【工具】Datax的基本概念（初识ETL工具）

汝之观览，吾之幸也！本文主要讲解Datax工具的概念，架构，以及部署使用说明

一、基础引导

1、什么是ETL

ETL全称为Extract Transform Load，是一种数据仓库技术，其中三个英文单词分别对应三个数据处理操作的中文名称：抽取（Extract）、转换（Transform）以及加载（Load）。因此，ETL的实际含义是将数据经过抽取、清洗转换之后加载到数据仓库的过程。

2、Datax

DataX是由阿里巴巴研发并开源的一个异构数据源离线同步工具，技术人员能够通过DataX实现不同数据源之间的同步。
这里所指的数据源既包括关系型数据库、NoSQL数据存储、无结构化数据存储、时间序列数据库，同时也包含了阿里的云数仓数据存储。
DataX是阿里云DataWorks数据集成的开源版本，在阿里巴巴集团内被广泛使用的离线数据同步工具/平台。DataX实现了包括MySQL、Oracle、OceanBase、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、Hologres、DRDS等各种异构数据源之间高效的数据同步功能

二、Datax的架构

DataX这套工具采用的是离线数据同步的方式，其框架为Framework + plugin。
数据同步的步骤即是将数据的读取、写入操作抽象成为由Reader/Writer插件进行处理步骤，最后纳入到整个同步框架中。

• Reader：Reader为数据采集模块，负责采集数据源的数据，将数据发送给Framework。
• Writer： Writer为数据写入模块，负责不断向Framework取数据，并将数据写入到目的端。
• Framework：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。
  

1、Job

• Job：运行在JobContainer容器中，这是所有任务的Master，负责初始化、分割、调度、运行、回收、监视和报告，但是它不进行实际的数据同步操作。
• JobContainer：Job执行器，它负责Job全局分割、调度、前置语句和后置语句等工作。在Yarn里与JobTracker相似。
  Job是DataX用来描述从一个源到目标端的同步作业，它是DataX数据同步的最小业务单位。例如：将一张MySQL表与ODPS(OpenDataProcessingService)的一个表的特定分区进行同步。

2、Task

• Task：将Job分割成最小化的执行单元。例如：阅读一个包含1024个Task的MySQL分类表的Job，将其分为1024个Task，并以数个并行执行。
• TaskGroup：描述了一组任务集。执行同一TaskGroupContainer的Task集合称为TaskGroup。
• TaskGroupContaine：负责执行一组任务，就像Yarn中的TaskTracker那样。
  简单地说，Job拆分为Task，在框架所提供的容器中分别执行，插件仅需实现Job和Task逻辑

3、Channel

DataX 会单独启动一条线程运行运行一个 Task，而 Task 会持有一个 Channel，用作 Reader 与 Writer 的数据传输媒介，DataX 的数据流向都是按照 Reader—>Channel—>Writer 的方向流转。

4、Transformer

DataX 的 transformer 模式同时还提供了强大的数据转换功能，DataX 默认提供了丰富的数据转换实现类，用户还可以根据项目自身需求，扩展数据转换。

三、下载部署

1、方法一

直接下载DataX工具包：datax压缩包
下载后解压至本地某个目录，DataX即安装完成
进入bin目录，即可运行同步作业：

$ cd  {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}

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

2、方法二

下载DataX源码，自主编译：datax源码地址

下载压缩包后解压后进行maven编辑

$ cd {DataX_source_code_home}
$ mvn -U clean package assembly:assembly -Dmaven.test.skip=true

打包成功，日志显示如下：

打包成功后的DataX包位于{DataX_source_code_home}/target/datax/datax/，结构如下：

四、其他

1、修改源码

因为有些数据源同步可能会遇到格式不匹配的问题，这时可以对相应的reader与writer做修改，然后maven编译即可。后续会更新具体的源码修改例子

2、gitee地址

因为github地址国内会有反应慢连不上的问题，提供gitee地址
Datax的gitee地址

3、参考网址

ETL工具-Datax