Java最全使用 DataX 实现数据同步（高效的数据同步工具），阿里java社招面试

总结

总的来说，面试是有套路的，一面基础，二面架构，三面个人。

最后，小编这里收集整理了一些资料，其中包括面试题（含答案）、书籍、视频等。希望也能帮助想进大厂的朋友

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

后面在网上查看后，发现 DataX 这个工具用来同步不仅速度快，而且同步的数据量基本上也相差无几。

一、DataX 简介

=============================================================================

DataX 是阿里云 DataWorks 数据集成 的开源版本，主要就是用于实现数据间的离线同步。 DataX 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（即不同的数据库） 间稳定高效的数据同步功能。

• 为了 解决异构数据源同步问题，DataX 将复杂的网状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时，只需要将此数据源对接到 DataX，便能跟已有的数据源作为无缝数据同步。

1.DataX3.0 框架设计

---

DataX 采用 Framework + Plugin 架构，将数据源读取和写入抽象称为 Reader/Writer 插件，纳入到整个同步框架中。

| 角色 | 作用 |

| :-- | :-- |

| Reader（采集模块） | 负责采集数据源的数据，将数据发送给 Framework。 |

| Writer（写入模块） | 负责不断向 Framework 中取数据，并将数据写入到目的端。 |

| Framework（中间商） | 负责连接 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。 |

2.DataX3.0 核心架构

---

DataX 完成单个数据同步的作业，我们称为 Job，DataX 接收到一个 Job 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、TaskGroup 管理等功能。

• DataX Job 启动后，会根据不同源端的切分策略，将 Job 切分成多个小的 Task (子任务)，以便于并发执行。

• 接着 DataX Job 会调用 Scheduler 模块，根据配置的并发数量，将拆分成的 Task 重新组合，组装成 TaskGroup（任务组）

• 每一个 Task 都由 TaskGroup 负责启动，Task 启动后，会固定启动 Reader --> Channel --> Writer 线程来完成任务同步工作。

• DataX 作业运行启动后，Job 会对 TaskGroup 进行监控操作，等待所有 TaskGroup 完成后，Job 便会成功退出（异常退出时 值非 0）

---

DataX 调度过程：

1. 首先 DataX Job 模块会根据分库分表切分成若干个 Task，然后根据用户配置并发数，来计算需要分配多少个 TaskGroup；

2. 计算过程：Task / Channel = TaskGroup，最后由 TaskGroup 根据分配好的并发数来运行 Task（任务）

二、使用 DataX 实现数据同步

====================================================================================

准备工作：

• JDK（1.8 以上，推荐 1.8）

• Python（2，3 版本都可以）

• Apache Maven 3.x（Compile DataX）（手动打包使用，使用 tar 包方式不需要安装）

| 主机名 | 操作系统 | IP 地址 | 软件包 |

| :-- | :-- | :-- | :-- |

| MySQL-1 | CentOS 7.4 | 192.168.1.1 | jdk-8u181-linux-x64.tar.gz datax.tar.gz |

| MySQL-2 | CentOS 7.4 | 192.168.1.2 | |

安装 JDK：下载地址（需要创建 Oracle 账号）

[root@MySQL-1 ~]# ls

anaconda-ks.cfg jdk-8u181-linux-x64.tar.gz

[root@MySQL-1 ~]# tar zxf jdk-8u181-linux-x64.tar.gz

[root@DataX ~]# ls

anaconda-ks.cfg jdk1.8.0_181 jdk-8u181-linux-x64.tar.gz

[root@MySQL-1 ~]# mv jdk1.8.0_181 /usr/local/java

[root@MySQL-1 ~]# cat <> /etc/profile

export JAVA_HOME=/usr/local/java

export PATH=$PATH:"$JAVA_HOME/bin"

END

[root@MySQL-1 ~]# source /etc/profile

[root@MySQL-1 ~]# java -version

• 因为 CentOS 7 上自带 Python 2.7 的软件包，所以不需要进行安装。

1.Linux 上安装 DataX 软件

---

[root@MySQL-1 ~]# wget http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

[root@MySQL-1 ~]# tar zxf datax.tar.gz -C /usr/local/

[root@MySQL-1 ~]# rm -rf /usr/local/datax/plugin//._ # 需要删除隐藏文件 (重要)

• 当未删除时，可能会输出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请检查您的配置文件.

