datax工具介绍及简单使用

介绍

Datax是一个异构数据源离线同步工具，致力于实现包括关系数据库、HDFS、Hive、ODPS、Hbase等各种异构数据源之间稳定高效的数据同步功能

• 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；
DataX在阿里巴巴集团内被广泛使用，承担了所有大数据的离线同步业务，并已 持续稳定运行了7年之久。目前每天完成同步8w多道作业，每日传输数据量超过300TB；

• 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，软件核心功能写入Framework 主体框架中。

主体框架为插件预留接口，如果后期需要什么新功能，可以再去开发插件实现，而主体框架无需改动。

• 3.0核心架构

DataX 3.0 开源版本支持单机多线程模式完成同步作业运行，本小节按一个DataX作业 生命周期的时序图，从整体架构设计非常简要说明DataX各个模块相互关系
DataX作业生命周期的时序图

模块关系
DataX完成单个数据同步的作业，我们称之为Job，DataX接收到一个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；
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；
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(可配置) ；
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
datax作业运行起来之后，job监控并等待多个taskgroup模块任务完成，完成之后job成功退出；否则，异常退出，进程退出值非0。

• 调度流程

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；
调度决策思路：
1）DataXJob根据分库分表切分成了100个Task；
2）根据20个并发，DataX计算共需要分配4个TaskGroup；
3）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；
4）计算
100个Task，20个并发就是20个Channel；4(20 / 5 = 4) 个Taskgroup，每个Taskgroup内的25(100 / 4 = 25)个Task，能够同时运行的任务是20个Channel等于20个并发。

环境需求与安装

1）环境需求
Linux
JDK(1.8以上，推荐1.8)
Python(2或3都可以)

2）安装工具
下载后解压至本地某个目录，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
如果报错
运行以下指令，再输入自检脚本指令
rm -rf {YOUR_DATAX_HOME}/plugin//._

具体就不详细介绍了。

入门案例

• Stream -> Stream
  目的：打印输出10行 hello,世界
  步骤：
  1）打开Datax工具目录
  cd {YOUR_DATAX_HOME}

2）获取模板文件

python bin/datax.py -r streamreader -w streamwriter

3）修改

vim  job/stream2Stream.json

参数

column表示列

type表示该列的类型

value表示该列的值

column里面可以写多个列

sliceRecordCount：表示要打印多少次

encodding设置字符编码格式

print表示是否打印到控制台

setting

speed表示控制并发数

channel设置并发的数量

如果设置的print为true，则会打印slicRecordCount*channel次
如果是从mysql导入hdfs等其他操作，则会是真正代表并发数，而不是打印多少次

内容

{
   "job": {
   
"content": [{
   
"reader": {
   
"name": "streamreader",
"parameter": {
   
"column": [
{
   type:"long",value:"1024"},{
   
type:"string",value:"hello,世界"}],
"sliceRecordCount": "10"}},
"writer": {
   
"name": "streamwriter",
"parameter": {
   
"encoding": "utf-8",
"print": true
}}}],
"setting": 
{
   "speed": {
   "channel": "2"}}}}

4）运行

python bin/datax.py  job/stream2Stream.json

• MySQL -> MySQL
  目的：MySQL数据库的t_emp表数据导入到另一个MySQL数据库的表中

步骤：获得模板文件
python bin/datax.py -r mysqlreader -w mysqlwriter

修改如下
vim job/mysql2Mysql.json

内容

{
   "job": {
   
"content": [{
   
"reader": {
   
"name": "mysqlreader","parameter": {
   
"column": ["*"],"splitPk": "emp_id",
"connection": [{
   "jdbcUrl": [jdbc:mysql://localhost:3306/demo?
useUnicode=true&characterEncoding=utf8"],"table": ["t_emp"]}]
"username": "root","password": "123456",}},
"writer": {
   
"name": "mysqlwriter","parameter": {
   
"column": ["*"],"connection": [<