DataX 安装及使用

DataX 安装及使用

---

---

一、DataX快速入门

1.1、DataX概述及安装

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，实现包括 MySQL、
Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、
MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

概述

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。

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：数据采集模块，负责采集数据源的数据，将数据发送给Framework；
• Writer： 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：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。

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、大数据计算系统都已经接入。
DataX目前支持数据参见官网(https://github.com/alibaba/DataX/blob/master/intr
oduction.md)。

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。

核心模块

• DataX完成单个数据同步的作业，称为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。
• DataX Job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。
• 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。
• 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。

DataX 3.0六大核心优势

• 可靠的数据质量监控
• 丰富的数据转换功能
• 精准的速度控制
• 强劲的同步性能
• 健壮的容错机制
• 极简的使用体验

详情见官网(https://github.com/alibaba/DataX/blob/master/introduction.md)

DataX安装配置

DataX官网：https://github.com/alibaba/DataX
前置条件：Linux、JDK(1.8以上，推荐1.8)、Python(推荐Python2.6.X)
DataX的安装比较简单基本上是开箱即用：
1、下载DataX工具包
http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

2、下载后解压至本地某个目录，进入bin目录，即可运行同步作业
下载文件放在 /opt/lagou/software 目录下
配置环境变量 DATAX_HOME

#解压文件
tar -zxvf /opt/lagou/software/datax.tar.gz -C /opt/lagou/servers
#配置环境变量如下：
#DATAX_HOME
export DATAX_HOME=/opt/lagou/servers/datax
export PATH=$PATH:$DATAX_HOME/bin

自检脚本：

cd {YOUR_DATAX_HOME}/bin
python datax.py ../job/job.json 

1.2、DataX使用案例

Reader插件和Writer插件
DataX3.0版本提供的Reader插件和Writer插件，每种读插件都有一种和多种切分策略:

"reader": {
"name": "mysqlreader", #从mysql数据库获取数据（也支持
sqlserverreader,oraclereader）
"name": "txtfilereader", #从本地获取数据
"name": "hdfsreader", #从hdfs文件、hive表获取数据
"name": "streamreader", #从stream流获取数据（常用于测试）
"name": "httpreader", #从http URL获取数据
}
"writer": {
"name":"hdfswriter", #向hdfs,hive表写入数据
"name":"mysqlwriter ", #向mysql写入数据（也支持
sqlserverwriter,oraclewriter）
"name":"streamwriter ", #向stream流写入数据。（常用于测试）
}

各种Reader插件、Writer插件的参考文档：https://github.com/alibaba/DataX

json配置文件模板

• 整个配置文件是一个job的描述；
• job下面有两个配置项，content和setting，其中content用来描述该任务的源和
• 目的端的信息，setting用来描述任务本身的信息；
• content又分为两部分，reader和writer，分别用来描述源端和目的端的信息；
• setting中的speed项表示同时起几个并发执行该任务；

job的基本配置

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "", 
                    "parameter": { }
                }, 
                "writer": {
                    "name": "", 
                    "parameter": { }
                }
            }
        ], 
        "setting": {
            "speed": { }, 
            "errorLimit": { }
        }
    }
}

job Setting配置

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "", 
                    "parameter": { }
                }, 
                "writer": {
                    "name": "", 
                    "parameter": { }
                }
            }
        ], 
        "setting": {
            "speed": {
                "channel": 1, 
                "byte": 104857600
            }, 
            "errorLimit": {
                "record": 10, 
                "percentage": 0.05
            }
        }
    }
}

• job.setting.speed(流量控制)
  Job支持用户对速度的自定义控制，channel的值可以控制同步时的并发数，
  byte的值可以控制同步时的速度。
• job.setting.errorLimit(脏数据控制)
  Job支持用户对于脏数据的自定义监控和告警，包括对脏数据最大记录数阈值
  （record值）或者脏数据占比阈值（percentage值），当Job传输过程出现的脏
  数据大于用户指定的数量/百分比，DataX Job报错退出。

应用案例
Stream ===> Stream。stream reader/writer 都用于测试
在 cd /opt/lagou/servers/datax/job/ 目录下创建json文件

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "streamreader", 
                    "parameter": {
                        "sliceRecordCount": 10, 
                        "column": [
                            {
                                "type": "String", 
                                "value": "hello DataX"
                            }, 
                            {
                                "type": "string", 
                                "value": "DataX Stream To Stream"
                            }, 
                            {
                                "type": "string", 
                                "value": "数据迁移工具"
                            }
                        ]
                    }
                }, 
                "writer": {
                    "name": "streamwriter", 
                    "parameter": {
                        "encoding": "GBK", 
                        "print": true
                    }
                }
            }
        ], 
        "setting": {
            "speed": {
                "channel": 2
            }
        }
    }
}

[root@linux122 job]# cd /opt/lagou/servers/datax/bin/
[root@linux122 bin]# python datax.py ../job/mytest.json