验证：

[root@MySQL-1 ~]# cd /usr/local/datax/bin

[root@MySQL-1 ~]# python datax.py …/job/job.json # 用来验证是否安装成功

输出：

2021-12-13 19:26:28.828 [job-0] INFO JobContainer - PerfTrace not enable!

2021-12-13 19:26:28.829 [job-0] INFO StandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 253.91KB/s, 10000 records/s | Error 0 records, 0 bytes | All Task WaitWriterTime 0.060s | All Task WaitReaderTime 0.068s | Percentage 100.00%

2021-12-13 19:26:28.829 [job-0] INFO JobContainer -

任务启动时刻 : 2021-12-13 19:26:18

任务结束时刻 : 2021-12-13 19:26:28

任务总计耗时 : 10s

任务平均流量 : 253.91KB/s

记录写入速度 : 10000rec/s

读出记录总数 : 100000

读写失败总数 : 0

2.DataX 基本使用

---

查看 streamreader --> streamwriter 的模板：

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter

输出：

DataX (DATAX-OPENSOURCE-3.0), From Alibaba !

Copyright © 2010-2017, Alibaba Group. All Rights Reserved.

Please refer to the streamreader document:

https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md

Please refer to the streamwriter document:

https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md

Please save the following configuration as a json file and use

python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json

to run the job.

{

“job”: {

“content”: [

{

“reader”: {

“name”: “streamreader”,

“parameter”: {

“column”: [],

“sliceRecordCount”: “”

}

},

“writer”: {

“name”: “streamwriter”,

“parameter”: {

“encoding”: “”,

“print”: true

}

}

}

],

“setting”: {

“speed”: {

“channel”: “”

}

}

}

}

根据模板编写 json 文件

[root@MySQL-1 ~]# cat < test.json

{

“job”: {

“content”: [

{

“reader”: {

“name”: “streamreader”,

“parameter”: {

“column”: [ # 同步的列名 (* 表示所有)

{

“type”:“string”,

“value”:“Hello.”

},

{

“type”:“string”,

“value”:“河北彭于晏”

},

],

“sliceRecordCount”: “3” # 打印数量

}

},

“writer”: {

“name”: “streamwriter”,

“parameter”: {

“encoding”: “utf-8”, # 编码

“print”: true

}

}

}

],

“setting”: {

“speed”: {

“channel”: “2” # 并发 (即 sliceRecordCount * channel = 结果)

}

}

}

}

输出：（要是复制我上面的话，需要把 # 带的内容去掉）

3.安装 MySQL 数据库

---

分别在两台主机上安装：

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel

[root@MySQL-1 ~]# systemctl start mariadb # 安装 MariaDB 数据库

[root@MySQL-1 ~]# mysql_secure_installation # 初始化

NOTE: RUNNING ALL PARTS OF THIS SCRIPT IS RECOMMENDED FOR ALL MariaDB

SERVERS IN PRODUCTION USE! PLEASE READ EACH STEP CAREFULLY!

Enter current password for root (enter for none): # 直接回车

OK, successfully used password, moving on…

Set root password? [Y/n] y # 配置 root 密码

New password:

Re-enter new password:

Password updated successfully!

Reloading privilege tables…

… Success!

Remove anonymous users? [Y/n] y # 移除匿名用户

… skipping.

Disallow root login remotely? [Y/n] n # 允许 root 远程登录

… skipping.

Remove test database and access to it? [Y/n] y # 移除测试数据库

… skipping.

Reload privilege tables now? [Y/n] y # 重新加载表

… Success!

