DataX快速入门

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

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。
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。
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。
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。
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

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

1	tar -zxvf /opt/lagou/software/datax.tar.gz -C /opt/lagou/servers/

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

1 2	cd /opt/lagou/servers/datax/bin python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json

自检脚本： python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json

1. 测试

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。