datax高级_Datax-数据抽取同步利器
datax⾼级_Datax-数据抽取同步利器
⼀ Datax概览
内服去除黑素的DataX 是⼀个异构数据源离线同步⼯具，致⼒于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之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。
⼆ Datax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。
月光下的村庄铁蛋500字·
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。
三 Datax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
Writer
⽂档
RDBMS 关系型数据库
MySQL
√
√
读 、写
Oracle
√
√
读 、写
SQLServer
√
√
拿来主义读后感
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
√
√饮食健康
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
√
我的世界怎么联机√
读 、写
FTP
√
√
读 、写
HDFS
√
√
读 、写关于立春的古诗30首
Elasticsearch
√
写
DataX Framework提供了简单的接⼝与插件交互，提供简单的插件接⼊机制，只需要任意加上⼀种插件，就能⽆缝对接其他数据源
四 Datax核⼼架构
DataX 3.0 开源版本⽀持单机多线程模式完成同步作业运⾏，本⼩节按⼀个DataX作业⽣命周期的时序图，从整体架构设计⾮常简要说明DataX各个模块相互关系。
核⼼模块介绍：
1.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。
2.DataXJob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。
3.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。
4.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。
5.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：
1.DataXJob根据分库分表切分成了100个Task。
2.根据20个并发，DataX计算共需要分配4个TaskGroup。
3.4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。
五 Datax核⼼优势
l可靠的数据质量监控
完美解决数据传输个别类型失真问题
DataX旧版对于部分数据类型(⽐如时间戳)传输⼀直存在毫秒阶段等数据失真情况，新版本DataX3.0已经做到⽀持所有的强数据类型，每⼀种插件都有⾃⼰的数据类型转换策略，让数据可以完整⽆损的传输到⽬的端。
提供作业全链路的流量、数据量运⾏时监控
DataX3.0运⾏过程中可以将作业本⾝状态、数据流量、数据速度、执⾏进度等信息进⾏全⾯的展⽰，让⽤户可以实时了解作业状态。并可在作业执⾏过程中智能判断源端和⽬的端的速度对⽐情况，给予⽤户更多性能排查信息。
提供脏数据探测
在⼤量数据的传输过程中，必定会由于各种原因导致很多数据传输报错(⽐如类型转换错误)，这种数据DataX认为就是脏数据。DataX⽬前可以实现脏数据精确过滤、识别、采集、展⽰，为⽤户提供多种的脏数据处理模式，让⽤户准确把控数据质量⼤关！
l丰富的数据转换功能
DataX作为⼀个服务于⼤数据的ETL⼯具，除了提供数据快照搬迁功能之外，还提供了丰富数据转换的功能，让数据在传输过程中可以轻松完成数据脱敏，补全，过滤等数据转换功能，另外还提供了⾃动groovy函数，让⽤户⾃定义转换函数。
l精准的速度控制
新版本DataX3.0提供了包括通道(并发)、记录流、字节流三种流控模式，可以随意控制作业速度，让作业在库可以承受的范围内达到最佳的同步速度。
"speed": {"channel": 5,"byte": 1048576,"record": 10000}
l强劲的同步性能
DataX3.0每⼀种读插件都有⼀种或多种切分策略，都能将作业合理切分成多个Task并⾏执⾏，单机多线程执⾏模型可以让DataX速度随并
发成线性增长。在源端和⽬的端性能都⾜够的情况下，单个作业⼀定可以打满⽹卡。
l健壮的容错机制
DataX作业是极易受外部因素的⼲扰，⽹络闪断、数据源不稳定等因素很容易让同步到⼀半的作业报错停⽌。因此稳定性是DataX的基本要求，在DataX 3.0的设计中，重点完善了框架和插件的稳定性。⽬前DataX3.0可以做到线程级别、进程级别(暂时未开放)、作业级别多层
次局部/全局的重试，保证⽤户的作业稳定运⾏。
线程内部重试
不同的⽹络交互⽅式都有不同的重试策略。
线程级别重试
⽬前DataX已经可以实现TaskFailover，针对于中间失败的Task，DataX框架可以做到整个Task级别的重新调度。
l极简的使⽤体验
易⽤
下载即可⽤，⽀持linux和windows，只需要短短⼏步骤就可以完成数据的传输。
详细
DataX在运⾏⽇志中打印了⼤量信息，其中包括传输速度，Reader、Writer性能，进程CPU，JVM和GC情况等等。
传输过程中打印传输速度、进度等
传输过程中会打印进程相关的CPU、JVM等
在任务结束之后，打印总体运⾏情况
六 样例
实际⼯作中，⽐较常⽤的是
MysqlReaderMysqlWriterHdfsReaderHdfsWriter
下⾯以datax抽取mysql数据写⼊hdfs为例：
{"job": {"setting": {"speed": {"channel": 3},"errorLimit": {"record": 0,"percentage": 0.02}},"content": [{"reader": {"name": "mysqlreade
6.1 参数说明
6.1.1 reader参数说明
jdbcUrl
描述：描述的是到对端数据库的JDBC连接信息，使⽤JSON的数组描述，并⽀持⼀个库填写多个连接地址。之所以使⽤JSON数组描述连接
信息，是因为阿⾥集团内部⽀持多个IP探测，如果配置了多个，MysqlReader可以依次探测ip的可连接性，直到选择⼀个合法的IP。如果全
部连接失败，MysqlReader报错。注意，jdbcUrl必须包含在connection配置单元中。对于阿⾥集团外部使⽤情况，JSON数组填写⼀个JDBC连接即可。
必选：是
默认值：⽆
username
描述：数据源的⽤户名
必选：是
默认值：⽆

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。