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

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：

1. tar  -zxvf  xxx.tar.gz

复制代码

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

1.  python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json

复制代码

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

1. {
2.     "job": {
3.         "setting": {
4.             "speed": {
5.                 "channel": 3
6.             },
7.             "errorLimit": {
8.                 "record": 0,
9.                 "percentage": 0.02
10.             }
11.         },
12.         "content": [
13.             {
14.                 "reader": {
15.                     "name": "mysqlreader",
16.                     "parameter": {
17.                         "username": "xxx",
18.                         "password": "xxx",
19.                         "column": [
20.                             "id",
21.                             "name"
22.                         ],
23.                         "splitPk": "id",
24.                         "connection": [
25.                             {
26.                                 "table": [
27.                                     "table_name"
28.                                 ],
29.                                 "jdbcUrl": [
30.                                     "jdbc:mysql://192.168.1.xxx:xxx/db_name"
31.                                 ]
32.                             }
33.                         ]
34.                     }
35.                 },
36.                 "writer": {
37.                     "name": "clickhousewriter",
38.                     "parameter": {
39.                         "username": "xxx",
40.                         "password": "xxx",
41.                         "column": [
42.                             "id",
43.                             "ame"
44.                         ],
45.                         "connection": [
46.                             {
47.                                 "jdbcUrl": "jdbc:clickhouse://192.168.1.xxx:xxx/table_name",
48.                                 "table": [
49.                                     "table_name"
50.                                 ]
51.                             }
52.                         ],
53.                         "preSql": [],
54.                         "postSql": [],
55.                         "batchSize": 65536,
56.                         "batchByteSize": 134217728,
57.                         "dryRun": false,
58.                         "writeMode": "insert"
59.                     }
60.                 }
61.             }
62.         ]
63.     }
64. }

复制代码

• 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

1. python bin/datax.py    job/mysql-to-clickhouse.json

复制代码

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。

1. 2024-05-16 16:24:57.312 [job-0] INFO  JobContainer -
2. 任务启动时刻                    : 2024-05-16 16:24:38
3. 任务结束时刻                    : 2024-05-16 16:24:57
4. 任务总计耗时                    :                 18s
5. 任务平均流量                    :            2.21MB/s
6. 记录写入速度                    :         142425rec/s
7. 读出记录总数                    :             1424252
8. 读写失败总数                    :                   0

复制代码

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：

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。