阿里又開源一款數(shù)據(jù)同步工具DataX，穩(wěn)定又高效，好用到爆！

前言

我們公司有個(gè)項(xiàng)目的數(shù)據(jù)量高達(dá)五千萬，但是因?yàn)閳?bào)表那塊數(shù)據(jù)不太準(zhǔn)確，業(yè)務(wù)庫和報(bào)表庫又是跨庫操作，所以并不能使用 SQL 來進(jìn)行同步。當(dāng)時(shí)的打算是通過mysqldump或者存儲(chǔ)的方式來進(jìn)行同步，但是嘗試后發(fā)現(xiàn)這些方案都不切實(shí)際：

mysqldump：不僅備份需要時(shí)間，同步也需要時(shí)間，而且在備份的過程，可能還會(huì)有數(shù)據(jù)產(chǎn)出（也就是說同步等于沒同步）

存儲(chǔ)方式：這個(gè)效率太慢了，要是數(shù)據(jù)量少還好，我們使用這個(gè)方式的時(shí)候，三個(gè)小時(shí)才同步兩千條數(shù)據(jù)…

后面在網(wǎng)上查看后，發(fā)現(xiàn) DataX 這個(gè)工具用來同步不僅速度快，而且同步的數(shù)據(jù)量基本上也相差無幾。

一、DataX 簡介

DataX 是阿里云 DataWorks 數(shù)據(jù)集成 的開源版本，主要就是用于實(shí)現(xiàn)數(shù)據(jù)間的離線同步。DataX 致力于實(shí)現(xiàn)包括關(guān)系型數(shù)據(jù)庫（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等各種異構(gòu)數(shù)據(jù)源（即不同的數(shù)據(jù)庫）間穩(wěn)定高效的數(shù)據(jù)同步功能。

• 為了解決異構(gòu)數(shù)據(jù)源同步問題，DataX 將復(fù)雜的網(wǎng)狀同步鏈路變成了星型數(shù)據(jù)鏈路，DataX 作為中間傳輸載體負(fù)責(zé)連接各種數(shù)據(jù)源；
• 當(dāng)需要接入一個(gè)新的數(shù)據(jù)源時(shí)，只需要將此數(shù)據(jù)源對接到 DataX，便能跟已有的數(shù)據(jù)源作為無縫數(shù)據(jù)同步。

1.DataX3.0 框架設(shè)計(jì)

DataX 采用 Framework + Plugin 架構(gòu)，將數(shù)據(jù)源讀取和寫入抽象稱為 Reader/Writer 插件，納入到整個(gè)同步框架中。

2.DataX3.0 核心架構(gòu)

DataX 完成單個(gè)數(shù)據(jù)同步的作業(yè)，我們稱為 Job，DataX 接收到一個(gè) Job 后，將啟動(dòng)一個(gè)進(jìn)程來完成整個(gè)作業(yè)同步過程。DataX Job 模塊是單個(gè)作業(yè)的中樞管理節(jié)點(diǎn)，承擔(dān)了數(shù)據(jù)清理、子任務(wù)切分、TaskGroup 管理等功能。

• DataX Job 啟動(dòng)后，會(huì)根據(jù)不同源端的切分策略，將 Job 切分成多個(gè)小的 Task (子任務(wù))，以便于并發(fā)執(zhí)行。
• 接著 DataX Job 會(huì)調(diào)用 Scheduler 模塊，根據(jù)配置的并發(fā)數(shù)量，將拆分成的 Task 重新組合，組裝成 TaskGroup（任務(wù)組）
• 每一個(gè) Task 都由 TaskGroup 負(fù)責(zé)啟動(dòng)，Task 啟動(dòng)后，會(huì)固定啟動(dòng) Reader-->Channel-->Writer 線程來完成任務(wù)同步工作。
• DataX 作業(yè)運(yùn)行啟動(dòng)后，Job 會(huì)對 TaskGroup 進(jìn)行監(jiān)控操作，等待所有 TaskGroup 完成后，Job 便會(huì)成功退出（異常退出時(shí)值非 0）

