目录
一、DataX 概览
用户在互联网上进行的所有的操作，都会留下很多的数据。有些是用户的行为数据，例如用户在什么时间点启动了 APP、什么时间点点击了某一个按钮、在某一个商品的详情页停留了 30 秒时间、收藏了某一篇文章、点赞了某一个评论等。这些数据会以服务器日志的形式记录下来。而有些数据是记录的业务数据，例如用户下单购买了什么商品等，这些数据一般会存储与关系型数据库中，例如 MySQL 或者 Oracle。
对于大数据开发来说，我们需要处理的数据来自于很多的渠道，有一些是服务器的日志文件，有一些是服务端的业务数据。我们要做的第一件事情，就是将这些数据导入到我们的大数据平台，然后再对其进行计算、处理，得出我们希望的结果。而在数据采集的时候，我们可以自己开发采集的程序、脚本来实现，也可以使用一些开源的第三方的程序。例如：使用 flume 可以实现将服务器日志文件采集到 HDFS 进行存储，而对于关系型数据库的数据的采集同步，我们可以采用 DataX 来实现。
1.1 DataX 是什么
DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现了包括 MySQL、SQLServer、Oracle、PostgreSQL、HDFS、Hive、HBase、OTS、ODPS 等各种异构数据源之间高效的数据同步功能。
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时，这个新加入的数据源即可实现和现有的数据源互通。
1.2 DataX 3.0 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。
设计理念
为了解决异构数据源同步的问题，DataX 将复杂的网状的同步链路变成了星型的链路。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。
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 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。
GitHub主页地址: GitHub - alibaba/DataX: DataX是阿里云DataWorks数据集成的开源版本。
二、DataX 详解
2.1 DataX 3.0 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，负责不断从 FrameWork 取数据，并将数据写入到目的端。
-
FrameWork: 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。
2.2 DataX 3.0 插件体系
DataX 将数据源读取和写入抽象成为 Reader/Writer 插件，经过几年积累，DataX 目前已经有了比较全面的插件体系，主流的 RDBMS 数据库、NOSQL、大数据存储系统都已经接入。DataX 目前支持的数据源如下，详情请点击：DataX数据源参考指南：
| 类型 | 数据源 | Reader(读) | Writer(写) | 文档 |
|---|---|---|---|---|
| RDBMS 关系型数据库 | MySQL | √ | √ | 读 、写 |
| Oracle | √ | √ | 读 、写 | |
| OceanBase | √ | √ | 读 、写 | |
| SQLServer | √ | √ | 读 、写 | |
| PostgreSQL | √ | √ | 读 、写 | |
| DRDS | √ | √ | 读 、写 | |
| Kingbase | √ | √ | 读 、写 | |
| 通用RDBMS(支持所有关系型数据库) | √ | √ | 读 、写 | |
| 阿里云数仓数据存储 | ODPS | √ | √ | 读 、写 |
| ADB | √ | 写 | ||
| ADS | √ | 写 | ||
| OSS | √ | √ | 读 、写 | |
| OCS | √ | 写 | ||
| Hologres | √ | 写 | ||
| AnalyticDB For PostgreSQL | √ | 写 | ||
| 阿里云中间件 | datahub | √ | √ | 读 、写 |
| SLS | √ | √ | 读 、写 | |
| 图数据库 | 阿里云 GDB | √ | √ | 读 、写 |
| Neo4j | √ | 写 | ||
| NoSQL数据存储 | OTS | √ | √ | 读 、写 |
| Hbase0.94 | √ | √ | 读 、写 | |
| Hbase1.1 | √ | √ | 读 、写 | |
| Phoenix4.x | √ | √ | 读 、写 | |
| Phoenix5.x | √ | √ | 读 、写 | |
| MongoDB | √ | √ | 读 、写 | |
| Cassandra | √ | √ | 读 、写 | |
| 数仓数据存储 | StarRocks | √ | √ | 读 、写 |
| ApacheDoris | √ | 写 | ||
| ClickHouse | √ | √ | 读 、写 | |
| Databend | √ | 写 | ||
| Hive | √ | √ | 读 、写 | |
| kudu | √ | 写 | ||
| selectdb | √ | 写 | ||
| 无结构化数据存储 | TxtFile | √ | √ | 读 、写 |
