DataX从零开始学习，一篇足矣！！！

最新推荐文章于 2024-04-14 17:27:38 发布

Remix_xy

最新推荐文章于 2024-04-14 17:27:38 发布

阅读量191

点赞数

文章标签：学习

本文链接：https://blog.csdn.net/Remix_xy/article/details/133037602

版权

第1章 DataX简介

1.1 DataX概述

DataX 是阿里巴巴开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

源码地址：https://github.com/alibaba/DataX

1.2 DataX支持的数据源

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，目前支持数据如下图。

类型	数据源	Reader(读)	Writer(写)
RDBMS 关系型数据库	MySQL	√	√
	Oracle	√	√
	OceanBase	√	√
	SQLServer	√	√
	PostgreSQL	√	√
	DRDS	√	√
	通用RDBMS	√	√
阿里云数仓数据存储	ODPS	√	√
	ADS		√
	OSS	√	√
	OCS	√	√
NoSQL数据存储	OTS	√	√
	Hbase0.94	√	√
	Hbase1.1	√	√
	Phoenix4.x	√	√
	Phoenix5.x	√	√
	MongoDB	√	√
	Hive	√	√
	Cassandra	√	√
无结构化数据存储	TxtFile	√	√
	FTP	√	√
	HDFS	√	√
	Elasticsearch		√
时间序列数据库	OpenTSDB	√
	TSDB	√	√

第2章 DataX架构原理

2.1 DataX设计理念

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。

2.2 DataX框架设计

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。

2.3 DataX运行流程

下面用一个DataX作业生命周期的时序图说明DataX的运行流程、核心概念以及每个概念之间的关系。

2.4 DataX调度决策思路

举例来说，用户提交了一个DataX作业，并且配置了总的并发度为20，目的是对一个有100张分表的mysql数据源进行同步。DataX的调度决策思路是：

（1）DataX Job根据分库分表切分策略，将同步工作分成100个Task。

（2）根据配置的总的并发度20，以及每个Task Group的并发度5，DataX计算共需要分配4个TaskGroup。

（3）4个TaskGroup平分100个Task，每一个TaskGroup负责运行25个Task。

2.5 DataX与Sqoop对比

功能	DataX	Sqoop
运行模式	单进程多线程	MR
分布式	不支持，可以通过调度系统规避	支持
流控	有流控功能	需要定制
统计信息	已有一些统计，上报需定制	没有，分布式的数据收集不方便
数据校验	在core部分有校验功能	没有，分布式的数据收集不方便
监控	需要定制	需要定制

第3章 DataX部署

1）下载DataX安装包并上传到hadoop102的/opt/software

下载地址：http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

2）解压datax.tar.gz到/opt/module

[atguigu@hadoop102 software]$ tar -zxvf datax.tar.gz -C /opt/module/

3）自检，执行如下命令

[atguigu@hadoop102 ~]$ python /opt/module/datax/bin/datax.py /opt/module/datax/job/job.json

出现如下内容，则表明安装成功

……

2021-10-12 21:51:12.335 [job-0] INFO JobContainer -

任务启动时刻 : 2021-10-12 21:51:02

任务结束时刻 : 2021-10-12 21:51:12

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

第4章 DataX使用

4.1 DataX使用概述

4.1.1 DataX任务提交命令

DataX的使用十分简单，用户只需根据自己同步数据的数据源和目的地选择相应的Reader和Writer，并将Reader和Writer的信息配置在一个json文件中，然后执行如下命令提交数据同步任务即可。

[atguigu@hadoop102 datax]$ python bin/datax.py path/to/your/job.json

4.2.2 DataX配置文件格式

可以使用如下命名查看DataX配置文件模板。

[atguigu@hadoop102 software]$ cd /opt/module/datax/

[atguigu@hadoop102 datax]$ python bin/datax.py -r mysqlreader -w hdfswriter

配置文件模板如下，json最外层是一个job，job包含setting和content两部分，其中setting用于对整个job进行配置，content用户配置数据源和目的地。

