DataX及使用

【一】DataX概述

DataX是阿里巴巴开源的一个异构数据源（多种不同数据源）离线同步工具，用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。

支持的数据源如下：

【二】DataX架构原理

【1】设计理念

为了解决异构数据源同步问题，DataX把复杂的网状的同步链路变成了星型数据链路，DataX作为重甲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，只需要把此数据源对接到DataX，就能跟已有的数据源做到无缝数据同步。

【2】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，把数据源读取和写入抽象成Reader/Writer插件，纳入到整个同步框架中。

（1）Reader：数据采集模块，负责采集数据源的数据，把数据发给Framework
（2）Writer：数据写入模块，负责不断地向Framework取数据，并把数据写入到目的端
（3）Framework：用于连接Reader和Writer，作为两者的数据传输通道，并处理缓存、流控、并发、数据转换等核心问题

【3】运行流程

用一个DataX作业生命周期的时序图说明DataX的运行流程、核心概念和每个概念之间的关系

（1）Job：单个作业同步的作业，称为一个job，一个job启动一个进程
（2）Task：根据不同数据源切分策略，一个job会切分为多个task，task是DataX作业的最小单元，每个Task负责一部分数据的同步工作。
（3）TaskGroup：Scheduler调度模块对Task进行分组，每个Task组叫做一个Task Group，每个Task Group负责以一定的并发度运行其分得得Task，单个Task Group的并发度为5。
（4）Reader->Channel->Writer：每个Task启动后，都会固定启动Reader->Channel->Writer的线程来完成同步工作。

【4】调度决策思路

例子：用户提交了一个DataX作业，并且配置了总的并发度为20，目的是对一个有100张分表的mysql数据源进行同步。DataX的调度决策思路是：
（1）DataX Job根据分库分表切分策略，将同步工作分成100个Task。
（2）根据配置的总的并发度20，以及每个Task Group的并发度5，DataX计算共需要分配4个TaskGroup。
（3）4个TaskGroup平分100个Task，每一个TaskGroup负责运行25个Task。

【5】DataX和Sqoop对比

【三】DataX部署

1）下载DataX安装包并上传到hadoop102的/opt/software
下载地址：http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
2）解压datax.tar.gz到/opt/module tar -zxvf datax.tar.gz -C /opt/module
3）自检，执行如下命令python /opt/module/datax/bin/datax.py /opt/module/datax/job/job.json
出现如下内容，则表明安装成功

……
2021-10-12 21:51:12.335 [job-0] INFO JobContainer -
任务启动时刻 : 2021-10-12 21:51:02
任务结束时刻 : 2021-10-12 21:51:12
任务总计耗时 : 10s
任务平均流量 : 253.91KB/s
记录写入速度 : 10000rec/s
读出记录总数 : 100000
读写失败总数 : 0

【四】DataX上手

【1】使用概述

任务提交命令：用户需要根据同步数据的数据源和目的地选择相应的Reader和Writer，并将Reader和Writer的信息配置在一个json文件中，然后执行命令提交数据同步任务即可。python bin/datax.py path/to/your/job.json

【2】配置文件格式

查看DataX配置文件模板：python bin/datax.py -r mysqlreader -w hdfswriter

json最外层是一个job，job包含setting和content两部分，其中setting用于对整个job进行配置，content用户配置数据源和目的地。

Reader和Writer的具体参数参考官方文档：

https://github.com/alibaba/DataX/blob/master/README.md
https://gitee.com/mirrors/DataX/blob/master/README.md

【3】同步Mysql数据到HDFS

使用一个栗子来完成同步MySQL数据->HDFS的应用
要求：同步gmall数据库中base_province表数据到HDFS的/base_province目录
分析：需选用MySQLReader和HDFSWriter，MySQLReader具有两种模式分别是TableMode和QuerySQLMode，前者使用table，column，where等属性声明需要同步的数据；后者使用一条SQL查询语句声明需要同步的数据。

【五】DataX整合Springboot

（1）安装

（2）配置

（3）使用案例