探索阿里推出的高效数据同步工具DataX：解决海量数据同步挑战的最佳方案
探索阿里推出的高效数据同步工具DataX：解决海量数据同步挑战的最佳方案
前言
在一个项目中，数据量高达五千万，但由于报表的数据准确性问题，业务库和报表库之间需要跨库操作，因此无法使用 SQL 进行有效的同步。最初考虑使用 mysqldump 或存储方式来实现同步，但是尝试后发现这些方案并不切实际：
mysqldump：备份和同步都需要耗费较长时间，同时在备份过程中可能会出现数据更新，导致同步效果不佳。- 存储方式：该方法的效率非常低下，在数据量较少的情况下也显得无力，使用该方法时，三个小时也仅能同步两千条数据。
常见的数据异构中间件的对比总结如下：
今天，我将介绍一款出色的中间件：DataX。
DataX 简介
DataX 是阿里云 DataWorks 数据集成的开源版本，专注于实现不同数据源之间的离线同步。 DataX 致力于提供稳定而高效的数据同步功能，支持多种异构数据源，包括关系型数据库（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等。
为了有效解决异构数据源的同步难题，DataX 将复杂的网状同步链路转化为星型数据链路， 作为中间传输载体，DataX 负责连接各类数据源。
接入新的数据源时，只需将该数据源与 DataX 对接，即可实现与已有数据源之间的无缝同步。
DataX 3.0 框架设计
DataX 采用 Framework + Plugin 的架构，将数据源读取和写入抽象为 Reader/Writer 插件，纳入整个同步框架中。
| 角色 | 作用 |
|---|---|
| Reader（采集模块） | 负责从数据源采集数据，并将数据发送给 Framework。 |
| Writer（写入模块） | 持续从 Framework 获取数据，并将其写入目标端。 |
| Framework（中间商） | 负责连接 Reader 和 Writer，充当两者的数据传输通道，处理缓冲、流控、并发和数据转换等核心技术问题。 |
DataX 3.0 核心架构
在 DataX 中，单个数据同步任务被称为 Job。当 DataX 接收到一个 Job 后，将启动一个进程来完成整个同步过程。DataX Job 模块是单个作业的核心管理节点，负责数据清理、子任务切分、TaskGroup 管理等功能。
- DataX Job 启动后，根据不同源端的切分策略，将 Job 切分为多个小的 Task（子任务），以支持并发执行。
- 随后，DataX Job 将调用 Scheduler 模块，依据配置的并发数，将拆分的 Task 重新组合，组装成 TaskGroup（任务组）。
- 每个 Task 由 TaskGroup 负责启动，Task 启动后，将通过固定的 Reader
-->Channel-->Writer 线程完成任务同步工作。 - DataX 作业运行时，Job 会监控 TaskGroup，待所有 TaskGroup 完成后，Job 将成功退出（异常退出时返回非 0 状态）。
DataX 调度过程：
- DataX Job 模块依据分库分表策略切分若干个 Task，根据用户配置的并发数计算所需的 TaskGroup 数量；
- 计算公式为：
Task / Channel = TaskGroup，最后由 TaskGroup 根据分配好的并发数运行 Task（任务）。
使用 DataX 实现数据同步
准备工作：
- JDK（1.8 及以上，推荐 1.8）
- Python（支持 2 和 3 版本）
- Apache Maven 3.x（用于编译 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 | jdk-8u181-linux-x64.tar.gz datax.tar.gz |
| 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）
[root@MySQL-1 ~]# ls
anaconda-ks.cfg jdk-8u181-linux-x64.tar.gz
[root@MySQL-1 ~]# tar zxf jdk-8u181-linux-x64.tar.gz
[root@DataX ~]# ls
anaconda-ks.cfg jdk1.8.0_181 jdk-8u181-linux-x64.tar.gz
[root@MySQL-1 ~]# mv jdk1.8.0_181 /usr/local/java
[root@MySQL-1 ~]# cat <<END >> /etc/profile
export JAVA_HOME=/usr/local/java
export PATH=$PATH:"$JAVA_HOME/bin"
END
[root@MySQL-1 ~]# source /etc/profile
[root@MySQL-1 ~]# java -version
CentOS 7自带Python 2.7软件包，无需安装。
在 Linux 上安装 DataX 软件
[root@MySQL-1 ~]# wget http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
[root@MySQL-1 ~]# tar zxf datax.tar.gz -C /usr/local/
[root@MySQL-1 ~]# rm -rf /usr/local/datax/plugin/*/._* # 需要删除隐藏文件 (重要)
- 如未删除隐藏文件，可能会遇到错误提示：
[/usr/local/datax/plugin/reader/._drdsreader/plugin.json]不存在. 请检查您的配置文件.
