Datax的学习笔记

1. 简介

Datax 是阿里巴巴集团内被广泛使用的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、MaxCompute（原ODPS）、HBase、FTP等各种异构数据源（即不同的数据库）之间稳定高效的数据同步功能。

1.1 设计理念

​ 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。

1.2 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 中取数据，并将数据写入到目的端。

• Framework：Framework 用于连接 reader 和 writer，作为两者数据传输通道，并处理缓冲，流控，并发，数据转换等核心技术问题。

  DataX 3.0 开源版本支持单机多线程模式完成同步作业运行。详情参考：阿里云开源离线同步工具DataX3.0介绍

1.3 优点

1. 可靠的数据质量监控（让数据可以完整无损的传输到目的端）
2. 丰富的数据转换功能
3. 精准的速度控制
4. 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，可以随意控制你的作业速度，让你的作业在库可以承受的范围内达到最佳的同步速度。
5. 强劲的同步性能：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。
6. 健壮的容错机制（多层次局部/全局的重试）
7. 极简的使用体验。下载即可用、详细的日志信息。

1.4 系统需求

• Linux
• JDK（1.8以上，推荐1.8）
• Python（推荐Python2.6 X）
• Apache Maven 3.x（Compile DataX）

1.4 搭建

官网步骤：https://github.com/alibaba/DataX/blob/master/userGuid.md

2. 相关概念

异构数据源

​ 指不同的数据库管理系统之间的数据。在企业信息化建设过程中，由于各业务系统建设和实施数据管理系统的阶段性、技术性以及其他经济和人为因素等因素影响，导致企业在发展过程中积累了大量采用不同存储方式的业务数据，包括采用的数据管理系统也大不相同，从简单的文件数据库到复杂的网络数据库，它们构成了企业的异构数据源。

​ 企业数据源异构性主要表现在3方面：

1. 系统异构，即数据源所依赖的业务应用系统、数据库管理系统乃至操作系统之间的不同构成了系统异构。
2. 模式异构，即数据源在存储模式上的不同。存储模式主要包括关系模式、对象模式、对象关系模式和文档嵌套等几种，其中关系模式（关系数据库）为主流存储模式。同时，即便是同一类存储模式，他们的模式结构可能也存在着差异。例如不同的关系数据管理系统的数据类型等方面并不是完全一致的，如 DB2、Oracle、Sybase、Informix、SQL Server、Foxpro等。
3. 来源异构，即企业内部数据源和外部数据源之间的异构。

3. DataX3.0 核心架构

​ DataX 完成单个数据通过不的作业，我们成为Job，DataX 接受到一个 Job 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、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 便会成功推出（异常退出时 值非0）

组成介绍：

• Job：单个作业的管理节点，负责数据清理、子任务划分、TashGroup监控管理。
• Task：由Job切分而来，是DataX作业的最小单元，每个Task负责一部分数据的同步工作。
• Schedule：将Task 组成 TaskGroup，单个 TaskGroup的并发数量为5。
• TaskGroup：负责启动Task。

DataX 调度过程：

1. 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；
2. 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）