浅谈数据同步之道

数据同步，顾名思义就是不同系统的数据进行同步处理。而业务系统所涉及的数据库同步是重中之重，虽然大部分数据库都提供了导入导出的工具，但是数据存储到各个地方，Hive、Hbase、MySQL、Oracle 等各种各样的不同数据库，然而要把数据同步到指定不同类型的存储库是非常麻烦。那该如何统一实现数据源同步？下面介绍几种常用的同步的方案和工具。

1、Sqoop

Apache Sqoop 是一种工具，用于在 Apache Hadoop 和外部数据存储（如关系数据库，企业数据仓库）之间高效传输批量数据。

Sqoop 用于将数据从外部数据存储导入 Hadoop Hdfs 或 Hive 和 HBase 等相关 Hadoop 生态系统。同样，Sqoop 还可用于从 Hadoop 或其生态系统中提取数据，并将其导出到外部数据存储区，如关系数据库、数据仓库。Sqoop 适用于 Oracle，MySQL，Postgres 等关系数据库。

Sqoop 数据导入命令示例如下。

sqoop import 
-connect jdbc:mysql://localhost:3306/sqoop 
-username root 
-password 123456 
-table emp_etl 
-m 3 
-hive-import 
-create-hive-table  
-hive-table  emp_mysql

通过命令行界面执行 Sqoop 命令。也可以使用 Java API 访问 Sqoop。Sqoop 解析命令行生成 MapRedure 并只启动 Hadoop Map 作业以导入或导出数据，因为只有在需要聚合时才需要 Reduce 阶段。Sqoop 只是导入和导出数据， 它没有做任何聚合。

映射作业根据用户定义的数量（-m 3）启动多个映射器。对于 Sqoop 导入，将为每个映射器任务分配一部分要导入的数据。Sqoop 在映射器之间平均分配输入数据以获得高性能。然后，每个映射器使用 JDBC 创建与数据库的连接，并获取由 Sqoop 分配的数据部分，将其写入 HDFS 或 Hive 或 HBase。

2、Datax

DataX 是阿里开发的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。

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：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： 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。

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。

Datax 使用比较简单，只下载 Datax 解压，配置需要运行环境，通过命令运行写好的 json 文件既可以执行任务，另外可以通过二次开发插件支持新的数据源类型,易拓展。

{
  "job": {
    "content": [
      {
        "reader": {
          "name": "xxxreader",
          ...
        },
        "writer": {
          "name": "xxxwriter",
          ...
        }
      }
    ],
    ...
  }
}

3、Canal

无论是 Sqoop 还是 Datax 都是属于离线同步， 不支持实时的数据抽取。这里说个 MySQL 数据库的同步组件
Canal，非常便捷地将 MySQL 中的数据抽取到任意目标存储中。

原理就是 Canal 伪装成 MySQL 从节点，读取 MySQL 的 binlog（一个二进制格式的文件，它记录了数据库的所有改变，并以二进制的形式保存在磁盘中。），生成消息，客户端订阅这些数据变更消息，处理并存储。只要开发一个 Canal 客户端就可以解析出 MySQL 的操作，再将这些数据发送到大数据流计算处理引擎，即可以实现对 MySQL 实时处理。

4、kettle

Kettle 是一款开源的 ETL 工具，实现对各种数据源读取，操作和写入数据，Kettle 无需安装解压即可使用，可通过客户端进行配置和执行作业。Kettle 中有两种脚本文件，transformation 和 job，transformation 完成针对数据的基础转换，job 则完成整个工作流的控制。

5、Informatica PowerCenter

Informatica PowerCenter 是世界级的 企业数据集成平台，从异构的已有系统和数据源中抽取数据，用来构建和管理企业的数据仓库，从而帮助企业做出快速、正确的决策。此产品为满足企业级要求而设计，可以提供企业部门的数据和非关系型数据之间的集成，如XML，网站日志，关系型数据，主机和遗留系统等数据源。

小结

那我们该如何选择合适同步的工具。大数据平台是与 Hadoop 集群相挂钩，在离线同步一般选择 Sqoop，Sqoop 从一开始就是为大数据平台的数据采集业务服务，而且作为 Apache 顶级的项目，Sqoop 比起 Datax 更加可靠，如果涉及阿里自身的数据库系列选择 Datax 是一个不错的选择。在实时同步数据，一般采用 Kafka 作为中间组件，跟 Canal 结合实现 MySQL 到 Hive 增量数据同步。kettle 和 Informatica PowerCenter 一般在建设数仓中使用，通过客户端配置 ETL 任务定制。