高效的數(shù)據(jù)同步工具DataX的使用及實現(xiàn)示例
前言
我們公司有個項目的數(shù)據(jù)量高達五千萬，但是因為報表那塊數(shù)據(jù)不太準確，業(yè)務庫和報表庫又是跨庫操作，所以并不能使用 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，但是嘗試后發(fā)現(xiàn)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(shù)據(jù)產(chǎn)出（也就是說同步等于沒同步）
存儲方式：這個效率太慢了，要是數(shù)據(jù)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(shù)據(jù)…
后面在網(wǎng)上查看后，發(fā)現(xiàn) DataX 這個工具用來同步不僅速度快，而且同步的數(shù)據(jù)量基本上也相差無幾。
一、DataX 簡介
DataX 是阿里云 DataWorks 數(shù)據(jù)集成 的開源版本，主要就是用于實現(xiàn)數(shù)據(jù)間的離線同步。 DataX 致力于實現(xiàn)包括關系型數(shù)據(jù)庫（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等 各種異構(gòu)數(shù)據(jù)源（即不同的數(shù)據(jù)庫） 間穩(wěn)定高效的數(shù)據(jù)同步功能。
為了 解決異構(gòu)數(shù)據(jù)源同步問題，DataX 將復雜的網(wǎng)狀同步鏈路變成了星型數(shù)據(jù)鏈路，DataX 作為中間傳輸載體負責連接各種數(shù)據(jù)源；
當需要接入一個新的數(shù)據(jù)源時，只需要將此數(shù)據(jù)源對接到 DataX，便能跟已有的數(shù)據(jù)源作為無縫數(shù)據(jù)同步。
1.DataX3.0 框架設計
DataX 采用 Framework + Plugin 架構(gòu)，將數(shù)據(jù)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(shù)據(jù)源的數(shù)據(jù)，將數(shù)據(jù)發(fā)送給 Framework。 |
| Writer（寫入模塊） | 負責不斷向 Framework 中取數(shù)據(jù)，并將數(shù)據(jù)寫入到目的端。 |
| Framework（中間商） | 負責連接 Reader 和 Writer，作為兩者的數(shù)據(jù)傳輸通道，并處理緩沖，流控，并發(fā)，數(shù)據(jù)轉(zhuǎn)換等核心技術(shù)問題。 |
2.DataX3.0 核心架構(gòu)
DataX 完成單個數(shù)據(jù)同步的作業(yè)，我們稱為 Job，DataX 接收到一個 Job 后，將啟動一個進程來完成整個作業(yè)同步過程。DataX Job 模塊是單個作業(yè)的中樞管理節(jié)點，承擔了數(shù)據(jù)清理、子任務切分、TaskGroup 管理等功能。
DataX Job 啟動后，會根據(jù)不同源端的切分策略，將 Job 切分成多個小的 Task (子任務)，以便于并發(fā)執(zhí)行。
接著 DataX Job 會調(diào)用 Scheduler 模塊，根據(jù)配置的并發(fā)數(shù)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 啟動后，會固定啟動 Reader --> Channel --> Writer 線程來完成任務同步工作。
DataX 作業(yè)運行啟動后，Job 會對 TaskGroup 進行監(jiān)控操作，等待所有 TaskGroup 完成后，Job 便會成功退出（異常退出時 值非 0）
DataX 調(diào)度過程：
首先 DataX Job 模塊會根據(jù)分庫分表切分成若干個 Task，然后根據(jù)用戶配置并發(fā)數(shù)，來計算需要分配多少個 TaskGroup；
計算過程：Task / Channel = TaskGroup，最后由 TaskGroup 根據(jù)分配好的并發(fā)數(shù)來運行 Task（任務）
二、使用 DataX 實現(xiàn)數(shù)據(jù)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(tǒng) | IP 地址 | 軟件包 |
|---|---|---|---|
| MySQL-1 | CentOS 7.4 | 192.168.1.1 | jdk-8u181-linux-x64.tar.gz datax.tar.gz |
| MySQL-2 | CentOS 7.4 | 192.168.1.2 |
安裝 JDK：下載地址（需要創(chuàng)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。
1.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(jié)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(shù) : 100000 讀寫失敗總數(shù) : 0
2.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(jù)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":"河北彭于晏"
},
],
"sliceRecordCount": "3" # 打印數(shù)量
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"encoding": "utf-8", # 編碼
"print": true
}
}
}
],
"setting": {
"speed": {
"channel": "2" # 并發(fā) (即 sliceRecordCount * channel = 結(jié)果)
}
}
}
}
輸出：（要是復制我上面的話，需要把 # 帶的內(nèi)容去掉）
3.安裝 MySQL 數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)庫
... skipping.
