DataX 使用介绍

  • 前言
  • 一、DataX 简介
    • 1.DataX3.0 框架设计
    • 2.DataX3.0 核心架构
  • 二、使用 DataX 实现数据同步
    • 1.Linux 上安装 DataX 软件
    • 2.DataX 基本使用
    • 3.安装 MySQL 数据库
    • 4.通过 DataX 实 MySQL 数据同步
    • 5.使用 DataX 进行增量同步

前言

我们公司有个项目的数据量高达五千万，但是因为报表那块数据不太准确，业务库和报表库又是跨库操作，所以并不能使用 SQL 来进行同步。当时的打算是通过 mysqldump 或者存储的方式来进行同步，但是尝试后发现这些方案都不切实际：

mysqldump：不仅备份需要时间，同步也需要时间，而且在备份的过程，可能还会有数据产出（也就是说同步等于没同步）

存储方式：这个效率太慢了，要是数据量少还好，我们使用这个方式的时候，三个小时才同步两千条数据…

后面在网上查看后，发现 DataX 这个工具用来同步不仅速度快，而且同步的数据量基本上也相差无几。

一、DataX 简介

DataX 是阿里云 DataWorks 数据集成 的开源版本，主要就是用于实现数据间的离线同步。 DataX 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（即不同的数据库） 间稳定高效的数据同步功能。

  • 为了 解决异构数据源同步问题，DataX 将复杂的网状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时，只需要将此数据源对接到 DataX，便能跟已有的数据源作为无缝数据同步。

1.DataX3.0 框架设计

DataX 采用 Framework + Plugin 架构，将数据源读取和写入抽象称为 Reader/Writer 插件，纳入到整个同步框架中。

角色作用
Reader（采集模块）负责采集数据源的数据，将数据发送给 Framework。
Writer（写入模块）负责不断向 Framework 中取数据，并将数据写入到目的端。
Framework（中间商）负责连接 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.DataX3.0 核心架构

DataX 完成单个数据同步的作业，我们称为 Job，DataX 接收到一个 Job 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、TaskGroup 管理等功能。

  • DataX Job 启动后，会根据不同源端的切分策略，将 Job 切分成多个小的 Task (子任务)，以便于并发执行。
  • 接着 DataX Job 会调用 Scheduler 模块，根据配置的并发数量，将拆分成的 Task 重新组合，组装成 TaskGroup（任务组）
  • 每一个 Task 都由 TaskGroup 负责启动，Task 启动后，会固定启动 Reader --> Channel --> Writer 线程来完成任务同步工作。
  • DataX 作业运行启动后，Job 会对 TaskGroup 进行监控操作，等待所有 TaskGroup 完成后，Job 便会成功退出（异常退出时 值非 0）

DataX 调度过程：

  1. 首先 DataX Job 模块会根据分库分表切分成若干个 Task，然后根据用户配置并发数，来计算需要分配多少个 TaskGroup；
  2. 计算过程：Task / Channel = TaskGroup，最后由 TaskGroup 根据分配好的并发数来运行 Task（任务）

二、使用 DataX 实现数据同步

准备工作：

  • JDK（1.8 以上，推荐 1.8）
  • Python（2，3 版本都可以）
  • Apache Maven 3.x（Compile DataX）（手动打包使用，使用 tar 包方式不需要安装）
主机名操作系统IP 地址软件包
MySQL-1CentOS 7.4192.168.1.1jdk-8u181-linux-x64.tar.gz datax.tar.gz
MySQL-2CentOS 7.4192.168.1.2

安装 JDK：下载地址（需要创建 Oracle 账号）

[root@MySQL-1 ~]# lsanaconda-ks.cfgjdk-8u181-linux-x64.tar.gz[root@MySQL-1 ~]# tar zxf jdk-8u181-linux-x64.tar.gz [root@DataX ~]# lsanaconda-ks.cfgjdk1.8.0_181jdk-8u181-linux-x64.tar.gz[root@MySQL-1 ~]# mv jdk1.8.0_181 /usr/local/java[root@MySQL-1 ~]# cat <<END >> /etc/profileexport JAVA_HOME=/usr/local/javaexport PATH=$PATH:"$JAVA_HOME/bin"END[root@MySQL-1 ~]# source /etc/profile[root@MySQL-1 ~]# java -version
  • 因为 CentOS 7 上自带 Python 2.7 的软件包，所以不需要进行安装。

1.Linux 上安装 DataX 软件

[root@MySQL-1 ~]# wget http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz[root@MySQL-1 ~]# tar zxf datax.tar.gz -C /usr/local/[root@MySQL-1 ~]# rm -rf /usr/local/datax/plugin/*/._*# 需要删除隐藏文件 (重要)
  • 当未删除时，可能会输出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请检查您的配置文件.

