DataX

DataX

1、DataX3.0概览

  DataX 是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。

1.1. 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。

1.2. 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。 此前已经开源DataX1.0版本，此次介绍为阿里云开源全新版本DataX3.0，有了更多更强大的功能 和更好的使用体验。Github主页地址：https://github.com/alibaba/DataX

3、DataX 3.0六大核心优势

3.1. 可靠的数据质量监控

• 完美解决数据传输个别类型失真问题
• 提供作业全链路的流量、数据量运行时监控
• 提供脏数据探测

3.2. 丰富的数据转换功能

​   DataX作为一个服务于大数据的ETL工具，除了提供数据快照搬迁功能之外，还提供了丰富数据转 换的功能，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，另外还提供 了自动groovy函数，让用户自定义转换函数。

3.3. 精准的速度控制

​    新版本DataX3.0提供了包括通道(并发)、记录流、 字节流三种流控模式，可以随意控制你的作业速度，让你的作业在库可以承受的范围内达到最佳的 同步速度。

3.4. 强劲的同步性能

​    DataX3.0每一种读插件都有一种或多种切分策略，都能将作业合理切分成多个Task并行执行，单机 多线程执行模型可以让DataX速度随并发成线性增长。在源端和目的端性能都足够的情况下，单个 作业一定可以打满网卡。

3.5. 健壮的容错机制

​    DataX作业是极易受外部因素的干扰，网络闪断、数据源不稳定等因素很容易让同步到一半的作业 报错停止。因此稳定性是DataX的基本要求，在DataX 3.0的设计中，重点完善了框架和插件的稳定 性。目前DataX3.0可以做到线程级别、进程级别(暂时未开放)、作业级别多层次局部/全局的重试， 保证用户的作业稳定运行。

• 线程内部重试
• 线程级别重试

3.6. 极简的使用体验

• 易用
• 详细

4、工具对比（Datax,Flume,Sqoop）

4.1、DataX

​    设计理念 DataX本身作为数据同步框架，将不同数据源的同步抽象为从源头数据源读取数据的Reader插件，以及 向目标端写入数据的Writer插件，理论上DataX框架可以支持任意数据源类型的数据同步工作。同时 DataX插件体系作为一套生态系统, 每接入一套新数据源该新加入的数据源即可实现和现有的数据源互 通。

4.2、Flume

​ 数据收集系统（包括流式，文件，hdfs）主要用于收集日志。

4.3、Sqoop

​   Sqoop是一个用于在Hadoop和关系型数据库之间流转数据的一个工具。可以使用Sqoop将数据从关系型数据库系统(RDBMS)导入到hadoop分布式文件系统(HDFS)上。

​ Sqoop自动实现了上面提到的很多过程，Sqoop使用MapReduce来导入和导出数据。

6、 DataX3.0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。

• 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（channel）：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 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。

6.1. 核心模块介绍

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

6.2. DataX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。

DataX的调度决策思路是：

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。

6.3. DataX-Web架构

​ DataX Web是在DataX之上开发的分布式数据同步工具，提供简单易用的 操作界面，降低用户使用 DataX的学习成本，缩短任务配置时间，避免配置过程中出错。用户可通过页面选择数据源即可创建数 据同步任务，RDBMS数据源可批量创建数据同步任务，支持实时查看数据同步进度及日志并提供终止同 步功能，集成并二次开发xxl-job可根据时间、自增主键增量同步数据。 任务"执行器"支持集群部署，支持执行器多节点路由策略选择，支持超时控制、失败重试、失败告警、 任务依赖，执行器CPU.内存.负载的监控等等。后续还将提供更多的数据源支持、数据转换UDF、表结构 同步、数据同步血缘等更为复杂的业务场景。

​

7、安装

DataX安装：
https://blog.csdn.net/weixin_43660536/article/details/118912431.

8、DataX使用

8.1. 官方案例演示

 cd /opt/yjx/datax/bin
 python datax.py /opt/yjx/datax/job/job.json

• 启动格式

$ cd {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}