阿裡又開源一款數據同步工具DataX,穩定又高效,好用到爆!

2024年2月6日 18点热度 0人点赞

有個項目的數據量高達五千萬,但是因為報表那塊數據不太準確,業務庫和報表庫又是跨庫操作,所以並不能使用 SQL 來進行同步。當時的打算是通過 mysqldump 或者存儲的方式來進行同步,但是嘗試後發現這些方案都不切實際:

mysqldump:不僅備份需要時間,同步也需要時間,而且在備份的過程,可能還會有數據產出(也就是說同步等於沒同步)

存儲方式:這個效率太慢了,要是數據量少還好,我們使用這個方式的時候,三個小時才同步兩千條數據…

常見數據異構的幾款中間件的區別如下:

今天介紹一款不錯的中間件:DataX

DataX 簡介

DataX(https://github.com/alibaba/DataX) 是阿裡雲 DataWorks 數據集成 的開源版本,主要就是用於實現數據間的離線同步。 DataX 致力於實現包括關系型數據庫(MySQL、Oracle 等)、HDFS、Hive、ODPS、HBase、FTP 等 各種異構數據源(即不同的數據庫) 間穩定高效的數據同步功能。

為了 解決異構數據源同步問題,DataX 將復雜的網狀同步鏈路變成了星型數據鏈路 ,DataX 作為中間傳輸載體負責連接各種數據源;

  • 當需要接入一個新的數據源時,隻需要將此數據源對接到 DataX,便能跟已有的數據源作為無縫數據同步。

DataX3.0 框架設計

DataX 采用 Framework Plugin 架構,將數據源讀取和寫入抽象稱為 Reader/Writer 插件,納入到整個同步框架中。

角色作用Reader(采集模塊)負責采集數據源的數據,將數據發送給 Framework。Writer(寫入模塊)負責不斷向 Framework 中取數據,並將數據寫入到目的端。Framework(中間商)負責連接 Reader 和 Writer,作為兩者的數據傳輸通道,並處理緩沖,流控,並發,數據轉換等核心技術問題。

DataX3.0 核心架構

DataX 完成單個數據同步的作業,我們稱為 Job,DataX 接收到一個 Job 後,將啟動一個進程來完成整個作業同步過程。關註公眾號:碼猿技術專欄,回復關鍵詞:1111 獲取阿裡內部Java性能調優手冊!DataX Job 模塊是單個作業的中樞管理節點,承擔了數據清理、子任務切分、TaskGroup 管理等功能。

  • DataX Job 啟動後,會根據不同源端的切分策略,將 Job 切分成多個小的 Task (子任務),以便於並發執行。
  • 接著 DataX Job 會調用 Scheduler 模塊,根據配置的並發數量,將拆分成的 Task 重新組合,組裝成 TaskGroup(任務組)
  • 每一個 Task 都由 TaskGroup 負責啟動,Task 啟動後,會固定啟動 Reader --> Channel --> Writer 線程來完成任務同步工作。
  • DataX 作業運行啟動後,Job 會對 TaskGroup 進行監控操作,等待所有 TaskGroup 完成後,Job 便會成功退出(異常退出時 值非 0

DataX 調度過程:

  1. 首先 DataX Job 模塊會根據分庫分表切分成若幹個 Task,然後根據用戶配置並發數,來計算需要分配多少個 TaskGroup;
  2. 計算過程:Task / Channel = TaskGroup,最後由 TaskGroup 根據分配好的並發數來運行 Task(任務)

使用 DataX 實現數據同步

準備工作:

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

主機名操作系統IP 地址軟件包MySQL-1CentOS 7.4192.168.1.1jdk-8u181-linux-x64.tar.gz datax.tar.gzMySQL-2CentOS 7.4192.168.1.2

安裝 JDK:

下載地址:https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html(需要創建 Oracle 賬號)

[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
  • 因為 CentOS 7 上自帶 Python 2.7 的軟件包,所以不需要進行安裝。

Linux 上安裝 DataX 軟件

[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/*/._*      # 需要刪除隱藏文件 (重要)
  • 當未刪除時,可能會輸出:[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 請檢查您的配置文件.

