2024年最全DataX - 全量数据同步工具_datax工具，大数据开发视频开发面试问题

最新推荐文章于 2024-09-22 07:30:00 发布

2401_84170337

最新推荐文章于 2024-09-22 07:30:00 发布

阅读量1.1k

点赞数 28

分类专栏：程序员文章标签：大数据面试学习

本文链接：https://blog.csdn.net/2401_84170337/article/details/138830510

版权

程序员专栏收录该内容

172 篇文章 0 订阅

订阅专栏

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

                    "column": [
                        {
                            "name": "id",
                            "type": "bigint"
                        },
                        {
                            "name": "name",
                            "type": "string"
                        },
                        {
                            "name": "region_id",
                            "type": "string"
                        },
                        {
                            "name": "area_code",
                            "type": "string"
                        },
                        {
                            "name": "iso_code",
                            "type": "string"
                        },
                        {
                            "name": "iso_3166_2",
                            "type": "string"
                        }
                    ],
                    "compress": "gzip",
                    "defaultFS": "hdfs://hadoop102:8020",
                    "fieldDelimiter": "\t",
                    "fileName": "base_province",
                    "fileType": "text",
                    "path": "/base_province",
                    "writeMode": "append"
                }
            }
        }
    ],
    "setting": {
        "speed": {
            "channel": 1
        }
    }
}

}


##### 2）配置说明


###### 1. Reader 参数说明


![](https://img-blog.csdnimg.cn/direct/a166ad96d4944a2c8b0bbd4b5a3883ca.png)


**注意：****这里的 splitPk 参数是数据分片字段，一般是主键，仅支持整型 ，而且只有 TableMode 模式下才有效**。


###### 2. Writer 参数说明


![](https://img-blog.csdnimg.cn/direct/0d7e00077fec4ffe973b8b45eeaf7ae8.png)


我们的 hdfswriter 中有一个 column 参数，但是我们知道 HDFS 是没有列的这个概念的。其实，这里代表的是我们Hive表中数据的字段类型，这个配置参数是给 Hive 看的。之后我们在使用 hdfsreader 的时候 依然要配置这个参数，这个参数的意义仍然是 hive 的数据字段。


**注意：****这里的 fileName 参数指的是 HDFS 前缀名而并不是完整文件名！**


###### 3）提交任务


使用DataX向HDFS同步数据时，必须确保目标路径已存在！

hadoop fs -mkdir /base_province

python bin/datax.py job/base_province.json


执行结果：


![](https://img-blog.csdnimg.cn/direct/3b656eb3b51849b1ad9406c5911fad70.png)


![](https://img-blog.csdnimg.cn/direct/b6c33fb9f07747d59f965125ee3e3719.png) 可以看到，我们的文件名是由我们 hdfswriter 中指定的前缀 fileName + uuid 组成的。


 查看HDFS 中的文件内容（因为我们的文件是经过 gzip 压缩的，所以网页端查看不了）：

hadoop fs -cat /base_province/* | zcat


![](https://img-blog.csdnimg.cn/direct/61e1ebd44a11410cb0b55b767b248250.png)


可以看到，MySQL 中 34 条数据一共写入了 32 条，这是因为我们设置了 where 参数的值为 id>=3 


#### 4.1.2、MySQLReader & QuerySQLMode


###### 1）配置文件

{
“job”: {
“content”: [
{
“reader”: {
“name”: “mysqlreader”,
“parameter”: {
“connection”: [
{
“jdbcUrl”: [
“jdbc:mysql://hadoop102:3306/gmall”
],
“querySql”: [
“select id,name,region_id,area_code,iso_code,iso_3166_2 from base_province where id>=3”
]
}
],
“password”: “123456”,
“username”: “root”
}
},
“writer”: {
“name”: “hdfswriter”,
“parameter”: {
“column”: [
{
“name”: “id”,
“type”: “bigint”
},
{
“name”: “name”,
“type”: “string”
},
{
“name”: “region_id”,
“type”: “string”
},
{
“name”: “area_code”,
“type”: “string”
},
{
“name”: “iso_code”,
“type”: “string”
},
{
“name”: “iso_3166_2”,
“type”: “string”
}
],
“compress”: “gzip”,
“defaultFS”: “hdfs://hadoop102:8020”,
“fieldDelimiter”: “\t”,
“fileName”: “base_province”,
“fileType”: “text”,
“path”: “/base_province”,
“writeMode”: “append”
}
}
}
],
“setting”: {
“speed”: {
“channel”: 1
}
}
}
}


        可以看到，TableMode 的 mysqlreader 中是通过在 connection 参数设置 table 参数的值来指定我们的表，而这里 QuerySQLMode 模式是通过 querySql 参数来指定 SQL ，从SQL中可以得到表名。此外，QuerySQLMode 模式没有 columns 和 where 参数，因为这些都可以在 SQL 中指定。


        那 TableMode 和 QuerySQLMode 有什么区别呢？其实 QuerySQLMode 正因为它可以指定 SQL ，所以就更加灵活，我们可以使用复杂的 join 和聚合函数，这一点是 TableMode 所实现不了的。反过来，我们上面知道 TableMode 的配置文件中可以在 mysqlreader 中指定一个参数 splitPk 来开启多个 Task 去读取一张表，这一点同样是 QuerySQLMode 所不具备的，QuerySQLMode 只支持单个 Task。


        QuerySQLMode 这种模式用的还是比较少的，毕竟我们的 Hive 也可以完成数据的聚合和联结。


此外，关于 hdfswriter 还有一些注意事项：


****注意事项：****


HFDS Writer并未提供nullFormat参数：也就是用户并不能自定义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。


