大数据-数据源离线同步工具DataX的使用
前言
官方网址https://github.com/alibaba/DataX
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。
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。
设计理念
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,负责不断向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。
支持的数据类型
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 | |
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 |
ADS | √ | 写 | ||
OSS | √ | √ | 读 、写 | |
OCS | √ | 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 | |
Hive | √ | √ | 读 、写 | |
Cassandra | √ | √ | 读 、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 |
DataX3.0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。
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:
- DataXJob根据分库分表切分成了100个Task。
- 根据20个并发,DataX计算共需要分配4个TaskGroup。
- 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。
工具部署
环境
- Linux
- JDK(1.8以上,推荐1.8)
- Python(2或3都可以)
- DataX 编译后版本
直接下载编译后的DataX工具包:DataX下载地址
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:
解压到目录
/data/tools/bigdata/datax3
配置环境变量
创建配置文件
vi /etc/profile.d/datax.sh
内容设置为
# DataX
export DATAX_HOME=/data/tools/bigdata/datax3
export PATH=$PATH:$DATAX_HOME/bin
配置生效
source /etc/profile
查看是否生效
echo $DATAX_HOME
运行方式
cd $DATAX_HOME/bin/
python datax.py YOUR_JOB.json
自检脚本:
python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json
定时任务
crontab 命令
-l
在标准输出上显示当前的crontab。-r
删除当前的crontab文件。-e
使用VISUAL或者EDITOR环境变量所指的编辑器编辑当前的crontab文件。当结束编辑离开时,编辑后的文件将自动安装。
格式如下:
minute hour day-of-month month-of-year day-of-week commands
合法值
00-59 00-23 01-31 01-12 0-6 (0 is sunday)
除了数字还有几个个特殊的符号就是*
、/
和-
、,
,*
代表所有的取值范围内的数字
/
代表每的意思,/5
表示每5个单位-
代表从某个数字到某个数字,
分开几个离散的数字
查看定时任务
crontab -l
添加定时任务
crontab -e
添加如下
5 1 * * * python $DATAX_HOME/bin/datax.py $DATAX_HOME/config/oracle2oracle.json >>$DATAX_HOME/log/datax_log.`date +\%Y\%m\%d\%H\%M\%S` 2>&1
或者自己添加配置文件
crontab /data/cron/mysqlRollBack.cron
配置
配置项
- 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.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。
示例
{
"job": {
"setting": {
"speed": {
"channel": 3
},
"errorLimit": {
"record": 0,
"percentage": 0.02
}
},
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"username": "root",
"password": "root",
"column": [
"id",
"name"
],
"splitPk": "db_id",
"connection": [
{
"table": [
"table"
],
"jdbcUrl": [
"jdbc:mysql://127.0.0.1:3306/database"
]
}
]
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"print":true
}
}
}
]
}
}
测试
Stream ==> Stream
使用 streamreader + streamwriter(这种情况常用于测试)
配置文件: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
}
}
}
}
输入执行命令:
python $DATAX_HOME/bin/datax.py ../job/stream2stream.json
相关文章
- 国内可用的Internet时间同步服务器地址(NTP时间服务器)[通俗易懂]
- 数据同步工具
- 【踩坑实录】datax从pg同步数据到hive数据全为null问题
- docker安装canal数据同步工具
- 使用rsync进行主机间数据同步及其他工具
- SyncTime for mac(简单的文件同步工具) v4.4免激活版
- MySQL数据同步解决方案(mysql同步工具)
- MySQL 字段同步实现指南(mysql字段同步)
- 极速SQL Server数据库同步工具抢先体验!(sqlserver数据库同步工具)
- MySQL AB复制:同步数据库的灵活工具(mysql的ab复制)
- MySQL主主同步配置实现高可用性(mysql主主同步配置)
- 使用开源同步工具 Syncthing 控制你的数据
- Oracle数据同步软件,方便快捷的数据管理工具(数据同步软件oracle)
- 使用MongoDB同步工具实现数据安全传输(mongodb同步工具)
- MySQL机房间之间的数据同步(mysql 机房同步)
- mssql表:快速同步的技巧(mssql表同步)
- MSSQL数据库结构同步实现方案(mssql 结构同步)
- 携程开发革新性利用Redis同步工具(携程redis同步工具)