Reload privilege tables now? [Y/n] y # 重新加載表
... Success!
1）準備同步數(shù)據(jù)（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(shù)據(jù)庫上開放權(quán)限：
grant all privileges on *.* to root@'%' identified by '123123'; flush privileges;
2）創(chuàng)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(diào)用存儲過程（在數(shù)據(jù)源配置，驗證同步使用）：
call test();
4.通過 DataX 實 MySQL 數(shù)據(jù)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": "" # 指定并發(fā)數(shù)
}
}
}
}
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(jié)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(shù) : 2999999
讀寫失敗總數(shù) : 0
你們可以在目的數(shù)據(jù)庫進行查看，是否同步完成。
上面的方式相當于是完全同步，但是當數(shù)據(jù)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。
5.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(qū)別就是：增量同步需要使用 where 進行條件篩選。（即，同步篩選后的 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"
}
}
}
}
需要注意的部分就是：where（條件篩選） 和 preSql（同步前，要做的事） 參數(shù)。
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(jié)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(shù) : 1888 讀寫失敗總數(shù) : 0
目標數(shù)據(jù)庫上查看：
3）基于上面數(shù)據(jù)，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)
以上就是高效的數(shù)據(jù)同步工具DataX的使用及實現(xiàn)示例的詳細內(nèi)容，更多關于DataX數(shù)據(jù)同步工具的資料請關注腳本之家其它相關文章！
相關文章
DBCC SHRINKDATABASEMS SQL數(shù)據(jù)庫日志壓縮方法
DBCC SHRINKDATABASEMS SQL數(shù)據(jù)庫日志壓縮方法...2007-07-07
本文主要介紹在 GaussDB(DWS) 中，如何通過 SQL 語句，對分布式死鎖進行檢測和恢復。2021-05-05
這篇文章主要介紹了在PostgreSQL中使用日期類型時一些需要注意的地方,包括時間戳和日期轉(zhuǎn)換等方面,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了 Navicat12.1系列破解激活教程親測有效,本文給大家介紹的非常詳細，對大家的學習或工作工作具有一定的參考借鑒價值，需要的朋友可以參考下2020-11-11
免費開源數(shù)據(jù)庫:SQLite、MySQL和PostgreSQL的優(yōu)缺點
對于處理大規(guī)模數(shù)據(jù)和高并發(fā)訪問的場景,MySQL和PostgreSQL更適合,SQLite在小型應用程序或嵌入式設備中是一種輕量級、簡單和易于使用的選擇,根據(jù)具體的應用需求和場景特點,選擇合適的開源關系型數(shù)據(jù)庫可以提供更好的性能、可擴展性和靈活性2024-02-02
SQL注入攻擊是通過將惡意的SQL查詢或添加語句插入到應用的輸入?yún)?shù)中,再在后臺SQL服務器上解析執(zhí)行進行的攻擊,它目前是黑客對數(shù)據(jù)庫進行攻擊的最常用的手段之一,這篇文章主要給大家介紹了關于sql注入的一些零散知識點,需要的朋友可以參考下2021-10-10
這篇文章主要介紹了mybatis 項目配置文件實例詳解的相關資料,需要的朋友可以參考下2017-03-03
數(shù)據(jù)庫連接池Druid與Hikari對比詳解
這篇文章主要為大家介紹了數(shù)據(jù)庫連接池Druid與Hikari對比詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-02-02
這篇文章主要為大家介紹了Apache?Doris?Join?優(yōu)化原理詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2022-10-10
大數(shù)據(jù)時代的數(shù)據(jù)庫選擇：SQL還是NoSQL？
執(zhí)行大數(shù)據(jù)項目的企業(yè)面對的關鍵決策之一是使用哪個數(shù)據(jù)庫，SQL還是NoSQL?SQL有著驕人的業(yè)績，龐大的安裝基礎;而NoSQL正在獲得可觀的收益，且有很多支持者。我們來看看兩位專家對這個問題的看法2014-03-03