DataX工具有什么用

小編給大家分享一下DataX工具有什么用，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

一、DataX工具簡介

1、設計理念

DataX是一個異構數據源離線同步工具，致力于實現包括關系型數據庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構數據源之間穩定高效的數據同步功能。解決異構數據源同步問題，DataX將復雜的網狀的同步鏈路變成了星型數據鏈路，DataX作為中間傳輸載體負責連接各種數據源。當需要接入一個新的數據源的時候，只需要將此數據源對接到DataX，便能跟已有的數據源做到無縫數據同步。

絮叨一句：異構數據源指，為了處理不同種類的業務，使用不同的數據庫系統存儲數據。

2、組件結構

DataX本身作為離線數據同步框架，采用Framework+plugin架構構建。將數據源讀取和寫入抽象成為Reader和Writer插件，納入到整個同步框架中。

• Reader

Reader為數據采集模塊，負責讀取采集數據源的數據，將數據發送給Framework。

• Writer

Writer為數據寫入模塊，負責不斷向Framework取數據，并將數據寫入到目的端。

• Framework

Framework用于連接reader和writer，作為兩者的數據傳輸通道，并處理緩沖，流控，并發，數據轉換等核心技術問題。

3、架構設計

• Job

DataX完成單個數據同步的作業，稱為Job，DataX接受到一個Job之后，將啟動一個進程來完成整個作業同步過程。Job模塊是單個作業的中樞管理節點，承擔了數據清理、子任務切分(將單一作業計算轉化為多個子Task)、TaskGroup管理等功能。

• Split

DataXJob啟動后，會根據不同的源端切分策略，將Job切分成多個小的Task(子任務)，以便于并發執行。Task便是DataX作業的最小單元，每一個Task都會負責一部分數據的同步工作。

• Scheduler

切分多個Task之后，Job會調用Scheduler模塊，根據配置的并發數據量，將拆分成的Task重新組合，組裝成TaskGroup(任務組)。

• TaskGroup

每一個TaskGroup負責以一定的并發運行完畢分配好的所有Task，默認單個任務組的并發數量為5。每一個Task都由TaskGroup負責啟動，Task啟動后，會固定啟動Reader—>Channel—>Writer的線程來完成任務同步工作。DataX作業運行起來之后，Job監控并等待多個TaskGroup模塊任務完成，等待所有TaskGroup任務完成后Job成功退出。否則，異常退出，進程退出值非0。

二、環境安裝

推薦Python2.6+，Jdk1.8+(腦補安裝流程)。

1、Python包下載

# yum -y install wget
# wget https://www.python.org/ftp/python/2.7.15/Python-2.7.15.tgz
# tar -zxvf Python-2.7.15.tgz

2、安裝Python

# yum install gcc openssl-devel bzip2-devel
[root@ctvm01 Python-2.7.15]# ./configure --enable-optimizations
# make altinstall
# python -V

3、DataX安裝

# pwd
/opt/module
# ll
datax
# cd /opt/module/datax/bin
-- 測試環境是否正確
# python datax.py /opt/module/datax/job/job.json

三、同步任務

1、同步表創建

-- PostgreSQL
CREATE TABLE sync_user (
    id INT NOT NULL,
    user_name VARCHAR (32) NOT NULL,
    user_age int4 NOT NULL,
    CONSTRAINT "sync_user_pkey" PRIMARY KEY ("id")
);
CREATE TABLE data_user (
    id INT NOT NULL,
    user_name VARCHAR (32) NOT NULL,
    user_age int4 NOT NULL,
    CONSTRAINT "sync_user_pkey" PRIMARY KEY ("id")
);

2、編寫任務腳本

[root@ctvm01 job]# pwd
/opt/module/datax/job
[root@ctvm01 job]# vim postgresql_job.json

3、腳本內容

{
    "job": {
        "setting": {
            "speed": {
                "channel": "3"
            }
        },
        "content": [
            {
                "reader": {
                    "name": "postgresqlreader",
                    "parameter": {
                        "username": "root01",
                        "password": "123456",
                        "column": ["id","user_name","user_age"], 
                        "connection": [
                            {
                                "jdbcUrl": ["jdbc:postgresql://192.168.72.131:5432/db_01"], 
                                "table": ["data_user"]
                            }
                        ]
                    }
                }, 
                "writer": {
                    "name": "postgresqlwriter", 
                    "parameter": {
                        "username": "root01",
                        "password": "123456",
                        "column": ["id","user_name","user_age"], 
                        "connection": [
                            {
                                "jdbcUrl": "jdbc:postgresql://192.168.72.131:5432/db_01", 
                                "table": ["sync_user"]
                            }
                        ], 
                        "postSql": [], 
                        "preSql": []
                    }
                }
            }
        ]
    }
}