| FTP | √ | √ | 读 、写 | |
| HDFS | √ | √ | 读 、写 | |
| Elasticsearch | √ | 写 | ||
| 时间序列数据库 | OpenTSDB | √ | 读 | |
| TSDB | √ | √ | 读 、写 | |
| TDengine | √ | √ | 读 、写 |
DataX FrameWork 提供了简单的接口与插件交互，提供简单的插件接入机制，只需要任意加上一种插件，就能无缝对接其他数据源。
2.3 DataX 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。
2.3.1 核心模块介绍
-
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，承担了数据清洗、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 启动之后，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 负责以一定的并发度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。
-
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，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。
2.3.2 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：
-
DataX Job 根据分库分表切分成了 100 个 Task。
-
根据 20 个并发，DataX 计算共需要分配 4 个 TaskGroup。
-
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。
理论上是每一个 TaskGroup 负责 25 个Task，但实际执行的过程中，每一个 Task 所需要处理的数据量是不同的，执行耗时也是不同的，所以有可能有的 TaskGroup 会分配的多一些，有些会分配的少一些。
2.4 DataX 3.0 的六大核心优势
2.4.1 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
DataX 旧版对于部分数据类型(比如时间戳)传输一直存在毫秒阶段等数据失真情况，新版本 DataX 3.0 已经做到支持所有的强数据类型，每一种插件都有自己的数据类型转换策略，让数据可以完整无损的传输到目的端。
-
提供作业全链路的流量、数据量运行时监控
DataX 3.0 运行过程中可以将作业本身状态、数据流量、数据速度、执行进度等信息进行全面的展示，让用户可以实时了解作业状态。并可在作业执行过程中智能判断源端和目的端的速度对比情况，给予用户更多性能排查信息。
-
提供脏数据探测
在大量数据的传输过程中，必定会由于各种原因导致很多数据传输报错(比如类型转换错误)，这种数据 DataX 认为就是脏数据。DataX 目前可以实现脏数据精确过滤、识别、采集、展示，为用户提供多种的脏数据处理模式，让用户准确把控数据质量大关！
2.4.2 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。详情请看 DataX3 的 transformer 详细介绍。
2.4.3 精准的速度控制
还在为同步过程对在线存储压力影响而担心吗？新版本 DataX 3.0 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。
"speed": {
"channel": 5,
"byte": 1048576,
"record": 10000
}2.4.4 强劲的同步性能
DataX 3.0 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。另外，DataX 团队对所有的已经接入的插件都做了极致的性能优化，并且做了完整的性能测试。性能测试相关详情可以参照每单个数据源的详细介绍：DataX数据源指南
2.4.5 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 DataX 3.0 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
DataX 的核心插件都经过团队的全盘 review，不同的网络交互方式都有不同的重试策略。
-
线程级别重试
目前 DataX 已经可以实现 TaskFailover，针对于中间失败的 Task，DataX 框架可以做到整个 Task 级别的重新调度。
2.5.6 极简的使用体验
-
易用
下载即可用，支持 linux、windows、macOS，只需要短短几步骤就可以完成数据的传输。请点击：Quick Start
-
详细
DataX 在运行日志中打印了大量信息，其中包括传输速度，Reader、Writer 性能，进程 CPU，JVM 和 GC 情况等等。
-
传输过程中打印传输速度、进度等
-
传输过程中会打印进程相关的 CPU、JVM 等
-
在任务结束之后，打印总体运行情况
-
下一篇文章：大数据 DataX 详细安装教程-CSDN博客
5245
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
