3）4个TaskGroup中分100个Task，每一个TaskGroup负责运行25个Task。
2.5 DataX和Sqoop对比

3、DataX部署

1、下载DataX安装包并上传到hadoop102的/opt/software
下载地址：http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
2、解压datax.tar.gz到/opt/module

1. tar -zxvf datax.tar.gz -C /opt/module/

复制代码

3、自检，执行如下命令

1. python /opt/module/datax/bin/datax.py /opt/module/datax/job/job.json

复制代码

4、出现如下内容，则表明安装乐成

4、DataX利用

4.1 DataX利用概述

4.1.1 DataX任务提交命令

Datax的利用非常简单，用户只需要根据本身同步数据的数据源和目标地选择相应的Reader和Writer，并将Reader和Writer的信息配置在一个json文件中，然后执行如下命令提交数据同步任务即可。

1. python bin/datax.py path/to/your/job.json

复制代码

4.1.2 DataX配置文件格式

可以利用如下定名检察DataX配置文件模板。

1. python bin/datax.py -r mysqlreader -w hdfswriter

复制代码

配置文件模板如下，json最外层是一个job，job包罗setting和content两部门，其中setting用于对整个job举行配置，content用户配置数据源和目标地。

4.2 同步MySQL数据到HDFS案例

案例要求：同步gmall数据库中base_province表数据到HDFS的/base_province目次
需求分析：要实现该功能，需选用MySQLReader和HDFSWriter，MySQLReader具有两种模式分别是TableMode和QuerySQLMode，前者利用table，column，where等属性声明需要同步的数据；后者利用一条SQL查询语句声明需要同步的数据。
下面分别利用两种模式举行演示。
4.2.1 MySQLReader之TableMode

1、编写配置文件
（1）创建配置文件base_province.json

1. vim /opt/module/datax/job/base_province.json

复制代码

（2）配置文件内容如下

1. {
2.     "job": {
3.         "content": [
4.             {
5.                 "reader": {
6.                     "name": "mysqlreader",
7.                     "parameter": {
8.                         "column": [
9.                             "id",
10.                             "name",
11.                             "region_id",
12.                             "area_code",
13.                             "iso_code",
14.                             "iso_3166_2"
15.                         ],
16.                         "where": "id>=3",
17.                         "connection": [
18.                             {
19.                                 "jdbcUrl": [
20.                                     "jdbc:mysql://hadoop102:3306/gmall"
21.                                 ],
22.                                 "table": [
23.                                     "base_province"
24.                                 ]
25.                             }
26.                         ],
27.                         "password": "000000",
28.                         "splitPk": "",
29.                         "username": "root"
30.                     }
31.                 },
32.                 "writer": {
33.                     "name": "hdfswriter",
34.                     "parameter": {
35.                         "column": [
36.                             {
37.                                 "name": "id",
38.                                 "type": "bigint"
39.                             },
40.                             {
41.                                 "name": "name",
42.                                 "type": "string"
43.                             },
44.                             {
45.                                 "name": "region_id",
46.                                 "type": "string"
47.                             },
48.                             {
49.                                 "name": "area_code",
50.                                 "type": "string"
51.                             },
52.                             {
53.                                 "name": "iso_code",
54.                                 "type": "string"
55.                             },
56.                             {
57.                                 "name": "iso_3166_2",
58.                                 "type": "string"
59.                             }
60.                         ],
61.                         "compress": "gzip",
62.                         "defaultFS": "hdfs://hadoop102:8020",
63.                         "fieldDelimiter": "\t",
64.                         "fileName": "base_province",
65.                         "fileType": "text",
66.                         "path": "/base_province",
67.                         "writeMode": "append"
68.                     }
69.                 }
70.             }
71.         ],
72.         "setting": {
73.             "speed": {
74.                 "channel": 1
75.             }
76.         }
77.     }
78. }

复制代码

2、配置文件说明
（1）Reader参数说明

（2）Writer参数说明

注意事项：
HFDS Writer并未提供nullFormat参数：也就是用户并不能自界说null值写到HFDS文件中的存储格式。默认情况下，HFDS Writer会将null值存储为空字符串（‘’），而Hive默认的null值存储格式为\N。所以后期将DataX同步的文件导入Hive表就会出现问题。
（3）Setting参数说明

