DataX教程（01）- 入门

01 引言

因为最近使用到了DataX，所以接下来需要来个系统的学习，并以博客的形式记录。

DataX的源码地址：https://github.com/alibaba/DataX
DataX官方介绍：https://github.com/alibaba/DataX/blob/master/introduction.md

02 DataX引入

很多时候，我们都需要把不同数据库的数据做迁移，典型的就如Oracle数据库的数据迁移到MySQL或者迁移到SQLServer，那么问题来了，我们把数据源迁移到另外一个新的数据库，都需要写一个程序，这是十分麻烦的（如下图）：

那么有没有一个框架，能实现同步数据库之间的数据同步呢？其实是有的，就是本文要讲的DataX。

03 DataX

3.1 DataX概念

首先我们要知道的是DataX为何物？官方是这样描述的:

• 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。

可以知道，DataX就是一个离线异构数据源同步工具，它的设计理念图如下，这也是网上举例最多的图了：

3.2 DataX原理

首先看看DataX的原理图：

从上图可以看到，DataX主要由3部分组成：

• 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。

DataX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。

DataX已经把主流的RDBMS数据库、NOSQL、大数据计算系统插件都已经接入了，如下：

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

3.3 DataX架构

看看DataX的架构图：

主要由Job模块、Task模块、TaskGroup模块组成，当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。下面细讲每个模块：

3.3.1 Job作业

• 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。

3.3.2 Task子任务

• DataX Job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。

3.3.3 TaskGroup

• 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。
• 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。

3.4 DataX代码执行流程

这里参考了：https://zhuanlan.zhihu.com/p/81817787，后面的文章也会继续编写（这里可以跳过）

流程：

1. 解析配置，包括job.json、core.json、plugin.json三个配置
2. 设置jobId到configuration当中
3. 启动Engine，通过Engine.start()进入启动程序
4. 设置RUNTIME_MODE到configuration当中
5. 通过JobContainer的start()方法启动
6. 依次执行job的preHandler()、init()、prepare()、split()、schedule()、- post()、postHandle()等方法。
7. init()方法涉及到根据configuration来初始化reader和writer插件，这里涉及到jar包热加载以及调用插件init()操作方法，同时设置reader和writer的configuration信息
8. prepare()方法涉及到初始化reader和writer插件的初始化，通过调用插件的prepare()方法实现，每个插件都有自己的jarLoader，通过集成URLClassloader实现而来
9. split()方法通过adjustChannelNumber()方法调整channel个数，同时执行reader和writer最细粒度的切分，需要注意的是，writer的切分结果要参照reader的切分结果，达到切分后数目相等，才能满足1：1的通道模型
10. channel的计数主要是根据byte和record的限速来实现的(如果自己没有设置了channel的个数)，在split()的函数中第一步就是计算channel的大小
11. split()方法reader插件会根据channel的值进行拆分，但是有些reader插件可能不会参考channel的值，writer插件会完全根据reader的插件1:1进行返回
12. split()方法内部的mergeReaderAndWriterTaskConfigs()负责合并reader、writer、以及transformer三者关系，生成task的配置，并且重写job.content的配置
13. schedule()方法根据split()拆分生成的task配置分配生成taskGroup对象，根据task的数量和单个taskGroup支持的task数量进行配置，两者相除就可以得出taskGroup的数量14、schdule()内部通过AbstractScheduler的schedule()执行，继续执行startAllTaskGroup()方法创建所有的TaskGroupContainer组织相关的task，TaskGroupContainerRunner负责运行TaskGroupContainer执行分配的task。
14. taskGroupContainerExecutorService启动固定的线程池用以执行TaskGroupContainerRunner对象，TaskGroupContainerRunner的run()方法调用taskGroupContainer.start()方法，针对每个channel创建一个TaskExecutor，通过taskExecutor.doStart()启动任务。

04 文末

DataX的源码解读，可以参考其它博主的博客：https://waterwang.blog.csdn.net/article/details/114630690