解决该问题的方案有两个：


        一是修改DataX HDFS Writer的源码，增加自定义null值存储格式的逻辑（也就是如果读取到 null 就把它替换为 "\\N"，双斜杠是因为 DataX 是 Java 写的），可参考[这里]( )。


        二是在Hive中建表时指定null值存储格式为空字符串（''"）


###### 2）配置文件说明


mysqlreader：


![](https://img-blog.csdnimg.cn/direct/fcd27dbcea23450c927c197abd50acdb.png)


hdfswriter 和上面的是一样的。


###### 3）提交任务


结果和上面是一样的，这里不再演示。


#### 4.1.3、DataX 传参


        通常情况下，离线数据同步任务需要每日定时重复执行（就像我们之前 flume 上传到 HDFS 也指定过），故HDFS上的目标路径通常会包含一层日期，以对每日同步的数据加以区分，也就是说每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。为实现这一效果，就需要使用DataX传参的功能。


##### 1）修改配置文件


        DataX传参的用法如下，在JSON配置文件中使用${param}引用参数，在提交任务时使用-p"-Dparam=value"传入参数值，我们只需要修改 hdfswriter 下 parameter 参数下的 path 为：

“path”: “/base_province/${dt}”



#####  2）创建 hdfs 路径

hadoop fs -mkdir /base_province/2020-06-14



###### 3）提交任务

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



### 4.2、HDFS -> MySQL


****案例要求：****同步HDFS上的/base\_province目录下的数据到 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****

vim test_province.json

{
“job”: {
“content”: [
{
“reader”: {
“name”: “hdfsreader”,
“parameter”: {
“defaultFS”: “hdfs://hadoop102:8020”,
“path”: “/base_province”,
“column”: [
“*”
],
“fileType”: “text”,
“compress”: “gzip”,
“encoding”: “UTF-8”,
“nullFormat”: “\N”,
“fieldDelimiter”: “\t”,
}
},
“writer”: {
“name”: “mysqlwriter”,
“parameter”: {
“username”: “root”,
“password”: “123456”,
“connection”: [
{
“table”: [
“test_province”
],
“jdbcUrl”: “jdbc:mysql://hadoop102:3306/gmall?useUnicode=true&characterEncoding=utf-8”
}
],
“column”: [
“id”,
“name”,
“region_id”,
“area_code”,
“iso_code”,
“iso_3166_2”
],
“writeMode”: “replace”
}
}
}
],
“setting”: {
“speed”: {
“channel”: 1
}
}
}
}



#### 2）配置说明


hdfsreader：


![](https://img-blog.csdnimg.cn/direct/d471d8690fa54949bc7321e6ab577df1.png)


mysqlwriter：


![](https://img-blog.csdnimg.cn/direct/c112bd701bf442558ca5d2243a33b5af.png)


        其中 writeMode 的三种不同取值代表三种不同的 SQL 语句，其中 replace 和 on duplicate key update 都要求我们的 MySQL 表是有主键的。我们经常使用的 insert 语句是不需要主键的，所以当有主键重复的时候会直接报错。而 replace 语句如果遇到表中已经存在该主键的数据会直接替换掉， on duplicate key update 语句的话如果遇到表中已经存在该主键的数据会更新不同值的字段。


#### 3）提交任务


创建 HDFS 输出端 MySQL 的表：

DROP TABLE IF EXISTS test_province;
CREATE TABLE test_province (
id bigint(20) NOT NULL,
name varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
region_id varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
area_code varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
iso_code varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
iso_3166_2 varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
PRIMARY KEY (id)
) ENGINE = InnoDB CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Dynamic;



提交任务：

bin/datax.py job/test_province.json



#### 4）查看结果


![](https://img-blog.csdnimg.cn/direct/12ade94eec514299b259ef74d6b3735b.png)


![](https://img-blog.csdnimg.cn/direct/0a230393a08b4606bb74b5fa94b27a19.png)


## 5、DataX 优化


        上面 DataX 的任务配置文件中，job 下有两个参数 content 和 setting，content 是配置 reader 和 writer 的，而 setting 其实就是来给 DataX 优化用的（通过控制流量、并发）。


### 5.1、速度控制


        DataX3.0提供了包括通道(并发)、记录流、字节流三种流控模式，可以随意控制你的作业速度，让你的作业在数据库可以承受的范围内达到最佳的同步速度。


关键优化参数如下：




|  |  |
| --- | --- |
| ****参数**** | ****说明**** |
| ****job.setting.speed.channel**** | 并发数 |
| ****job.setting.speed.record**** | 总 record 限速（tps：条数/s） |
| ****job.setting.speed.byte**** | 总 byte 限速（bps：字节数/s） |
| ****core.transport.channel.speed.record**** | 单个 channel 的record限速，默认值为10000（10000条/s） |
| ****core.transport.channel.speed.byte**** | 单个channel的byte限速，默认值1024\*1024（1M/s） |


****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，实际 channel 并发数是通过计算得到的：


****计算公式为:****


min(总byte限速/单个channel的byte限速，总record限速/单个 channel 的record限速)


****配置示例：****





![img](https://img-blog.csdnimg.cn/img_convert/c94002e70e8869f6af4fc7b05249c791.png)
![img](https://img-blog.csdnimg.cn/img_convert/da2b9fb52ff2d1678f2fd4b15e24f089.png)
![img](https://img-blog.csdnimg.cn/img_convert/bd95ba4b09c460f910760dc13e064de7.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**

，实际 channel 并发数是通过计算得到的：


****计算公式为:****


min(总byte限速/单个channel的byte限速，总record限速/单个 channel 的record限速)


****配置示例：****





[外链图片转存中...(img-CFpAtZSt-1715629590142)]
[外链图片转存中...(img-jLStaVwN-1715629590142)]
[外链图片转存中...(img-idv29jYk-1715629590142)]

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**

**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**