数据同步中间件DataX
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据同步中间件DataX相关的知识，希望对你有一定的参考价值。
今天介绍一款不错的中间件：DataX
当有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…
常见数据异构的几款中间件的区别如下：
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。
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 |
Writer（写入模块） | 负责不断向 |
Framework（中间商） | 负责连接 |
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。关注公众号：码猿技术专栏，回复关键词：1111 获取阿里内部Java性能调优手册！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：
- 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；
- 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）
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-1 | CentOS 7.4 | 192.168.1.1 | |
MySQL-2 | CentOS 7.4 | 192.168.1.2 |
安装 JDK：
下载地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要创建 Oracle 账号）
- 因为
CentOS 7上自带Python 2.7的软件包，所以不需要进行安装。
Linux 上安装 DataX 软件
- 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：
输出：
DataX 基本使用
查看streamreader \\--> streamwriter的模板：
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.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": "streamreader",
"parameter":
"column": [],
"sliceRecordCount": ""
,
"writer":
"name": "streamwriter",
"parameter":
"encoding": "",
"print": true
],
"setting":
"speed":
"channel": ""
根据模板编写json文件
输出：（要是复制我上面的话，需要把#带的内容去掉）
安装 MySQL 数据库
分别在两台主机上安装：
1）准备同步数据（要同步的两台主机都要有这个表）
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：
3）调用存储过程（在数据源配置，验证同步使用)：
call test();
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：
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。
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。
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] INFO JobContainer - PerfTrace not enable!
2021-12-16 17:34:38.534 [job-0] INFO StandAloneJobContainerCommunicator - 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] INFO JobContainer -
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)
以上是关于数据同步中间件DataX的主要内容，如果未能解决你的问题，请参考以下文章