Reader和Writer的具体参数可参考官方文档，地址如下：

https://github.com/alibaba/DataX/blob/master/README.md

4.2 同步MySQL数据到HDFS案例

案例要求：同步gmall数据库中base_province表数据到HDFS的/base_province目录

需求分析：要实现该功能，需选用MySQLReader和HDFSWriter，MySQLReader具有两种模式分别是TableMode和QuerySQLMode，前者使用table，column，where等属性声明需要同步的数据；后者使用一条SQL查询语句声明需要同步的数据。

下面分别使用两种模式进行演示。

4.2.1 MySQLReader之TableMode

1）编写配置文件

（1）创建配置文件base_province.json

[atguigu@hadoop102 ~]$ vim /opt/module/datax/job/base_province.json

（2）配置文件内容如下

{

"job": {

"setting": {

"speed": {

"channel": 3

"errorLimit": {

"record": 0,

"percentage": 0.02

}

"content": [{

"reader": {

"name": "mysqlreader",

"parameter": {

"username": "root",

"password": "000000",

"column": [

"id",

"name",

"region_id",

"area_code",

"iso_code",

"iso_3166_2",

"create_time",

"operate_time"

"splitPk": "",

"connection": [{

"table": [

"base_province"

"jdbcUrl": [

"jdbc:mysql://hadoop102:3306/tms01?useUnicode=true&allowPublicKeyRetrieval=true&characterEncoding=utf-8"

]

}]

}

"writer": {

"name": "hdfswriter",

"parameter": {

"defaultFS": "hdfs://mycluster",

"hadoopConfig": {

"dfs.nameservices": "mycluster",

"dfs.ha.namenodes.mycluster": "namenode1,namenode2",

"dfs.namenode.rpc-address.mycluster.namenode1": "hadoop102:8020",

"dfs.namenode.rpc-address.mycluster.namenode2": "hadoop103:8020",

"dfs.client.failover.proxy.provider.mycluster": "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"

"fileType": "text",

"path": "/base_province",

"fileName": "base_province",

"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"

{

"name": "create_time",

"type": "string"

{

"name": "operate_time",

"type": "string"

}

"writeMode": "append",

"fieldDelimiter": "\t",

"compress": "gzip"

}

}]

}

2）配置文件说明

（1）Reader参数说明

（2）Writer参数说明

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，可参考记Datax3.0解决MySQL抽数到HDFSNULL变为空字符的问题_datax nullformat_谭正强的博客-CSDN博客。

二是在Hive中建表时指定null值存储格式为空字符串（''），例如：

DROP TABLE IF EXISTS base_province;

CREATE EXTERNAL TABLE base_province

(

`id` STRING COMMENT '编号',

`name` STRING COMMENT '省份名称',

`region_id` STRING COMMENT '地区ID',

`area_code` STRING COMMENT '地区编码',

`iso_code` STRING COMMENT '旧版ISO-3166-2编码，供可视化使用',

`iso_3166_2` STRING COMMENT '新版IOS-3166-2编码，供可视化使用'

) COMMENT '省份表'

ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'

NULL DEFINED AS ''

LOCATION '/base_province/';