DataX 調(diào)度過程：

1. 首先 DataX Job 模塊會(huì)根據(jù)分庫分表切分成若干個(gè) Task，然后根據(jù)用戶配置并發(fā)數(shù)，來計(jì)算需要分配多少個(gè) TaskGroup；
2. 計(jì)算過程：Task / Channel = TaskGroup，最后由 TaskGroup 根據(jù)分配好的并發(fā)數(shù)來運(yùn)行 Task（任務(wù)）

二、使用 DataX 實(shí)現(xiàn)數(shù)據(jù)同步

準(zhǔn)備工作：

• JDK（1.8 以上，推薦 1.8）
• Python（2，3 版本都可以）
• Apache Maven 3.x（Compile DataX）（手動(dòng)打包使用，使用tar包方式不需要安裝）

安裝 JDK：

下載地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要?jiǎng)?chuàng)建 Oracle 賬號）

[root@MySQL-1~]#ls
anaconda-ks.cfgjdk-8u181-linux-x64.tar.gz
[root@MySQL-1~]#tarzxfjdk-8u181-linux-x64.tar.gz
[root@DataX~]#ls
anaconda-ks.cfgjdk1.8.0_181jdk-8u181-linux-x64.tar.gz
[root@MySQL-1~]#mvjdk1.8.0_181/usr/local/java
[root@MySQL-1~]#cat<>/etc/profile
exportJAVA_HOME=/usr/local/java
exportPATH=$PATH:"$JAVA_HOME/bin"
END
[root@MySQL-1~]#source/etc/profile
[root@MySQL-1~]#java-version

• 因?yàn)?code style="margin-right:2px;margin-left:2px;padding:2px 4px;font-size:14px;color:rgb(30,107,184);background-color:rgba(27,31,35,.05);font-family:'Operator Mono', Consolas, Monaco, Menlo, monospace;">CentOS 7上自帶Python 2.7的軟件包，所以不需要進(jìn)行安裝。

1.Linux 上安裝 DataX 軟件

[root@MySQL-1~]#wgethttp://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
[root@MySQL-1~]#tarzxfdatax.tar.gz-C/usr/local/
[root@MySQL-1~]#rm-rf/usr/local/datax/plugin/*/._*#需要?jiǎng)h除隱藏文件(重要)

• 當(dāng)未刪除時(shí)，可能會(huì)輸出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 請檢查您的配置文件.

驗(yàn)證：

[root@MySQL-1~]#cd/usr/local/datax/bin
[root@MySQL-1~]#pythondatax.py../job/job.json#用來驗(yàn)證是否安裝成功

輸出：

2021-12-131928.828[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-131928.829[job-0]INFOStandAloneJobContainerCommunicator-Total100000records,2600000bytes|Speed253.91KB/s,10000records/s|Error0records,0bytes|AllTaskWaitWriterTime0.060s|AllTaskWaitReaderTime0.068s|Percentage100.00%
2021-12-131928.829[job-0]INFOJobContainer-
任務(wù)啟動(dòng)時(shí)刻:2021-12-131918
任務(wù)結(jié)束時(shí)刻:2021-12-131928
任務(wù)總計(jì)耗時(shí):10s
任務(wù)平均流量:253.91KB/s
記錄寫入速度:10000rec/s
讀出記錄總數(shù):100000
讀寫失敗總數(shù):0

2.DataX 基本使用

查看streamreader --> streamwriter的模板：

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

輸出：

DataX(DATAX-OPENSOURCE-3.0),FromAlibaba!
Copyright(C)2010-2017,AlibabaGroup.AllRightsReserved.


Pleaserefertothestreamreaderdocument:
https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md

Pleaserefertothestreamwriterdocument:
https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md

Pleasesavethefollowingconfigurationasajsonfileanduse
python{DATAX_HOME}/bin/datax.py{JSON_FILE_NAME}.json
torunthejob.

