1、DataX 基本介绍
-
DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具，致力于实现包括：关系型数据库(MySQL、Oracle等)、HDFS、Hive、HBase、ODPS、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。
-
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6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。
-
此前已经开源DataX1.0版本，此次介绍为阿里云开源全新版本DataX 3.0，有了更多更强大的功能和更好的使用体验。
-
Github主页地址：https://github.com/alibaba/DataX
-
2、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。
- 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。
- Reader
3、DataX 3.0 插件体系
-
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目前支持数据如下：
类型 数据源 Reader(读) Writer(写) 文档 RDBMS 关系型数据库 MySQL √ √ 读 、写 Oracle √ √ 读 、写 SQLServer √ √ 读 、写 PostgreSQL √ √ 读 、写 DRDS √ √ 读 、写 达梦 √ √ 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 √ √ 读 、写 NoSQL数据存储 OTS √ √ 读 、写 Hbase0.94 √ √ 读 、写 Hbase1.1 √ √ 读 、写 MongoDB √ √ 读 、写 Hive √ √ 读 、写 无结构化数据存储 TxtFile √ √ 读 、写 FTP √ √ 读 、写 HDFS √ √ 读 、写 Elasticsearch √ 写
4、DataX 3.0 核心架构
-
DataX 3.0 支持单机多线程模式完成 数据同步作业，本小节按一个DataX作业生命周期的时序图，从整体架构设计简要说明DataX各个模块之间的相互关系。
-
核心模块介绍
- 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：
- DataXJob根据分库分表切分成了100个Task。
- 根据20个并发，默认单个任务组的并发数量为5，DataX计算共需要分配4个TaskGroup。
- 这里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。
- 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：
DataX 安装部署
安装前置要求
Linux 使用Centos7
JDK ( 1.8 以上 )
Python ( 2.6 以上 ) Centos7 默认安装了Python 2.7
-
1、访问官网下载安装包
-
2、上传安装包到服务器hadoop03节点
-
3、解压安装包到指定的目录中
tar -zxvf datax.tar.gz -C /bigdata/install -
4、运行自检脚本测试
[hadoop@hadoop03 bin]$ cd /bigdata/install/datax/bin [hadoop@hadoop03 bin]$ python datax.py ../job/job.json
DataX 实战案例 -- 使用datax实现将mysql数据导入到hdfs
-
需求: 将mysql表
student的数据导入到hdfs的/datax/mysql2hdfs/路径下面去。 -
1、创建mysql数据库和需要用到的表结构，并导入实战案例需要用到的数据
[hadoop@hadoop02 ~] mysql -uroot -p123456 mysql> create database datax; mysql> use datax; mysql> create table student(id int,name varchar(20),age int,createtime timestamp ); mysql> insert into `student` (`id`, `name`, `age`, `createtime`) values('1','zhangsan','18','2021-05-10 18:10:00'); mysql> insert into `student` (`id`, `name`, `age`, `createtime`) values('2','lisi','28','2021-05-10 19:10:00'); mysql> insert into `student` (`id`, `name`, `age`, `createtime`) values('3','wangwu','38','2021-05-10 20:10:00'); -
2、创建作业的配置文件（json格式）
- 查看配置模板，执行脚本命令
[hadoop@hadoop03 datax]$ cd /bigdata/install/datax [hadoop@hadoop03 datax]$ python bin/datax.py -r mysqlreader -w hdfswriter DataX (DATAX-OPENSOURCE-3.0), From Alibaba ! Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved. Please refer to the mysqlreader document: https://github.com/alibaba/DataX/blob/master/mysqlreader/doc/mysqlreader.md Please refer to the hdfswriter document: https://github.com/alibaba/DataX/blob/master/hdfswriter/doc/hdfswriter.md Please save the following configuration as a json file and use python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json to run the job. { "job": { "content": [ { "reader": { "name": "mysqlreader", "parameter": { "column": [], "connection": [ { "jdbcUrl": [], "table": [] } ], "password": "", "username": "", "where": "" } }, "writer": { "name": "hdfswriter", "parameter": { "column": [], "compress": "", "defaultFS": "", "fieldDelimiter": "", "fileName": "", "fileType": "", "path": "", "writeMode": "" } } } ], "setting": { "speed": { "channel": "" } } } } - 其中
hdfswriter插件文档
- 查看配置模板，执行脚本命令
-
3、根据模板写配置文件
- 进入到
