数据同步工具DataX

1、DataX 基本介绍

• DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具，致力于实现包括：关系型数据库(MySQL、Oracle等)、HDFS、Hive、HBase、ODPS、FTP等各种异构数据源之间稳定高效的数据同步功能。
  

• 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。

• 当前使用现状

  • DataX在阿里巴巴集团内被广泛使用，承担了所有大数据的离线同步业务，并已持续稳定运行了6年之久。目前每天完成同步8w多道作业，每日传输数据量超过300TB。

  • 此前已经开源DataX1.0版本，此次介绍为阿里云开源全新版本DataX 3.0，有了更多更强大的功能和更好的使用体验。

  • Github主页地址：https://github.com/alibaba/DataX

    

2、DataX 3.0 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。
  • 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。
      

3、DataX 3.0 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(读)	Writer(写)	文档
  RDBMS 关系型数据库	MySQL	√	√	读 、写
  	Oracle	√	√	读 、写
  	SQLServer	√	√	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	√	√	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	√	√	读 、写
  	FTP	√	√	读 、写
  	HDFS	√	√	读 、写
  	Elasticsearch		√	写

4、DataX 3.0 核心架构

• DataX 3.0 支持单机多线程模式完成 数据同步作业，本小节按一个DataX作业生命周期的时序图，从整体架构设计简要说明DataX各个模块之间的相互关系。
  

• 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. DataX Job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，默认单个任务组的并发数量为5，DataX计算共需要分配4个TaskGroup。
    • 3. 这里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。