验证：

[root@MySQL-1 ~]# cd /usr/local/datax/bin[root@MySQL-1 ~]# python datax.py ../job/job.json# 用来验证是否安装成功

输出：

2021-12-13 19:26:28.828 [job-0] INFOJobContainer - PerfTrace not enable!2021-12-13 19:26:28.829 [job-0] INFOStandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 253.91KB/s, 10000 records/s | Error 0 records, 0 bytes |All Task WaitWriterTime 0.060s |All Task WaitReaderTime 0.068s | Percentage 100.00%2021-12-13 19:26:28.829 [job-0] INFOJobContainer - 任务启动时刻: 2021-12-13 19:26:18任务结束时刻: 2021-12-13 19:26:28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

2.DataX 基本使用

查看 streamreader --> streamwriter 的模板：

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter

输出：

DataX (DATAX-OPENSOURCE-3.0), From Alibaba !Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved.Please refer to the streamreader document: https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md Please refer to the streamwriter document: https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.mdPlease save the following configuration as a json file anduse python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json to run the job.{"job": {"content": [{"reader": {"name": "streamreader", "parameter": {"column": [], "sliceRecordCount": ""}}, "writer": {"name": "streamwriter", "parameter": {"encoding": "", "print": true}}}], "setting": {"speed": {"channel": ""}}}}

根据模板编写 json 文件

[root@MySQL-1 ~]# cat <<END > test.json{"job": {"content": [{"reader": {"name": "streamreader", "parameter": {"column": [# 同步的列名 (* 表示所有){"type":"string","value":"Hello."},{"type":"string","value":"河北彭于晏"},], "sliceRecordCount": "3"# 打印数量}}, "writer": {"name": "streamwriter", "parameter": {"encoding": "utf-8",# 编码"print": true}}}], "setting": {"speed": {"channel": "2"# 并发 (即 sliceRecordCount * channel = 结果)}}}}

输出：（要是复制我上面的话，需要把 # 带的内容去掉）

3.安装 MySQL 数据库

分别在两台主机上安装：

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel [root@MySQL-1 ~]# systemctl start mariadb# 安装 MariaDB 数据库[root@MySQL-1 ~]# mysql_secure_installation# 初始化NOTE: RUNNING ALL PARTS OF THIS SCRIPT IS RECOMMENDED FOR ALL MariaDBSERVERS IN PRODUCTION USE!PLEASE READ EACH STEP CAREFULLY!Enter current password for root (enter for none): # 直接回车OK, successfully used password, moving on...Set root password? [Y/n] y # 配置 root 密码New password: Re-enter new password: Password updated successfully!Reloading privilege tables.. ... Success!Remove anonymous users? [Y/n] y # 移除匿名用户 ... skipping.Disallow root login remotely? [Y/n] n # 允许 root 远程登录 ... skipping.Remove test database and access to it? [Y/n] y# 移除测试数据库 ... skipping.Reload privilege tables now? [Y/n] y# 重新加载表 ... Success!

1）准备同步数据（要同步的两台主机都要有这个表）

MariaDB [(none)]> create database `course-study`;Query OK, 1 row affected (0.00 sec)MariaDB [(none)]> create table `course-study`.t_member(ID int,Name varchar(20),Email varchar(30));Query OK, 0 rows affected (0.00 sec)


因为是使用 DataX 程序进行同步的，所以需要在双方的数据库上开放权限：

grant all privileges on *.* to root@'%' identified by '123123';flush privileges;

2）创建存储过程：

DELIMITER $$CREATE PROCEDURE test()BEGINdeclare A int default 1;while (A < 3000000)doinsert into `course-study`.t_member values(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));set A = A + 1;END while;END $$DELIMITER ;


3）调用存储过程（在数据源配置，验证同步使用）：

call test();

