大数据-数仓-数据采集-业务数据（二）：全量同步采集【MySQL＜--＞DataX(全量)＜--＞HDFS】【每日全量：每天都将业务数据库中全部数据同步到数据仓库，是保证两侧数据同步的最简单方式】

 

DataX源码地址：GitHub - alibaba/DataX: DataX是阿里云DataWorks数据集成的开源版本。

一、第1章 DataX介绍

1.1 DataX概述

1. 介绍：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。

2. 特点：

① DataX侧重于同步数据库中的数据

② DataX没有所谓版本号，这有这一个开源的版本

③ 开源的，有些功能受限，商业版名为DataWorks

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，支持如下：

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	√	√

二、第2章 DataX架构原理

2.1 DataX的设计理念

1.异构数据源同步问题，就是不同框架之间同步数据时，相同的数据在不同框架中具有不同的数据结构。

2. DataX的设计理念：

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数据各种数据源。

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。

3. 当前使用现状：

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6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。

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。

其中：

① Reader：数据采集模块，负责采集数据源的数据，将数据发送给Framework。

② Writer：数据写入模块，负责不断从Framework取数据，并将数据写出到目的端。

③ Framework：主题框架，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。

2.3 DataX运行流程

DataX支持单机多线程模式完成同步作业，下面用一个DataX作业生命周期的时序图，用以说明DataX的运行流程、核心概念以及每个概念的关系。

1.核心模块介绍：

①Job：DataX完成单个数据同步的作业称之为Job，Job模块是单个作业的中枢管理节点，承担着数据清理、子任务切分、TaskGroup管理等功能。

② Task：由Job切分出来的子任务。Task是DataX作业中的最小单元，每个一个Task都会负责一部分的同步工作

③ Scheduler：Scheduler模块根据并发量重组Task

④ TaskGroup：重组后的多个Task的集合，即任务组。负责以一定的并发量运行分配好的所有Task，默认并发量5

2.流程介绍：

1）DataX接受到一个Job作业后，将启动一个进程来完成整个作业同步过程。

2）Job启动后，会根据不同数据源端的切分策略，将Job切分成多个小的Task（子任务），以便并发执行。

3）切分多个Task之后，Job会调用Scheduler模块根据配置的并发数量，将Task重新组合，成为TaskGroup（任务组）。

4）每个Task都是由TaskGroup负责启动，Task启动后，会固定启动Reder->Channel->Writer的线程来完成任务的同步工作。

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，等待所有的TaskGroup任务完成Job成功退出。否则，异常退出。

2.4 DataX调度策略思路

1. 案例需求：