大数据 DataX 数据同步数据分析入门

目录

一、DataX 概览

1.1 DataX 是什么

1.2 DataX 3.0 概览

设计理念

当前使用现状

二、DataX 详解 

2.1 DataX 3.0 框架设计

2.2 DataX 3.0 插件体系

2.3 DataX 3.0 核心架构

2.3.1 核心模块介绍

2.3.2 DataX 调度流程

2.4 DataX 3.0 的六大核心优势

2.4.1 可靠的数据质量监控

2.4.2 丰富的数据转换功能

2.4.3 精准的速度控制

2.4.4 强劲的同步性能

2.4.5 健壮的容错机制

2.5.6 极简的使用体验

---

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

1. 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。

2. 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。

3. 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。

4. 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。

5. 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：

1. DataX Job 根据分库分表切分成了 100 个 Task。

2. 根据 20 个并发，DataX 计算共需要分配 4 个 TaskGroup。

3. 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