CC00027.pbpositions——|Hadoop&PB级数仓.V11|——|PB数仓.v11|会员活跃度分析|Datax概念安装|入门案例|-CSDN博客

一、DataX概述及安装

### --- DataX概述

~~~     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/introduction.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

### --- 官方地址：

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

二、DataX安装配置

### --- 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：

### --- 下载DataX工具包
~~~     # 官方地址
http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

~~~     # 下载DataX工具包
[root@hadoop02 ~]# ll /opt/yanqi/software/datax.tar.gz 
-rw-r--r-- 1 root root 829372407 Jul 25  2020 /opt/yanqi/software/datax.tar.gz

### --- 部署DataX工具包：进入DataX的bin目录，即可运行同步作业

[root@hadoop02 software]# tar -zxvf datax.tar.gz -C ../servers/

### --- 配置环境变量
[root@hadoop02 ~]# vim /etc/profile
##DATAX_HOME
export DATAX_HOME=/opt/yanqi/servers/datax
export PATH=$PATH:$DATAX_HOME/bin
 
~~~     # 使环境变量生效
[root@hadoop02 ~]# source /etc/profile

### --- 自检脚本
~~~     # 测试样例

[root@hadoop02 ~]# cd $DATAX_HOME/bin
[root@hadoop02 ~]# python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json 
~~~输出参数
任务启动时刻                    : 2021-09-30 21:13:03
任务结束时刻                    : 2021-09-30 21:13:13
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

三、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；

二、datax的job配置详解

### --- 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

[root@hadoop02 ~]# vim /data/yanqidw/jars/stream2stream.json
{
    "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
            }
        }
    }
}

### --- 启动该案例
~~~     显示了20次，把 "channel": 1的值更改为2的话就会显示20次

[root@hadoop02 ~]# python $DATAX_HOME/bin/datax.py /data/yanqidw/jars/stream2stream.json
~~~输出参数
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
hello DataX DataX Stream To Stream  数据迁移工具
~~~输出参数
2021-09-30 21:34:49.278 [job-0] INFO  JobContainer - 
任务启动时刻                    : 2021-09-30 21:34:39
任务结束时刻                    : 2021-09-30 21:34:49
任务总计耗时                    :                 10s
任务平均流量                    :               39B/s
记录写入速度                    :              1rec/s
读出记录总数                    :                  10
读写失败总数                    :                   0