4、執行腳本

# /opt/module/datax/bin/datax.py /opt/module/datax/job/postgresql_job.json

5、執行日志

2020-04-23 18:25:33.404 [job-0] INFO  JobContainer - 
任務啟動時刻                    : 2020-04-23 18:25:22
任務結束時刻                    : 2020-04-23 18:25:33
任務總計耗時                    :                 10s
任務平均流量                    :                1B/s
記錄寫入速度                    :              0rec/s
讀出記錄總數                    :                   2
讀寫失敗總數                    :                   0

四、源碼流程分析

注意：這里源碼只貼出核心流程，如果要看完整源碼，可以自行從Git上下載。

1、讀取數據

核心入口：PostgresqlReader

啟動讀任務

public static class Task extends Reader.Task {
    @Override
    public void startRead(RecordSender recordSender) {
        int fetchSize = this.readerSliceConfig.getInt(com.alibaba.datax.plugin.rdbms.reader.Constant.FETCH_SIZE);
        this.commonRdbmsReaderSlave.startRead(this.readerSliceConfig, recordSender,
                super.getTaskPluginCollector(), fetchSize);
    }
}

讀取任務啟動之后，執行讀取數據操作。

核心類：CommonRdbmsReader

public void startRead(Configuration readerSliceConfig,
                      RecordSender recordSender,
                      TaskPluginCollector taskPluginCollector, int fetchSize) {
    ResultSet rs = null;
    try {
        // 數據讀取
        rs = DBUtil.query(conn, querySql, fetchSize);
        queryPerfRecord.end();
        ResultSetMetaData metaData = rs.getMetaData();
        columnNumber = metaData.getColumnCount();
        PerfRecord allResultPerfRecord = new PerfRecord(taskGroupId, taskId, PerfRecord.PHASE.RESULT_NEXT_ALL);
        allResultPerfRecord.start();
        long rsNextUsedTime = 0;
        long lastTime = System.nanoTime();
        // 數據傳輸至交換區
        while (rs.next()) {
            rsNextUsedTime += (System.nanoTime() - lastTime);
            this.transportOneRecord(recordSender, rs,metaData, columnNumber, mandatoryEncoding, taskPluginCollector);
            lastTime = System.nanoTime();
        }
        allResultPerfRecord.end(rsNextUsedTime);
    }catch (Exception e) {
        throw RdbmsException.asQueryException(this.dataBaseType, e, querySql, table, username);
    } finally {
        DBUtil.closeDBResources(null, conn);
    }
}

2、數據傳輸

核心接口：RecordSender(發送)

public interface RecordSender {
    public Record createRecord();
    public void sendToWriter(Record record);
    public void flush();
    public void terminate();
    public void shutdown();
}

核心接口：RecordReceiver(接收)

public interface RecordReceiver {
    public Record getFromReader();
    public void shutdown();
}

核心類：BufferedRecordExchanger

class BufferedRecordExchanger implements RecordSender, RecordReceiver

3、寫入數據

核心入口：PostgresqlWriter

啟動寫任務

public static class Task extends Writer.Task {
    public void startWrite(RecordReceiver recordReceiver) {
        this.commonRdbmsWriterSlave.startWrite(recordReceiver, this.writerSliceConfig, super.getTaskPluginCollector());
    }
}

寫數據任務啟動之后，執行數據寫入操作。

核心類：CommonRdbmsWriter

public void startWriteWithConnection(RecordReceiver recordReceiver,
                                     Connection connection) {
    // 寫數據庫的SQL語句
    calcWriteRecordSql();
    List<Record> writeBuffer = new ArrayList<>(this.batchSize);
    int bufferBytes = 0;
    try {
        Record record;
        while ((record = recordReceiver.getFromReader()) != null) {
            writeBuffer.add(record);
            bufferBytes += record.getMemorySize();
            if (writeBuffer.size() >= batchSize || bufferBytes >= batchByteSize) {
                doBatchInsert(connection, writeBuffer);
                writeBuffer.clear();
                bufferBytes = 0;
            }
        }
        if (!writeBuffer.isEmpty()) {
            doBatchInsert(connection, writeBuffer);
            writeBuffer.clear();
            bufferBytes = 0;
        }
    } catch (Exception e) {
        throw DataXException.asDataXException(
                DBUtilErrorCode.WRITE_DATA_ERROR, e);
    } finally {
        writeBuffer.clear();
        bufferBytes = 0;
        DBUtil.closeDBResources(null, null, connection);
    }
}

以上是“DataX工具有什么用”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！