3、提交任务
（1）在HDFS创建/base_province目次
利用DataX向HDFS同步数据时，需确保目标路径已存在

1. hadoop fs -mkdir /base_province

复制代码

（2）进入DataX根目次
（3）执行如下命令

1. python bin/datax.py job/base_province.json

复制代码

4、检察结果
（1）DataX打印日志

（2）检察HDFS文件

1. hadoop fs -cat /base_province/* | zcat

复制代码

4.2.2 MySQLReader之QuerySQLMode

1、编写配置文件
（1）修改配置文件base_province.json
（2）配置文件内容如下

1. {
2.     "job": {
3.         "content": [
4.             {
5.                 "reader": {
6.                     "name": "mysqlreader",
7.                     "parameter": {
8.                         "connection": [
9.                             {
10.                                 "jdbcUrl": [
11.                                     "jdbc:mysql://hadoop102:3306/gmall"
12.                                 ],
13.                                 "querySql": [
14.                                     "select id,name,region_id,area_code,iso_code,iso_3166_2 from base_province where id>=3"
15.                                 ]
16.                             }
17.                         ],
18.                         "password": "000000",
19.                         "username": "root"
20.                     }
21.                 },
22.                 "writer": {
23.                     "name": "hdfswriter",
24.                     "parameter": {
25.                         "column": [
26.                             {
27.                                 "name": "id",
28.                                 "type": "bigint"
29.                             },
30.                             {
31.                                 "name": "name",
32.                                 "type": "string"
33.                             },
34.                             {
35.                                 "name": "region_id",
36.                                 "type": "string"
37.                             },
38.                             {
39.                                 "name": "area_code",
40.                                 "type": "string"
41.                             },
42.                             {
43.                                 "name": "iso_code",
44.                                 "type": "string"
45.                             },
46.                             {
47.                                 "name": "iso_3166_2",
48.                                 "type": "string"
49.                             }
50.                         ],
51.                         "compress": "gzip",
52.                         "defaultFS": "hdfs://hadoop102:8020",
53.                         "fieldDelimiter": "\t",
54.                         "fileName": "base_province",
55.                         "fileType": "text",
56.                         "path": "/base_province",
57.                         "writeMode": "append"
58.                     }
59.                 }
60.             }
61.         ],
62.         "setting": {
63.             "speed": {
64.                 "channel": 1
65.             }
66.         }
67.     }
68. }

复制代码

2、配置文件说明
（1）Reader参数说明

3、提交任务
（1）清空历史数据

1. hadoop fs -rm -r -f /base_province/*

复制代码

（2）进入DataX根目次
（3）执行如下命令

1. python bin/datax.py job/base_province.json

复制代码

4、检察结果
（1）DataX打印日志

（2）检察HDFS文件

1. hadoop fs -cat /base_province/* | zcat

复制代码

4.2.3 DataX传参

通常情况下，离线数据同步任务需要逐日定时重复执行，故HDFS上的目标路径通常会包罗一层日期，以对逐日同步的数据加以区分，也就是说逐日同步数据的目标路径不是固定不变的，因此DataX配置文件中HDFS Writer的path参数的值应该是动态的。为实现这一结果，就需要利用DataX传参的功能。
DataX传参的用法如下，在JSON配置文件中利用${param}引用参数，在提交任务时利用-p"-Dparam=value"传入参数值，具体示比方下。
1、编写配置文件
（1）修改配置文件base_province.json
（2）配置文件内容如下

1. {
2.     "job": {
3.         "content": [
4.             {
5.                 "reader": {
6.                     "name": "mysqlreader",
7.                     "parameter": {
8.                         "connection": [
9.                             {
10.                                 "jdbcUrl": [
11.                                     "jdbc:mysql://hadoop102:3306/gmall"
12.                                 ],
13.                                 "querySql": [
14.                                     "select id,name,region_id,area_code,iso_code,iso_3166_2 from base_province where id>=3"
15.                                 ]
16.                             }
17.                         ],
18.                         "password": "000000",
19.                         "username": "root"
20.                     }
21.                 },
22.                 "writer": {
23.                     "name": "hdfswriter",
24.                     "parameter": {
25.                         "column": [
26.                             {
27.                                 "name": "id",
28.                                 "type": "bigint"
29.                             },
30.                             {
31.                                 "name": "name",
32.                                 "type": "string"
33.                             },
34.                             {
35.                                 "name": "region_id",
36.                                 "type": "string"
37.                             },
38.                             {
39.                                 "name": "area_code",
40.                                 "type": "string"
41.                             },
42.                             {
43.                                 "name": "iso_code",
44.                                 "type": "string"
45.                             },
46.                             {
47.                                 "name": "iso_3166_2",
48.                                 "type": "string"
49.                             }
50.                         ],
51.                         "compress": "gzip",
52.                         "defaultFS": "hdfs://hadoop102:8020",
53.                         "fieldDelimiter": "\t",
54.                         "fileName": "base_province",
55.                         "fileType": "text",
56.                         "path": "/base_province/${dt}",
57.                         "writeMode": "append"
58.                     }
59.                 }
60.             }
61.         ],
62.         "setting": {
63.             "speed": {
64.                 "channel": 1
65.             }
66.         }
67.     }
68. }

