datax和canal对比

datax和canal对比

前言

datax和canal都是阿里巴巴开开源的数据同步组件/工具，但是二者在功能架构、使用场景上又有些区别。我刚接触到这两个组件的时候，经常混淆他们，不太能分清楚他们各自的使用场景。今天这篇文章就打算彻底对比下两者的共同点和差异。

功能简介

DataX 是阿里巴巴开源的离线数据同步工具/平台，内置实现了包括 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

canal译意为水道/管道/沟渠，主要用途是基于 MySQL 数据库增量日志解析，提供增量数据订阅和消费。

从上面两段描述，我们可以了解到二者在使用场景上的区别，虽然都是数据传输工具，但datax主要是离线的场景，而canal是实时的场景。

对比

datax

datax的网络传输拓扑如下：

从上图可以看出，datax其实是起到了一个中间的传输桥梁的角色。多个数据源之间传输是个网状的拓扑结构，但是接入了datax后，可以变成一个星状的结构，简化了整个传输的模型。

这幅图是datax的总体架构图，可以看到，datax采用Framework + plugin架构构建。

其中Framework处理了缓冲，限流，并发，上下文加载等技术问题。

而plugin就牛逼了，它提供了超强的扩展能力。将数据源读取和写入抽象成为Reader/Writer接口，纳入到整个同步框架中。如果内置的plugin无法满足我们的场景，开发者可以自己编写plugin定制功能。

开发者实现自己的插件非常简单，仅需实现对数据处理系统的访问即可，因为核心技术部分framework已经帮我们做好了。

framework内部的核心架构如下所示：

我看到这幅图的第一反应就是，跟flink有点像，事实上他们确实有很多相似的地方。对于一个任务，datax采用的是单进程+多线程的模式。流程如下：

1. DataX完成单个数据同步的作业，我们称之为Job，DataX接受到一个Job之后，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(将单一作业计算转化为多个子Task)、TaskGroup管理等功能。

2. DataXJob启动后，会根据不同的源端切分策略，将Job切分成多个小的Task(子任务)，以便于并发执行。Task便是DataX作业的最小单元，每一个Task都会负责一部分数据的同步工作。

3. 切分多个Task之后，DataX Job会调用Scheduler模块，根据配置的并发数据量，将拆分成的Task重新组合，组装成TaskGroup(任务组)。每一个TaskGroup负责以一定的并发运行完毕分配好的所有Task，默认单个任务组的并发数量为5。

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

5. DataX作业运行起来之后， Job监控并等待多个TaskGroup模块任务完成，等待所有TaskGroup任务完成后Job成功退出。否则，异常退出，进程退出值非0。

举例来说，用户提交了一个DataX作业，并且配置了20个并发，目的是将一个100张分表的mysql数据同步到odps里面。DataX的调度决策思路是：

• DataXJob根据分库分表切分成了100个Task。
• 根据20个并发，DataX计算共需要分配4个TaskGroup。（20/5=4,5是单个taskgroup默认使用的并发数量）
• 4个TaskGroup平分切分好的100个Task，每一个TaskGroup负责以5个并发共计运行25个Task。

canal

canal的总体架构图如下：

canal的数据源只支持mysql，这点需要特别注意，这也限制了它的使用场景。

上图是mysql主从复制的原理图：

• MySQL master 将数据变更写入二进制日志( binary log, 其中记录叫做二进制日志事件binary log events，可以通过 show binlog events 进行查看)
• MySQL slave 将 master 的 binary log events 拷贝到它的中继日志(relay log)
• MySQL slave 重放 relay log 中事件，将数据变更反映它自己的数据

Canal 伪装成 MySQL 从节点，mySQL master 会推送 binary log 给canal，canal读取 MySQL binlog的变更信息并生成消息，客户端订阅这些数据变更消息，处理并存储。只要开发一个 Canal客户端就可以解析出MySQL的操作，再将这些数据发送到大数据流计算处理引擎，即可以实现对 MySQL 实时处理。

我们一般使用canal时，只需要引入一个客户端，比如java类似这样：

<dependency>
    <groupId>com.alibaba.otter</groupId>
    <artifactId>canal.client</artifactId>
    <version>1.1.0</version>
</dependency>

然后就可以订阅binlog消息了。

另外canal也支持直接把binlog消息发送到mq，这样对多语言的支持更好一些。

canal自身帮我们做了很多事，这样我们自己写的客户端才能更简单，更专注于业务。下面就来看看canal内部的架构。

说明：
server代表一个canal运行实例，对应于一个jvm

instance对应于一个数据队列

核心是instance模块，它包含：

• eventParser (数据源接入，模拟slave协议和master进行交互，协议解析)
• eventSink (Parser和Store链接器，进行数据过滤，加工，分发的工作)
• eventStore (数据存储)
• metaManager (增量订阅&消费信息管理器)

---

参考：

• https://github.com/alibaba/DataX/blob/master/introduction.md
• https://github.com/alibaba/canal