4.通过 DataX 实 MySQL 数据同步

1）生成 MySQL 到 MySQL 同步的模板：

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r mysqlreader -w mysqlwriter{"job": {"content": [{"reader": {"name": "mysqlreader",# 读取端"parameter": {"column": [], # 需要同步的列 (* 表示所有的列)"connection": [{"jdbcUrl": [], # 连接信息"table": []# 连接表}], "password": "", # 连接用户"username": "", # 连接密码"where": ""# 描述筛选条件}}, "writer": {"name": "mysqlwriter",# 写入端"parameter": {"column": [], # 需要同步的列"connection": [{"jdbcUrl": "", # 连接信息"table": []# 连接表}], "password": "", # 连接密码"preSql": [], # 同步前. 要做的事"session": [], "username": "",# 连接用户 "writeMode": ""# 操作类型}}}], "setting": {"speed": {"channel": ""# 指定并发数}}}}

2）编写 json 文件：

[root@MySQL-1 ~]# vim install.json{"job": {"content": [{"reader": {"name": "mysqlreader", "parameter": {"username": "root","password": "123123","column": ["*"],"splitPk": "ID","connection": [{"jdbcUrl": ["jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"], "table": ["t_member"]}]}}, "writer": {"name": "mysqlwriter", "parameter": {"column": ["*"], "connection": [{"jdbcUrl": "jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8","table": ["t_member"]}], "password": "123123","preSql": ["truncate t_member"], "session": ["set session sql_mode='ANSI'"], "username": "root", "writeMode": "insert"}}}], "setting": {"speed": {"channel": "5"}}}}

3）验证

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py install.json

输出：

2021-12-15 16:45:15.120 [job-0] INFOJobContainer - PerfTrace not enable!2021-12-15 16:45:15.120 [job-0] INFOStandAloneJobContainerCommunicator - Total 2999999 records, 107666651 bytes | Speed 2.57MB/s, 74999 records/s | Error 0 records, 0 bytes |All Task WaitWriterTime 82.173s |All Task WaitReaderTime 75.722s | Percentage 100.00%2021-12-15 16:45:15.124 [job-0] INFOJobContainer - 任务启动时刻: 2021-12-15 16:44:32任务结束时刻: 2021-12-15 16:45:15任务总计耗时: 42s任务平均流量:2.57MB/s记录写入速度:74999rec/s读出记录总数: 2999999读写失败总数: 0

你们可以在目的数据库进行查看，是否同步完成。

  • 上面的方式相当于是完全同步，但是当数据量较大时，同步的时候被中断，是件很痛苦的事情；
  • 所以在有些情况下，增量同步还是蛮重要的。

5.使用 DataX 进行增量同步

使用 DataX 进行全量同步和增量同步的唯一区别就是：增量同步需要使用 where 进行条件筛选。（即，同步筛选后的 SQL）

1）编写 json 文件：

[root@MySQL-1 ~]# vim where.json{"job": {"content": [{"reader": {"name": "mysqlreader", "parameter": {"username": "root","password": "123123","column": ["*"],"splitPk": "ID","where": "ID <= 1888","connection": [{"jdbcUrl": ["jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"], "table": ["t_member"]}]}}, "writer": {"name": "mysqlwriter", "parameter": {"column": ["*"], "connection": [{"jdbcUrl": "jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8","table": ["t_member"]}], "password": "123123","preSql": ["truncate t_member"], "session": ["set session sql_mode='ANSI'"], "username": "root", "writeMode": "insert"}}}], "setting": {"speed": {"channel": "5"}}}}
  • 需要注意的部分就是：where（条件筛选） 和 preSql（同步前，要做的事） 参数。

2）验证：

[root@MySQL-1 ~]# python /usr/local/data/bin/data.py where.json

输出：

2021-12-16 17:34:38.534 [job-0] INFOJobContainer - PerfTrace not enable!2021-12-16 17:34:38.534 [job-0] INFOStandAloneJobContainerCommunicator - Total 1888 records, 49543 bytes | Speed 1.61KB/s, 62 records/s | Error 0 records, 0 bytes |All Task WaitWriterTime 0.002s |All Task WaitReaderTime 100.570s | Percentage 100.00%2021-12-16 17:34:38.537 [job-0] INFOJobContainer - 任务启动时刻: 2021-12-16 17:34:06任务结束时刻: 2021-12-16 17:34:38任务总计耗时: 32s任务平均流量:1.61KB/s记录写入速度: 62rec/s读出记录总数:1888读写失败总数: 0

目标数据库上查看：

3）基于上面数据，再次进行增量同步：

主要是 where 配置："where": "ID > 1888 AND ID <= 2888"# 通过条件筛选来进行增量同步
同时需要将我上面的 preSql 删除(因为我上面做的操作时 truncate 表)