dataX源码学习

前言

在用dataX一段时间后，还是想去了解一下它的具体原理，读源码还是得做一些笔记，可能我写的不是很好，如果有写错的话，还请大家多多指教。

开始准备

首先在阅读源码之前，需要先把DataX的源码clone下来，然后再用maven来进行打包，我这边的话在准备时也遇到一些jar找不到的问题，如果有需要的jar包的话，可以在下面提出来，我这边就放一个stream的jar包就好。

git clone https://github.com/alibaba/DataX.git

然后再IDEA里面打开，然后，在datax-all使用maven进行打包，选择clean和package两个选项，进行打包

然后在core部分就可以看到打包出来了，我们可以将这个文件拷出来，然后再新建一个目录plugin文件，再建两个子目录，然后把相应需要的writer和reader的jar添加到相应的文件夹下。

完成上面后，我们需要修改一些配置文件，首先需要修改core.json，位于core打包出来的conf文件夹里面，byte不能设为-1

添加需要的jar包，我把stream的jar放在下面的链接中了。

运行配置

需要的配置，将你的配置文件位置设置出来和你刚刚打包出来的dataX的位置，我们的是放在E盘

-Ddatax.home=E:/datax

-mode standalone -jobid -1 -job E:/datax/job/job.json

然后点击运行就可以查看到结果了。

开始运行

首先我们从Engine主类，位于datax-core包下面，java包下面，我们可以找到入口Engine类

我们先从args获取到我们输入 的参数。

public static void main(String[] args) throws Exception {
        int exitCode = 0;
        try {
            Engine.entry(args);
        } catch (Throwable e) {
            exitCode = 1;
            LOG.error("\n\n经DataX智能分析,该任务最可能的错误原因是:\n" + ExceptionTracker.trace(e));

            if (e instanceof DataXException) {
                DataXException tempException = (DataXException) e;
                ErrorCode errorCode = tempException.getErrorCode();
                if (errorCode instanceof FrameworkErrorCode) {
                    FrameworkErrorCode tempErrorCode = (FrameworkErrorCode) errorCode;
                    exitCode = tempErrorCode.toExitValue();
                }
            }

            System.exit(exitCode);
        }
        System.exit(exitCode);
    }

通过ConfigParser来进行job.json的解析，先从参数中获取到工作文件的路径，然后再通过FileUtils.readFileToString部分读入job.json配置文件

 // 如果用户没有明确指定jobid, 则 datax.py 会指定 jobid 默认值为-1
        String jobIdString = cl.getOptionValue("jobid");
        RUNTIME_MODE = cl.getOptionValue("mode")        ;
// jobPath是job.json的配置路径
        Configuration configuration = ConfigParser.parse(jobPath);

然后在ConfigParser.java中将配置文件读入进来，获取到我们从json中提交的content部分和settings

这里它是怎么获取这些配置呢，package com.alibaba.datax.core.util.container.CoreConstant中会中会有一些全局的变量配置，我列举一些出来

// reader 的名称
public static final String DATAX_JOB_CONTENT_READER_NAME = "job.content[0].reader.name";
// reader的参数
public static final String DATAX_JOB_CONTENT_READER_PARAMETER = "job.content[0].reader.parameter";
// writer的名称
public static final String DATAX_JOB_CONTENT_WRITER_NAME = "job.content[0].writer.name";
// writer的参数    
public static final String DATAX_JOB_CONTENT_WRITER_PARAMETER = "job.content[0].writer.parameter";

获取到需要的reader和writer参数，通过官方的注释我们也可以看出这里是为了获取对应插件的名称，我们提交的官方的一个demo，所以这里获取到的也是我们定义的streamreader和streamwriter

获取到配置文件后，下面就用doValidate来校验这个这些配置文件

下面为Validate的内容，这里看到都是空的，这个是为什么，因为我们的是stream流，限制不多，如果是在前面是涉及采集其他数据库的话，可能这里就需要校验一些配置是否合理了。

校验好配置文件后，调用start方法，开始进行容器执行，首先先判断是不是一个job文件，然后如果是job的话，就启动一个JobContainer，否则就启动一个TaskGroupContainer，在获取到需要的配置后，就调用一个start方法，执行这个容器。

从下面这张图可以看出，我们提交的配置文件信息都保存到这个configuration这个配置对象中了。

JobContainer

JobContainer主要有以下的过程

1. doPrepare，首先需要先处理前操作，

2. init，初始化Reader和Writer，先Reader再Writer

3. prepare

4. split

5. scheduler

1.进入init

初始化Reader和Writer，先是Reader，然后再是Writer, 通过获取到Reader，然后可以

然后解析content里面reader的模块，

调用initReader读取reader配置文件

首先处理好列，可以获取到我们设定列的信息

writer也是同样的道理

prepare

this.prepareJobReader();
this.prepareJobWriter();

prepare阶段需要对数据进行spilt

needChannelNumberByByte =
(int) (globalLimitedByteSpeed / channelLimitedByteSpeed);

计算需要的任务的数量，reader和writer的数量应该是一致的

然后再得出Reader和Writer的分组配置

分割后我们可以看到，任务的reader和writer的信息和对应的TaskId都被整合到一起了。

schedule

这里CoreConstant.DATAX_CORE_CONTAINER_TASKGROUP_CHANNEL，为我们定义的通道的值，如果没有设置就默认设置为5，需要的通道数量就通过一个task的数量和需要通道的数量取一个最小值

post阶段

这个阶段会触发Reader和Writer的post阶段

this.invokeHooks();

打印运行情况

包括Cpu和GC的统计，包括错误记录的条数呀，速度等打印出来。

总结

做一些笔记吧，这样可以可以让自己的印象更加深刻一下，这里并没有详细介绍调度执行的部分，写的比较糙，但是如果一直跟着debug下来还是可以对dataX的源码有一些更加好的理解的。