引言

本文主要以 图文 的形式来总结  DataX 和  SeaTunnel 的架构和代码流程，以方便读者去了解里面的源码。

DataX

首先来回顾 DataX：

 GitHub： https://github.com/alibaba/DataX

DataX架构

DataX的核心 架构设计如下：

举个简单的例子去理解上图：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的调度决策思路如下：

  • Step1：DataXJob根据分库分表切分成了100个Task；
  • Step2：根据20个并发，DataX计算共需要分配4个TaskGroup；
  • Step3：4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。

DataX代码执行流程

《图解DataX任务分配及执行流程》： https://yanglinwei.blog.csdn.net/article/details/122968465

关于代码层面，贴上博主之前画过的一张代码执行流程图：

上图主要有几个核心的类，它们的职责主要如下（点击类即可查看源码）：

类职责
 JobContainer任务容器
 Reader读插件接口
 Writer写插件接口
 JobAssignUtil任务分配工具类
 AbstractScheduler任务调度抽象类
 TaskGroupContainer任务组容器

DataX存在的问题

首先说下DataX的优势，具体有如下：

  • 可靠的数据质量监控：如流量、数据量运行时监控以及脏数据检测等；
  • 丰富的数据转换功能：让数据在传输过程中可以轻松完成数据脱敏，补全，过滤等数据转换功能；
  • 精准的速度控制：可以控制作业速度，让作业在库可以承受的范围内达到最佳的同步速度；
  • …

同时开源版本的DataX也存在不足之处，例如：
不支持集群（仅支持单机多线程模式完成同步作业运行），且不支持实时处理，（如：实时数据源Kafka和大数据生态系统中的组件Flink）。

这个时候， Apache SeaTunnel 的出现，似乎弥补了DataX的短板。

Apache SeaTunnel

SeaTunnel GitHub 地址： https://github.com/apache/seatunnel

Apache SeaTunnel对自己的定义如下：下一代高性能、分布式、海量数据集成框架。

ok，我们继续来看看它的相关功能特性。

SeaTunnel架构

这是Apache SeaTunnel官网贴出的简要的产品设计架构图：

上图似乎不能体现出整个 SeaTunnel 的核心流程要点，仅仅是产品的功能，对于读者来说，可能更看重的是SeaTunnel是如何做到 分布式、海量数据集成 的设计？

下面继续查看相关核心类图如下（图片来源： https://mp.weixin.qq.com/s/Hvf7TJxMEBVyvnMXVd8E_w）：

作者认为他们自研的SeaTunnel Engine才是整个SeaTunnel的核心，它由三个主要的服务组成（点击类名可以查看对应的源码）：

类职责
 CoordinatorServiceMaster 服务，负责Dag的生成、Checkpoint 流程控制、资源管理以及作业指标统计与汇总
 TaskExecutionServiceWorker服务，作业中每个task真正运行时环境
 SlotService在集群每个节点上都会运行，主要负责节点上资源的划分、申请和回收

SeaTunnel代码执行流程

关于SeaTunnel的架构或者和代码执行流程，似乎官网并没有贴出对应的流程设计图。

为了方便读者的理解，博主整理了SeaTunnel 代码执行图，如下：

对于CMD命令层（入口），主要分为了以下几个命令：

  • seatunnel-cluster.sh：主要是用来启动SeaTunnel集群；

  • seatunnel.sh：SeaTunnel客户端，主要用于提交作业至SeaTunnel集群或停止集群中运行的作业等；

  • seatunnel-start-seatunnel-flink-x-connector-v2.sh：主要用于提交作业至Flink集群（注意执行脚本里面使用了eval命令，去执行从FlinkStarter控制台打印的flink脚本命令）；

  • seatunnel-start-seatunnel-spark-x-connector-v2.sh：主要用于提交作业至Spark集群（注意执行脚本里面使用了eval命令，去执行从SparkStarter控制台打印的spark脚本命令）。

执行引擎分为了如下几种：

引擎核心类描述
SeaTunnel（Zeta）推荐使用 SeaTunnelServer分为Master和Worker，Master主要用于作业Dag生成、资源管理、指标统计等。Worker主要是执行具体的任务节点，每个Worker是根据SlotProfile的IP 地址是否为本机地址来判断是否执行，具体在（org.apache.seatunnel.engine.server.dag.physical.PhysicalVertex#deploy）
Flink SeaTunnelFlinkPluginExecutorProcessor类型分为Source、Sink、Transform，主要用于转义（Translation）SeaTunnel的配置为Flink可识别的配置，最后使用Flink的TableEnviorment去执行ETL任务
Spark SeaTunnelSpark跟Flink引擎的执行逻辑类似，PluginExecutorProcessor类型分为Source、Sink、Transform最后转义并执行ETL任务

结论

我们会发现很多项目的设计，都是存在共同之处的，或在其它项目都有类似的设计，比如阅读了SeaTunnel的代码，会发现有TaskGroup/Slot/ResourceManager（或许参考了DataX或Flink）、Master/Worker（或许参考了DolphinScheduler，虽然现在没有拆分）、Connector（或许参考了Chunjun或Flink）等等…

至此，本文大致讲解完了DataX以及SeaTunnel的架构与代码流程了。

本文也是作者阅读源码后的一些整理，仅代表个人的观点，可能存在局限性或不足之处，欢迎大家留言评论，同时也希望能帮助到大家，谢谢大家，本文完！

本文由  白鲸开源 提供发布支持！