阿里的又一款数据高效同步工具DataX，真香！

清茶清肠胃 · 发表于 2023-2-10 20:50:40

有个项目的数据量高达五千万，但是因为报表那块数据不太准确，业务库和报表库又是跨库操作，所以并不能使用 SQL 来进行同步。当时的打算是通过 mysqldump 或者存储的方式来进行同步，但是尝试后发现这些方案都不切实际：
mysqldump：不仅备份需要时间，同步也需要时间，而且在备份的过程，可能还会有数据产出（也就是说同步等于没同步）
存储方式：这个效率太慢了，要是数据量少还好，我们使用这个方式的时候，三个小时才同步两千条数据…
常见数据异构的几款中间件的区别如下：

今天介绍一款不错的中间件：DataX
DataX 简介

DataX 是阿里云 DataWorks 数据集成的开源版本，主要就是用于实现数据间的离线同步。 DataX 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（即不同的数据库） 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时，只需要将此数据源对接到 DataX，便能跟已有的数据源作为无缝数据同步。

DataX3.0 框架设计

DataX 采用 Framework + Plugin 架构，将数据源读取和写入抽象称为 Reader/Writer 插件，纳入到整个同步框架中。

DataX3.0 核心架构

DataX 完成单个数据同步的作业，我们称为 Job，DataX 接收到一个 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 便会成功退出（异常退出时 值非 0 ）

DataX 调度过程：

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；
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）
另外，公众号Java精选，回复java面试，获取面试资料，支持在线刷题。

使用 DataX 实现数据同步

准备工作：

JDK（1.8 以上，推荐 1.8）
Python（2，3 版本都可以）
Apache Maven 3.x（Compile DataX）（手动打包使用，使用 tar 包方式不需要安装）

安装 JDK：
下载地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要创建 Oracle 账号）
[root@MySQL-1~]#lsanaconda-ks.cfgjdk-8u181-linux-x64.tar.gz[root@MySQL-1~]#tarzxfjdk-8u181-linux-x64.tar.gz[root@DataX~]#lsanaconda-ks.cfgjdk1.8.0_181jdk-8u181-linux-x64.tar.gz[root@MySQL-1~]#mvjdk1.8.0_181/usr/local/java[root@MySQL-1~]#cat<<END>>/etc/profileexportJAVA_HOME=/usr/local/javaexportPATH=$PATH:&#34;$JAVA_HOME/bin&#34;END[root@MySQL-1~]#source/etc/profile[root@MySQL-1~]#java-version

因为 CentOS 7 上自带 Python 2.7 的软件包，所以不需要进行安装。

Linux上安装DataX软件

[root@MySQL-1~]#wgethttp://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz[root@MySQL-1~]#tarzxfdatax.tar.gz-C/usr/local/[root@MySQL-1~]#rm-rf/usr/local/datax/plugin/*/._*#需要删除隐藏文件(重要)

当未删除时，可能会输出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请检查您的配置文件.

验证：
[root@MySQL-1~]#cd/usr/local/datax/bin[root@MySQL-1~]#pythondatax.py../job/job.json#用来验证是否安装成功输出：
2021-12-1319:26:28.828[job-0]INFOJobContainer-PerfTracenotenable!2021-12-1319:26:28.829[job-0]INFOStandAloneJobContainerCommunicator-Total100000records,2600000bytes|Speed253.91KB/s,10000records/s|Error0records,0bytes|AllTaskWaitWriterTime0.060s|AllTaskWaitReaderTime0.068s|Percentage100.00%2021-12-1319:26:28.829[job-0]INFOJobContainer-任务启动时刻:2021-12-1319:26:18任务结束时刻:2021-12-1319:26:28任务总计耗时:10s任务平均流量:253.91KB/s记录写入速度:10000rec/s读出记录总数:100000读写失败总数:0DataX 基本使用

查看 streamreader \--> streamwriter 的模板：
[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rstreamreader-wstreamwriter输出：
DataX(DATAX-OPENSOURCE-3.0),FromAlibaba!Copyright(C)2010-2017,AlibabaGroup.AllRightsReserved.Pleaserefertothestreamreaderdocument:https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.mdPleaserefertothestreamwriterdocument:https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.mdPleasesavethefollowingconfigurationasajsonfileandusepython{DATAX_HOME}/bin/datax.py{JSON_FILE_NAME}.jsontorunthejob.{&#34;job&#34;:{&#34;content&#34;:[{&#34;reader&#34;:{&#34;name&#34;:&#34;streamreader&#34;,&#34;parameter&#34;:{&#34;column&#34;:[],&#34;sliceRecordCount&#34;:&#34;&#34;}},&#34;writer&#34;:{&#34;name&#34;:&#34;streamwriter&#34;,&#34;parameter&#34;:{&#34;encoding&#34;:&#34;&#34;,&#34;print&#34;:true}}}],&#34;setting&#34;:{&#34;speed&#34;:{&#34;channel&#34;:&#34;&#34;}}}}根据模板编写 json 文件
[root@MySQL-1~]#cat<<END>test.json{&#34;job&#34;:{&#34;content&#34;:[{&#34;reader&#34;:{&#34;name&#34;:&#34;streamreader&#34;,&#34;parameter&#34;:{&#34;column&#34;:[#同步的列名(*表示所有){&#34;type&#34;:&#34;string&#34;,&#34;value&#34;:&#34;Hello.&#34;},{&#34;type&#34;:&#34;string&#34;,&#34;value&#34;:&#34;河北彭于晏&#34;},],&#34;sliceRecordCount&#34;:&#34;3&#34;#打印数量}},&#34;writer&#34;:{&#34;name&#34;:&#34;streamwriter&#34;,&#34;parameter&#34;:{&#34;encoding&#34;:&#34;utf-8&#34;,#编码&#34;print&#34;:true}}}],&#34;setting&#34;:{&#34;speed&#34;:{&#34;channel&#34;:&#34;2&#34;#并发(即sliceRecordCount*channel=结果)}}}}输出：（要是复制我上面的话，需要把 # 带的内容去掉）