1）准备同步数据（要同步的两台主机都要有这个表）

MariaDB [(none)]> create database course-study;

Query OK, 1 row affected (0.00 sec)

MariaDB [(none)]> create table course-study.t_member(ID int,Name varchar(20),Email varchar(30));

Query OK, 0 rows affected (0.00 sec)

因为是使用 DataX 程序进行同步的，所以需要在双方的数据库上开放权限：

grant all privileges on . to root@‘%’ identified by ‘123123’;

flush privileges;

2）创建存储过程：

DELIMITER $$

CREATE PROCEDURE test()

BEGIN

declare A int default 1;

while (A < 3000000)do

insert into course-study.t_member values(A,concat(“LiSa”,A),concat(“LiSa”,A,“@163.com”));

set A = A + 1;

END while;

END $$

DELIMITER ;

3）调用存储过程（在数据源配置，验证同步使用）：

call test();

4.通过 DataX 实 MySQL 数据同步

---

1）生成 MySQL 到 MySQL 同步的模板：

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r mysqlreader -w mysqlwriter

{

“job”: {

“content”: [

{

“reader”: {

“name”: “mysqlreader”, # 读取端

“parameter”: {

“column”: [], # 需要同步的列 (* 表示所有的列)

“connection”: [

{

“jdbcUrl”: [], # 连接信息

“table”: [] # 连接表

}

],

“password”: “”, # 连接用户

“username”: “”, # 连接密码

“where”: “” # 描述筛选条件

}

},

“writer”: {

“name”: “mysqlwriter”, # 写入端

“parameter”: {

“column”: [], # 需要同步的列

“connection”: [

{

“jdbcUrl”: “”, # 连接信息

“table”: [] # 连接表

}

],

“password”: “”, # 连接密码

“preSql”: [], # 同步前. 要做的事

“session”: [],

“username”: “”, # 连接用户

“writeMode”: “” # 操作类型

}

}

总结：绘上一张Kakfa架构思维大纲脑图（xmind）

其实关于Kafka，能问的问题实在是太多了，扒了几天，最终筛选出44问：基础篇17问、进阶篇15问、高级篇12问，个个直戳痛点，不知道如果你不着急看答案，又能答出几个呢？

若是对Kafka的知识还回忆不起来，不妨先看我手绘的知识总结脑图（xmind不能上传，文章里用的是图片版）进行整体架构的梳理

梳理了知识，刷完了面试，如若你还想进一步的深入学习解读kafka以及源码，那么接下来的这份《手写“kafka”》将会是个不错的选择。

• Kafka入门

• 为什么选择Kafka

• Kafka的安装、管理和配置

• Kafka的集群

• 第一个Kafka程序

• Kafka的生产者

• Kafka的消费者

• 深入理解Kafka

• 可靠的数据传递

• Spring和Kafka的整合

• SpringBoot和Kafka的整合

• Kafka实战之削峰填谷

• 数据管道和流式处理(了解即可)

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取

问，个个直戳痛点，不知道如果你不着急看答案，又能答出几个呢？

若是对Kafka的知识还回忆不起来，不妨先看我手绘的知识总结脑图（xmind不能上传，文章里用的是图片版）进行整体架构的梳理

梳理了知识，刷完了面试，如若你还想进一步的深入学习解读kafka以及源码，那么接下来的这份《手写“kafka”》将会是个不错的选择。

• Kafka入门

• 为什么选择Kafka

• Kafka的安装、管理和配置

• Kafka的集群

• 第一个Kafka程序

• Kafka的生产者

• Kafka的消费者

• 深入理解Kafka

• 可靠的数据传递

• Spring和Kafka的整合

• SpringBoot和Kafka的整合

• Kafka实战之削峰填谷

• 数据管道和流式处理(了解即可)

[外链图片转存中…(img-WqD6VJO0-1715337536465)]

[外链图片转存中…(img-FHqutOJG-1715337536465)]

本文已被CODING开源项目：【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录

需要这份系统化的资料的朋友，可以点击这里获取