/bigdata/install/datax/job目录，然后创建配置文件mysql2hdfs.json, 文件内容如下：{ "job": { "setting": { "speed": { "channel":1 } }, "content": [ { "reader": { "name": "mysqlreader", "parameter": { "username": "root", "password": "123456", "connection": [ { "querySql": [ "select id,name,age,createtime from student where age < 30;" ], "jdbcUrl": [ "jdbc:mysql://hadoop02:3306/datax" ] } ] } }, "writer": { "name": "hdfswriter", "parameter": { "defaultFS": "hdfs://hadoop01:8020", "fileType": "text", "path": "/datax/mysql2hdfs/", "fileName": "student.txt", "column": [ { "name": "id", "type": "INT" }, { "name": "name", "type": "STRING" }, { "name": "age", "type": "INT" }, { "name": "createtime", "type": "TIMESTAMP" } ], "writeMode": "append", "fieldDelimiter": "\t", "compress":"gzip" } } } ] } }
- 进入到
-
4、启HDFS, 创建目标路径
[hadoop@hadoop01 ~]$ start-dfs.sh [hadoop@hadoop01 ~]$ hdfs dfs -mkdir -p /datax/mysql2hdfs -
5、启动DataX
[hadoop@hadoop03 bin]$ cd /bigdata/install/datax [hadoop@hadoop03 bin]$ python bin/datax.py job/mysql2hdfs.json -
6、观察控制台输出结果
同步结束，显示日志如下： 2021-06-18 01:41:26.452 [job-0] INFO JobContainer - 任务启动时刻 : 2021-06-18 01:41:14 任务结束时刻 : 2021-06-18 01:41:26 任务总计耗时 : 11s 任务平均流量 : 3B/s 记录写入速度 : 0rec/s 读出记录总数 : 2 读写失败总数 : 0 -
7、查看HDFS上文件生成，并验证结果
将上边结果下载解压后打开，可以看到里面的结果和mysql中结果对比
-
DataX 实战案例 -- 使用datax实现将hdfs数据导入到mysql表中
-
需求: 将hdfs上数据文件
user.txt导入到mysql数据库的user表中。 -
1、创建作业的配置文件（json格式）
- 查看配置模板，执行脚本命令
[hadoop@hadoop03 ~]$ cd /bigdata/install/datax [hadoop@hadoop03 datax]$ python bin/datax.py -r hdfsreader -w mysqlwriter DataX (DATAX-OPENSOURCE-3.0), From Alibaba ! Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved. Please refer to the hdfsreader document: https://github.com/alibaba/DataX/blob/master/hdfsreader/doc/hdfsreader.md Please refer to the mysqlwriter document: https://github.com/alibaba/DataX/blob/master/mysqlwriter/doc/mysqlwriter.md Please save the following configuration as a json file and use python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json to run the job. { "job": { "content": [ { "reader": { "name": "hdfsreader", "parameter": { "column": [], "defaultFS": "", "encoding": "UTF-8", "fieldDelimiter": ",", "fileType": "orc", "path": "" } }, "writer": { "name": "mysqlwriter", "parameter": { "column": [], "connection": [ { "jdbcUrl": "", "table": [] } ], "password": "", "preSql": [], "session": [], "username": "", "writeMode": "" } } } ], "setting": { "speed": { "channel": "" } } } } - 其中
hdfsreader插件文档
- 查看配置模板，执行脚本命令
-
2、根据模板写配置文件
- 进入到
/bigdata/install/datax/job目录，然后创建配置文件hdfs2mysql.json, 文件内容如下：{ "job": { "setting": { "speed": { "channel":1 } }, "content": [ { "reader": { "name": "hdfsreader", "parameter": { "defaultFS": "hdfs://hadoop01:8020", "path": "/user.txt", "fileType": "text", "encoding": "UTF-8", "fieldDelimiter": "\t", "column": [ { "index": 0, "type": "long" }, { "index": 1, "type": "string" }, { "index": 2, "type": "long" } ] } }, "writer": { "name": "mysqlwriter", "parameter": { "writeMode": "insert", "username": "root", "password": "123456", "column": [ "id", "name", "age" ], "preSql": [ "delete from user" ], "connection": [ { "jdbcUrl": "jdbc:mysql://hadoop02:3306/datax?useUnicode=true&characterEncoding=utf-8", "table": [ "user" ] } ] } } } ] } }
- 进入到
-
3、准备HDFS上测试数据文件
user.txt- user.txt文件内容如下
1 zhangsan 20 2 lisi 29 3 wangwu 25 4 zhaoliu 35 5 kobe 40 - 文件中每列字段通过
\t制表符进行分割，上传文件到hdfs上[hadoop@hadoop03 ~]$ hdfs dfs -put user.txt /
- user.txt文件内容如下
-
4、创建目标表
mysql> create table datax.user(id int,name varchar(20),age int); -
5、启动DataX
[hadoop@hadoop03 ~]$ cd /bigdata/install/datax [hadoop@hadoop03 bin]$ python bin/datax.py job/hdfs2mysql.json -
6、观察控制台输出结果
同步结束，显示日志如下： 任务启动时刻 : 2021-06-18 12:02:47 任务结束时刻 : 2021-06-18 12:02:58 任务总计耗时 : 11s 任务平均流量 : 4B/s 记录写入速度 : 0rec/s 读出记录总数 : 5 读写失败总数 : 0 -
7、查看
user表数据