复制代码

2、提交任务
（1）创建目标路径

1. hadoop fs -mkdir /base_province
2. /2020-06-14

复制代码

（2）进入DataX根目次
（3）执行如下命令

1. python bin/datax.py -p"-Ddt=2020-06-14" job/base_province.json

复制代码

3、检察结果

1. hadoop fs -ls /base_province

复制代码

4.3 同步HDFS数据到MySQL案例

案例要求：同步HDFS上的/base_province目次下的数据到MySQL gmall 数据库下的test_province表。
需求分析：要实现该功能，需选用HDFSReader和MySQLWriter。
1、编写配置文件
（1）创建配置文件test_province.json
（2）配置文件内容如下

1. {
2.     "job": {
3.         "content": [
4.             {
5.                 "reader": {
6.                     "name": "hdfsreader",
7.                     "parameter": {
8.                         "defaultFS": "hdfs://hadoop102:8020",
9.                         "path": "/base_province",
10.                         "column": [
11.                             "*"
12.                         ],
13.                         "fileType": "text",
14.                         "compress": "gzip",
15.                         "encoding": "UTF-8",
16.                         "nullFormat": "\\N",
17.                         "fieldDelimiter": "\t",
18.                     }
19.                 },
20.                 "writer": {
21.                     "name": "mysqlwriter",
22.                     "parameter": {
23.                         "username": "root",
24.                         "password": "000000",
25.                         "connection": [
26.                             {
27.                                 "table": [
28.                                     "test_province"
29.                                 ],
30.                                 "jdbcUrl": "jdbc:mysql://hadoop102:3306/gmall?useUnicode=true&characterEncoding=utf-8"
31.                             }
32.                         ],
33.                         "column": [
34.                             "id",
35.                             "name",
36.                             "region_id",
37.                             "area_code",
38.                             "iso_code",
39.                             "iso_3166_2"
40.                         ],
41.                         "writeMode": "replace"
42.                     }
43.                 }
44.             }
45.         ],
46.         "setting": {
47.             "speed": {
48.                 "channel": 1
49.             }
50.         }
51.     }
52. }

复制代码

2、配置文件说明
（1）Reader参数说明

（2）Writer参数说明

3、提交任务
（1）在MySQL中创建gmall.test_province表

1. DROP TABLE IF EXISTS `test_province`;
2. CREATE TABLE `test_province`  (
3.   `id` bigint(20) NOT NULL,
4.   `name` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
5.   `region_id` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
6.   `area_code` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
7.   `iso_code` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
8.   `iso_3166_2` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
9.   PRIMARY KEY (`id`)
10. ) ENGINE = InnoDB CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Dynamic;

复制代码

（2）进入DataX根目次
（3）执行如下命令

1. python bin/datax.py job/test_province.json

复制代码

4、检察结果
（1）DataX打印日志
（2）检察MySQL目标表数据

5、DataX优化

5.1 速度控制

DataX3.0提供了包括通道(并发)、记录流、字节省三种流控模式，可以随意控制你的作业速度，让你的作业在数据库可以蒙受的范围内达到最佳的同步速度。

注意事项：
1.若配置了总record限速，则必须配置单个channel的record限速
2.若配置了总byte限速，则必须配置单个channe的byte限速
3.若配置了总record限速和总byte限速，channel并发数参数就会失效。因为配置了总record限速和总byte限速之后，现实channel并发数是通过盘算得到的：
盘算公式为:
min(总byte限速/单个channel的byte限速，总record限速/单个channel的record限速)
5.2 内存调解

当提升DataX Job内Channel并发数时，内存的占用会明显增加，因为DataX作为数据交换通道，在内存中会缓存较多的数据。比方Channel中会有一个Buffer，作为临时的数据交换的缓冲区，而在部门Reader和Writer的中，也会存在一些Buffer，为了防止OOM等错误，需调大JVM的堆内存。
发起将内存设置为4G或者8G，这个也可以根据现实情况来调解。
调解JVM xms xmx参数的两种方式：一种是直接更改datax.py脚本；另一种是在启动的时间，加上对应的参数，如下：
python datax/bin/datax.py --jvm=“-Xms8G -Xmx8G” /path/to/your/job.json

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。