Hive部署下文详解，此处关注空值格式定义语法即可。

（3）Setting参数说明

3）提交任务

（1）在HDFS创建/base_province目录

使用DataX向HDFS同步数据时，需确保目标路径已存在

[atguigu@hadoop102 datax]$ hadoop fs -mkdir /base_province

（2）进入DataX根目录

[atguigu@hadoop102 datax]$ cd /opt/module/datax

（3）执行如下命令

[atguigu@hadoop102 datax]$ python bin/datax.py job/base_province.json

4）查看结果

（1）DataX打印日志

2021-10-13 11:13:14.930 [job-0] INFO JobContainer -

任务启动时刻 : 2021-10-13 11:13:03

任务结束时刻 : 2021-10-13 11:13:14

任务总计耗时 : 11s

任务平均流量 : 66B/s

记录写入速度 : 3rec/s

读出记录总数 : 32

读写失败总数 : 0

（2）查看HDFS文件

[atguigu@hadoop102 datax]$ hadoop fs -cat /base_province/* | zcat

3 山西 1 140000 CN-14 CN-SX

4 内蒙古 1 150000 CN-15 CN-NM

5 河北 1 130000 CN-13 CN-HE

6 上海 2 310000 CN-31 CN-SH

7 江苏 2 320000 CN-32 CN-JS

8 浙江 2 330000 CN-33 CN-ZJ

9 安徽 2 340000 CN-34 CN-AH

10 福建 2 350000 CN-35 CN-FJ

11 江西 2 360000 CN-36 CN-JX

12 山东 2 370000 CN-37 CN-SD

14 台湾 2 710000 CN-71 CN-TW

15 黑龙江 3 230000 CN-23 CN-HL

16 吉林 3 220000 CN-22 CN-JL

17 辽宁 3 210000 CN-21 CN-LN

18 陕西 7 610000 CN-61 CN-SN

19 甘肃 7 620000 CN-62 CN-GS

20 青海 7 630000 CN-63 CN-QH

21 宁夏 7 640000 CN-64 CN-NX

22 新疆 7 650000 CN-65 CN-XJ

23 河南 4 410000 CN-41 CN-HA

24 湖北 4 420000 CN-42 CN-HB

25 湖南 4 430000 CN-43 CN-HN

26 广东 5 440000 CN-44 CN-GD

27 广西 5 450000 CN-45 CN-GX

28 海南 5 460000 CN-46 CN-HI

29 香港 5 810000 CN-91 CN-HK

30 澳门 5 820000 CN-92 CN-MO

31 四川 6 510000 CN-51 CN-SC

32 贵州 6 520000 CN-52 CN-GZ

33 云南 6 530000 CN-53 CN-YN

13 重庆 6 500000 CN-50 CN-CQ

34 西藏 6 540000 CN-54 CN-XZ

4.2.2 MySQLReader之QuerySQLMode

1）编写配置文件

（1）修改配置文件base_province.json

[atguigu@hadoop102 ~]$ vim /opt/module/datax/job/base_province_sql.json

（2）配置文件内容如下

{

"job": {

"content": [{

"reader": {

"name": "mysqlreader",

"parameter": {

"connection": [{

"jdbcUrl": [

"jdbc:mysql://hadoop102:3306/tms01?useUnicode=true&allowPublicKeyRetrieval=true&characterEncoding=utf-8"

"querySql": [

"select id,name,region_id,area_code,iso_code,iso_3166_2,create_time,operate_time from base_province where id>=3"

]

}],

"password": "000000",

"username": "root"

}

"writer": {

"name": "hdfswriter",

"parameter": {

"defaultFS": "hdfs://mycluster",

"hadoopConfig": {

"dfs.nameservices": "mycluster",

"dfs.ha.namenodes.mycluster": "namenode1,namenode2",

"dfs.namenode.rpc-address.mycluster.namenode1": "hadoop102:8020",

"dfs.namenode.rpc-address.mycluster.namenode2": "hadoop103:8020",

"dfs.client.failover.proxy.provider.mycluster": "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"

"fileType": "text",

"path": "/base_province",

"fileName": "base_province",

"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"

{

"name": "create_time",

"type": "string"

{

"name": "operate_time",

"type": "string"

}

"writeMode": "append",

"fieldDelimiter": "\t",

"compress": "gzip"