{
"job":{
"content":[
{
"reader":{
"name":"streamreader",
"parameter":{
"column":[],
"sliceRecordCount":""
}
},
"writer":{
"name":"streamwriter",
"parameter":{
"encoding":"",
"print":true
}
}
}
],
"setting":{
"speed":{
"channel":""
}
}
}
}

根據(jù)模板編寫json文件

[root@MySQL-1~]#cat<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"#打印數(shù)量
}
},
"writer":{
"name":"streamwriter",
"parameter":{
"encoding":"utf-8",#編碼
"print":true
}
}
}
],
"setting":{
"speed":{
"channel":"2"#并發(fā)(即sliceRecordCount*channel=結(jié)果)
}
}
}
}

輸出：（要是復(fù)制我上面的話，需要把#帶的內(nèi)容去掉）

3.安裝 MySQL 數(shù)據(jù)庫

分別在兩臺主機(jī)上安裝：

[root@MySQL-1~]#yum-yinstallmariadbmariadb-servermariadb-libsmariadb-devel
[root@MySQL-1~]#systemctlstartmariadb#安裝MariaDB數(shù)據(jù)庫
[root@MySQL-1~]#mysql_secure_installation#初始化
NOTE:RUNNINGALLPARTSOFTHISSCRIPTISRECOMMENDEDFORALLMariaDB
SERVERSINPRODUCTIONUSE!PLEASEREADEACHSTEPCAREFULLY!

Entercurrentpasswordforroot(enterfornone):#直接回車
OK,successfullyusedpassword,movingon...
Setrootpassword?[Y/n]y#配置root密碼
Newpassword:
Re-enternewpassword:
Passwordupdatedsuccessfully!
Reloadingprivilegetables..
...Success!
Removeanonymoususers?[Y/n]y#移除匿名用戶
...skipping.
Disallowrootloginremotely?[Y/n]n#允許root遠(yuǎn)程登錄
...skipping.
Removetestdatabaseandaccesstoit?[Y/n]y#移除測試數(shù)據(jù)庫
...skipping.
Reloadprivilegetablesnow?[Y/n]y#重新加載表
...Success!

1）準(zhǔn)備同步數(shù)據(jù)（要同步的兩臺主機(jī)都要有這個(gè)表）

MariaDB[(none)]>createdatabase`course-study`;
QueryOK,1rowaffected(0.00sec)

MariaDB[(none)]>createtable`course-study`.t_member(IDint,Namevarchar(20),Emailvarchar(30));
QueryOK,0rowsaffected(0.00sec)

因?yàn)槭鞘褂?DataX 程序進(jìn)行同步的，所以需要在雙方的數(shù)據(jù)庫上開放權(quán)限：

grantallprivilegeson*.*toroot@'%'identifiedby'123123';
flushprivileges;

2）創(chuàng)建存儲(chǔ)過程：

DELIMITER$$
CREATEPROCEDUREtest()
BEGIN
declareAintdefault1;
while(Ado
insertinto`course-study`.t_membervalues(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));
setA=A+1;
ENDwhile;
END$$
DELIMITER;

3）調(diào)用存儲(chǔ)過程（在數(shù)據(jù)源配置，驗(yàn)證同步使用）：

calltest();

4.通過 DataX 實(shí) MySQL 數(shù)據(jù)同步

1）生成 MySQL 到 MySQL 同步的模板：

[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rmysqlreader-wmysqlwriter
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",#讀取端
"parameter":{
"column":[],#需要同步的列(*表示所有的列)
"connection":[
{
"jdbcUrl":[],#連接信息
"table":[]#連接表
}
],
"password":"",#連接用戶
"username":"",#連接密碼
"where":""#描述篩選條件
}
},
"writer":{
"name":"mysqlwriter",#寫入端
"parameter":{
"column":[],#需要同步的列
"connection":[
{
"jdbcUrl":"",#連接信息
"table":[]#連接表
}
],
"password":"",#連接密碼
"preSql":[],#同步前.要做的事
"session":[],
"username":"",#連接用戶
"writeMode":""#操作類型
}
}
}
],
"setting":{
"speed":{
"channel":""#指定并發(fā)數(shù)
}
}
}
}