验证安装是否成功：
[root@MySQL-1 ~]# cd /usr/local/datax/bin
[root@MySQL-1 ~]# python datax.py ../job/job.json # 用来验证是否安装成功
输出示例：
2021-12-13 19:26:28.828 [job-0] INFO JobContainer - PerfTrace not enable!
2021-12-13 19:26:28.829 [job-0] INFO StandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 253.91KB/s, 10000 records/s | Error 0 records, 0 bytes | All Task WaitWriterTime 0.060s | All Task WaitReaderTime 0.068s | Percentage 100.00%
DataX 基本使用
查看 streamreader --> streamwriter 的模板：
[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter
输出示例：
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：
[root@MySQL-1 ~]# cat <<END > 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"# 打印数量
}
},
"writer":{
"name":"streamwriter",
"parameter":{
"encoding":"utf-8",
"# 编码"print":true
}
}
}
],
"setting":{
"speed":{
"channel":"2"# 并发 (即 sliceRecordCount * channel = 结果)
}
}
}
}
输出示例：
安装 MySQL 数据库
在两台主机上分别执行：
[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel
[root@MySQL-1 ~]# systemctl start mariadb # 安装 MariaDB 数据库
[root@MySQL-1 ~]# mysql_secure_installation # 初始化
NOTE: 为所有在生产环境中使用的 MariaDB 服务器推荐运行此脚本！请仔细阅读每个步骤！
Enter current password for root (enter for none): # 直接回车
OK, successfully used password, moving on...
Set root password? [Y/n] y # 配置 root 密码
New password:
Re-enter new password:
Password updated successfully!
Reloading privilege tables..
... Success!
Remove anonymous users? [Y/n] y # 移除匿名用户
... skipping.
Disallow root login remotely? [Y/n] n # 允许 root 远程登录
... skipping.
Remove test database and access to it? [Y/n] y # 移除测试数据库
... skipping.
Reload privilege tables now? [Y/n] y # 重新加载表
... Success!
1）准备同步数据（在两台主机上都创建相同的数据表）：
MariaDB [(none)]> create database `course-study`;
Query OK, 1 row affected (0.00 sec)
MariaDB [(none)]> create table `course-study`.t_member(ID int,Name varchar(20),Email varchar(30));
Query OK, 0 rows affected (0.00 sec)
由于使用 DataX 程序进行同步，因此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：
DELIMITER $$
CREATE PROCEDURE test()
BEGIN
declare A int default 1;
while (A < 3000000) do
insert into `course-study`.t_member values(A, concat("LiSa", A), concat("LiSa", A, "@163.com"));
set A = A + 1;
END while;
END $$
DELIMITER ;
3）调用存储过程（在数据源配置里验证同步的使用）：
call test();
通过 DataX 实现 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）验证同步：
[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py install.json
输出示例：
2021-12-15 16:45:15.120 [job-0] INFO JobContainer - PerfTrace not enable!
2021-12-15 16:45:15.120 [job-0] INFO StandAloneJobContainerCommunicator - Total 2999999 records, 107666651 bytes | Speed 2.57MB/s, 74999 records/s | Error 0 records, 0 bytes | All Task WaitWriterTime 82.173s | All Task WaitReaderTime 75.722s | Percentage 100.00%
你可以在目标数据库中查看同步是否成功。
- 上述方式实现的是完全同步，但在数据量较大时，若同步过程中出现中断，处理起来会非常麻烦；
- 因此，在某些情况下，增量同步也是非常重要的。
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在于：增量同步需要使用 where 进行条件筛选。（即，使用筛选后的 SQL 进行同步）
1）编写增量同步的 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"
}
}
}
}
- 需要特别关注的参数为
where（条件筛选）和preSql（同步前的准备工作）参数。
2）运行验证：
[root@MySQL-1 ~]# python /usr/local/data/bin/data.py where.json
输出示例：
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%
在目标数据库中进行查看：
3）基于上次的数据，进行再次增量同步：
在这里的 `where` 配置为："where": "ID > 1888 AND ID <= 2888" # 通过条件筛选进行增量同步
同时需要将前面的 `preSql` 删除（因为之前的操作是清空表）。
评论
匿名评论
隐私政策
你无需删除空行，直接评论以获取最佳展示效果
最近发布