}

}],

"setting": {

"speed": {

"channel": 1

}

2）配置文件说明

（1）Reader参数说明

3）提交任务

（1）清空历史数据

[atguigu@hadoop102 datax]$ hadoop fs -rm -r -f /base_province/*

（2）进入DataX根目录

[atguigu@hadoop102 datax]$ cd /opt/module/datax

（3）执行如下命令

[atguigu@hadoop102 datax]$ python bin/datax.py job/base_province_sql.json

4）查看结果

（1）DataX打印日志

2021-10-13 11:13:14.930 [job-0] INFO JobContainer -

任务启动时刻 : 2021-10-13 11:13:03

任务结束时刻 : 2021-10-13 11:13:14

任务总计耗时 : 11s

任务平均流量 : 66B/s

记录写入速度 : 3rec/s

读出记录总数 : 32

读写失败总数 : 0

（2）查看HDFS文件

[atguigu@hadoop102 datax]$ hadoop fs -cat /base_province/* | zcat

3 山西 1 140000 CN-14 CN-SX

4 内蒙古 1 150000 CN-15 CN-NM

5 河北 1 130000 CN-13 CN-HE

6 上海 2 310000 CN-31 CN-SH

7 江苏 2 320000 CN-32 CN-JS

8 浙江 2 330000 CN-33 CN-ZJ

9 安徽 2 340000 CN-34 CN-AH

10 福建 2 350000 CN-35 CN-FJ

11 江西 2 360000 CN-36 CN-JX

12 山东 2 370000 CN-37 CN-SD

14 台湾 2 710000 CN-71 CN-TW

15 黑龙江 3 230000 CN-23 CN-HL

16 吉林 3 220000 CN-22 CN-JL

17 辽宁 3 210000 CN-21 CN-LN

18 陕西 7 610000 CN-61 CN-SN

19 甘肃 7 620000 CN-62 CN-GS

20 青海 7 630000 CN-63 CN-QH

21 宁夏 7 640000 CN-64 CN-NX

22 新疆 7 650000 CN-65 CN-XJ

23 河南 4 410000 CN-41 CN-HA

24 湖北 4 420000 CN-42 CN-HB

25 湖南 4 430000 CN-43 CN-HN

26 广东 5 440000 CN-44 CN-GD

27 广西 5 450000 CN-45 CN-GX

28 海南 5 460000 CN-46 CN-HI

29 香港 5 810000 CN-91 CN-HK

30 澳门 5 820000 CN-92 CN-MO

31 四川 6 510000 CN-51 CN-SC

32 贵州 6 520000 CN-52 CN-GZ

33 云南 6 530000 CN-53 CN-YN

13 重庆 6 500000 CN-50 CN-CQ

34 西藏 6 540000 CN-54 CN-XZ

4.2.3 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，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。

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，具体示例如下。

1）编写配置文件

（1）修改配置文件base_province.json

[atguigu@hadoop102 ~]$ vim /opt/module/datax/job/base_province.json

（2）配置文件内容如下

{

"job": {

"content": [

{

"reader": {

"name": "mysqlreader",

"parameter": {

"connection": [

{

"jdbcUrl": [

"jdbc:mysql://hadoop102:3306/gmall?useUnicode=true&allowPublicKeyRetrieval=true&characterEncoding=utf-8"

"querySql": [

"select id,name,region_id,area_code,iso_code,iso_3166_2,create_time,operate_time from base_province where id>=3"

]

}

"password": "000000",

"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"

{

"name": "create_time",

"type": "string"

{

"name": "operate_time",

"type": "string"

}

"compress": "gzip",

"defaultFS": "hdfs://hadoop102:8020",

"fieldDelimiter": "\t",

"fileName": "base_province",

"fileType": "text",

"path": "/base_province/${dt}",

"writeMode": "append"

}

"setting": {

"speed": {

"channel": 1

}

2）提交任务

（1）创建目标路径

[atguigu@hadoop102 datax]$ hadoop fs -mkdir /base_province/2022-06-08

（2）进入DataX根目录

[atguigu@hadoop102 datax]$ cd /opt/module/datax

（3）执行如下命令

[atguigu@hadoop102 datax]$ python bin/datax.py -p"-Ddt=2022-06-08" job/base_province.json