2）編寫json文件：

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

3）驗(yàn)證

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

輸出：

2021-12-151615.120[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-151615.120[job-0]INFOStandAloneJobContainerCommunicator-Total2999999records,107666651bytes|Speed2.57MB/s,74999records/s|Error0records,0bytes|AllTaskWaitWriterTime82.173s|AllTaskWaitReaderTime75.722s|Percentage100.00%
2021-12-151615.124[job-0]INFOJobContainer-
任務(wù)啟動(dòng)時(shí)刻:2021-12-151632
任務(wù)結(jié)束時(shí)刻:2021-12-151615
任務(wù)總計(jì)耗時(shí):42s
任務(wù)平均流量:2.57MB/s
記錄寫入速度:74999rec/s
讀出記錄總數(shù):2999999
讀寫失敗總數(shù):0

你們可以在目的數(shù)據(jù)庫進(jìn)行查看，是否同步完成。

• 上面的方式相當(dāng)于是完全同步，但是當(dāng)數(shù)據(jù)量較大時(shí)，同步的時(shí)候被中斷，是件很痛苦的事情；
• 所以在有些情況下，增量同步還是蠻重要的。

5.使用 DataX 進(jìn)行增量同步

使用 DataX 進(jìn)行全量同步和增量同步的唯一區(qū)別就是：增量同步需要使用where進(jìn)行條件篩選。（即，同步篩選后的 SQL）

1）編寫json文件：

[root@MySQL-1~]#vimwhere.json
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",
"parameter":{
"username":"root",
"password":"123123",
"column":["*"],
"splitPk":"ID",
"where":"ID<=?1888",
"connection":[
{
"jdbcUrl":[
"jdbc//192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"
],
"table":["t_member"]
}
]
}
},
"writer":{
"name":"mysqlwriter",
"parameter":{
"column":["*"],
"connection":[
{
"jdbcUrl":"jdbc//192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",
"table":["t_member"]
}
],
"password":"123123",
"preSql":[
"truncatet_member"
],
"session":[
"setsessionsql_mode='ANSI'"
],
"username":"root",
"writeMode":"insert"
}
}
}
],
"setting":{
"speed":{
"channel":"5"
}
}
}
}

• 需要注意的部分就是：where（條件篩選） 和preSql（同步前，要做的事） 參數(shù)。

2）驗(yàn)證：

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

輸出：

2021-12-161738.534[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-161738.534[job-0]INFOStandAloneJobContainerCommunicator-Total1888records,49543bytes|Speed1.61KB/s,62records/s|Error0records,0bytes|AllTaskWaitWriterTime0.002s|AllTaskWaitReaderTime100.570s|Percentage100.00%
2021-12-161738.537[job-0]INFOJobContainer-
任務(wù)啟動(dòng)時(shí)刻:2021-12-161706
任務(wù)結(jié)束時(shí)刻:2021-12-161738
任務(wù)總計(jì)耗時(shí):32s
任務(wù)平均流量:1.61KB/s
記錄寫入速度:62rec/s
讀出記錄總數(shù):1888
讀寫失敗總數(shù):0

目標(biāo)數(shù)據(jù)庫上查看：

3）基于上面數(shù)據(jù)，再次進(jìn)行增量同步：

主要是where配置："where":"ID>1888ANDID<=?2888"#通過條件篩選來進(jìn)行增量同步
同時(shí)需要將我上面的preSql刪除(因?yàn)槲疑厦孀龅牟僮鲿r(shí)truncate表)