驗證:

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

輸出:

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%
2021-12-13 19:26:28.829 [job-0] INFO  JobContainer - 
任務啟動時刻                    : 2021-12-13 19:26:18
任務結束時刻                    : 2021-12-13 19:26:28
任務總計耗時                    :                 10s
任務平均流量                    :          253.91KB/s
記錄寫入速度                    :          10000rec/s
讀出記錄總數                    :              100000
讀寫失敗總數                    :                   0

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

輸出:

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": ""
            }
        }
    }
}

根據模板編寫 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":"河北彭於晏"
       },
   ], 
                        "sliceRecordCount": "3"     # 打印數量
                    }
                }, 
                "writer": {
                    "name": "streamwriter", 
                    "parameter": {
                        "encoding": "utf-8",     # 編碼
                        "print": true
                    }
                }
            }
        ], 
        "setting": {
            "speed": {
                "channel": "2"         # 並發 (即 sliceRecordCount * channel = 結果)
            }
        }
    }
}

輸出:(要是復制我上面的話,需要把 # 帶的內容去掉)

安裝 MySQL 數據庫

分別在兩臺主機上安裝:

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel   
[root@MySQL-1 ~]# systemctl start mariadb            # 安裝 MariaDB 數據庫
[root@MySQL-1 ~]# mysql_secure_installation            # 初始化 
NOTE: RUNNING ALL PARTS OF THIS SCRIPT IS RECOMMENDED FOR ALL MariaDB
      SERVERS IN PRODUCTION USE!  PLEASE READ EACH STEP CAREFULLY!
Enter current password for root (enter for none):       # 直接回車
OK, successfully used password, moving on...
Set root password? [Y/n] y                            # 配置 root 密碼
New password: 
Re-enter new password: 
Password updated successfully!
Reloading privilege tables..
 ... Success!
Remove anonymous users? [Y/n] y                     # 移除匿名用戶
 ... skipping.
Disallow root login remotely? [Y/n] n                # 允許 root 遠程登錄
 ... skipping.
Remove test database and access to it? [Y/n] y         # 移除測試數據庫
 ... skipping.
Reload privilege tables now? [Y/n] y                    # 重新加載表
 ... Success!

1)準備同步數據(要同步的兩臺主機都要有這個表)

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)

因為是使用 DataX 程序進行同步的,所以需要在雙方的數據庫上開放權限:

grant all privileges on *.* to root@'%' identified by '123123';
flush privileges;

2)創建存儲過程:

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)調用存儲過程(在數據源配置,驗證同步使用):

call test();

通過 DataX 實 MySQL 數據同步

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",       # 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": ""          # 指定並發數
            }
        }
    }
}

2)編寫 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)驗證

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

輸出:

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%
2021-12-15 16:45:15.124 [job-0] INFO  JobContainer - 
任務啟動時刻                    : 2021-12-15 16:44:32
任務結束時刻                    : 2021-12-15 16:45:15
任務總計耗時                    :                 42s
任務平均流量                    :            2.57MB/s
記錄寫入速度                    :          74999rec/s
讀出記錄總數                    :             2999999
讀寫失敗總數                    :                   0

你們可以在目的數據庫進行查看,是否同步完成。

  • 上面的方式相當於是完全同步,但是當數據量較大時,同步的時候被中斷,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。

使用 DataX 進行增量同步

使用 DataX 進行全量同步和增量同步的唯一區別就是:增量同步需要使用 where 進行條件篩選。 關註公眾號:碼猿技術專欄,回復關鍵詞:1111 獲取阿裡內部Java性能調優手冊!(即,同步篩選後的 SQL)

1)編寫 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"
            }
        }
    }
}
  • 需要註意的部分就是:where(條件篩選) 和 preSql(同步前,要做的事) 參數。

2)驗證:

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

輸出:

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 - 
任務啟動時刻                    : 2021-12-16 17:34:06
任務結束時刻                    : 2021-12-16 17:34:38
任務總計耗時                    :                 32s
任務平均流量                    :            1.61KB/s
記錄寫入速度                    :             62rec/s
讀出記錄總數                    :                1888
讀寫失敗總數                    :                   0

目標數據庫上查看:

3)基於上面數據,再次進行增量同步:

主要是 where 配置:"where": "ID > 1888 AND ID <= 2888"      # 通過條件篩選來進行增量同步
同時需要將我上面的 preSql 刪除(因為我上面做的操作時 truncate 表)