3）查看结果

[atguigu@hadoop102 datax]$ hadoop fs -ls /base_province

Found 2 items

drwxr-xr-x - atguigu supergroup 0 2021-10-15 21:41 /base_province/2022-06-08

4.3 同步HDFS数据到MySQL案例

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

（1）创建配置文件test_province.json

[atguigu@hadoop102 ~]$ vim /opt/module/datax/job/test_province.json

（2）配置文件内容如下

{

"job": {

"content": [{

"reader": {

"name": "hdfsreader",

"parameter": {

"defaultFS": "hdfs://mycluster",

"hadoopConfig": {

"dfs.nameservices": "mycluster",

"dfs.ha.namenodes.mycluster": "namenode1,namenode2",

"dfs.namenode.rpc-address.mycluster.namenode1": "hadoop102:8020",

"dfs.namenode.rpc-address.mycluster.namenode2": "hadoop103:8020",

"dfs.client.failover.proxy.provider.mycluster": "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"

"path": "/base_province",

"column": [

"*"

"fileType": "text",

"compress": "gzip",

"encoding": "UTF-8",

"nullFormat": "\\N",

"fieldDelimiter": "\t",

}

"writer": {

"name": "mysqlwriter",

"parameter": {

"username": "root",

"password": "000000",

"connection": [{

"table": [

"test_province"

"jdbcUrl": "jdbc:mysql://hadoop102:3306/tms01?useUnicode=true&allowPublicKeyRetrieval=true&characterEncoding=utf-8"

}],

"column": [

"id",

"name",

"region_id",

"area_code",

"iso_code",

"iso_3166_2",

"create_time",

"operate_time"

"writeMode": "replace"

}

}],

"setting": {

"speed": {

"channel": 1

}

2）配置文件说明

（1）Reader参数说明

（2）Writer参数说明

3）提交任务

（1）在MySQL中创建gmall.test_province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,

`create_time` varchar(20) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,

`operate_time` 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;

（2）进入DataX根目录

[atguigu@hadoop102 datax]$ cd /opt/module/datax

（3）执行如下命令

[atguigu@hadoop102 datax]$ python bin/datax.py job/test_province.json

4）查看结果

（1）DataX打印日志

2021-10-13 15:21:35.006 [job-0] INFO JobContainer -

任务启动时刻 : 2021-10-13 15:21:23

任务结束时刻 : 2021-10-13 15:21:35

任务总计耗时 : 11s

任务平均流量 : 70B/s

记录写入速度 : 3rec/s

读出记录总数 : 32

读写失败总数 : 0

（2）查看MySQL目标表数据

此处导出的源文件位于hdfs://hadoop102:8020/base_province路径，上文将数据由mysql导入该文件时过滤了id为1和2的记录，因而test_province仅有32条数据。

第5章 DataX优化

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
job.setting.speed.byte	总byte限速
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channel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：

{

"core": {

"transport": {

"channel": {

"speed": {

"byte": 1048576 //单个channel byte限速1M/s

}

"job": {

"setting": {

"speed": {

"byte" : 5242880 //总byte限速5M/s

}

...

}

5.2 内存调整

当提升DataX Job内Channel并发数时，内存的占用会显著增加，因为DataX作为数据交换通道，在内存中会缓存较多的数据。例如Channel中会有一个Buffer，作为临时的数据交换的缓冲区，而在部分Reader和Writer的中，也会存在一些Buffer，为了防止OOM等错误，需调大JVM的堆内存。

建议将内存设置为4G或者8G，这个也可以根据实际情况来调整。

调整JVM xms xmx参数的两种方式：一种是直接更改datax.py脚本；另一种是在启动的时候，加上对应的参数，如下：

python datax/bin/datax.py --jvm="-Xms8G -Xmx8G" /path/to/your/job.json