安装 MySQL 数据库

分别在两台主机上安装：
[root@MySQL-1~]#yum-yinstallmariadbmariadb-servermariadb-libsmariadb-devel[root@MySQL-1~]#systemctlstartmariadb#安装MariaDB数据库[root@MySQL-1~]#mysql_secure_installation#初始化NOTE:RUNNINGALLPARTSOFTHISSCRIPTISRECOMMENDEDFORALLMariaDBSERVERSINPRODUCTIONUSE!PLEASEREADEACHSTEPCAREFULLY!Entercurrentpasswordforroot(enterfornone):#直接回车OK,successfullyusedpassword,movingon...Setrootpassword?[Y/n]y#配置root密码Newpassword:Re-enternewpassword:Passwordupdatedsuccessfully!Reloadingprivilegetables.....Success!Removeanonymoususers?[Y/n]y#移除匿名用户...skipping.Disallowrootloginremotely?[Y/n]n#允许root远程登录...skipping.Removetestdatabaseandaccesstoit?[Y/n]y#移除测试数据库...skipping.Reloadprivilegetablesnow?[Y/n]y#重新加载表...Success!1）准备同步数据（要同步的两台主机都要有这个表）
MariaDB[(none)]>createdatabase`course-study`;QueryOK,1rowaffected(0.00sec)MariaDB[(none)]>createtable`course-study`.t_member(IDint,Namevarchar(20),Emailvarchar(30));QueryOK,0rowsaffected(0.00sec)

因为是使用 DataX 程序进行同步的，所以需要在双方的数据库上开放权限：
grantallprivilegeson*.*toroot@&#39;%&#39;identifiedby&#39;123123&#39;;flushprivileges;2）创建存储过程：
DELIMITER$$CREATEPROCEDUREtest()BEGINdeclareAintdefault1;while(A<3000000)doinsertinto`course-study`.t_membervalues(A,concat(&#34;LiSa&#34;,A),concat(&#34;LiSa&#34;,A,&#34;@163.com&#34;));setA=A+1;ENDwhile;END$$DELIMITER;

图片3）调用存储过程（在数据源配置，验证同步使用)：
calltest();通过DataX实MySQL数据同步

1）生成 MySQL 到 MySQL 同步的模板：
[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rmysqlreader-wmysqlwriter{&#34;job&#34;:{&#34;content&#34;:[{&#34;reader&#34;:{&#34;name&#34;:&#34;mysqlreader&#34;,#读取端&#34;parameter&#34;:{&#34;column&#34;:[],#需要同步的列(*表示所有的列)&#34;connection&#34;:[{&#34;jdbcUrl&#34;:[],#连接信息&#34;table&#34;:[]#连接表}],&#34;password&#34;:&#34;&#34;,#连接用户&#34;username&#34;:&#34;&#34;,#连接密码&#34;where&#34;:&#34;&#34;#描述筛选条件}},&#34;writer&#34;:{&#34;name&#34;:&#34;mysqlwriter&#34;,#写入端&#34;parameter&#34;:{&#34;column&#34;:[],#需要同步的列&#34;connection&#34;:[{&#34;jdbcUrl&#34;:&#34;&#34;,#连接信息&#34;table&#34;:[]#连接表}],&#34;password&#34;:&#34;&#34;,#连接密码&#34;preSql&#34;:[],#同步前.要做的事&#34;session&#34;:[],&#34;username&#34;:&#34;&#34;,#连接用户&#34;writeMode&#34;:&#34;&#34;#操作类型}}}],&#34;setting&#34;:{&#34;speed&#34;:{&#34;channel&#34;:&#34;&#34;#指定并发数}}}}2）编写 json 文件：
[root@MySQL-1~]#viminstall.json{&#34;job&#34;:{&#34;content&#34;:[{&#34;reader&#34;:{&#34;name&#34;:&#34;mysqlreader&#34;,&#34;parameter&#34;:{&#34;username&#34;:&#34;root&#34;,&#34;password&#34;:&#34;123123&#34;,&#34;column&#34;:[&#34;*&#34;],&#34;splitPk&#34;:&#34;ID&#34;,&#34;connection&#34;:[{&#34;jdbcUrl&#34;:[&#34;jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8&#34;],&#34;table&#34;:[&#34;t_member&#34;]}]}},&#34;writer&#34;:{&#34;name&#34;:&#34;mysqlwriter&#34;,&#34;parameter&#34;:{&#34;column&#34;:[&#34;*&#34;],&#34;connection&#34;:[{&#34;jdbcUrl&#34;:&#34;jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8&#34;,&#34;table&#34;:[&#34;t_member&#34;]}],&#34;password&#34;:&#34;123123&#34;,&#34;preSql&#34;:[&#34;truncatet_member&#34;],&#34;session&#34;:[&#34;setsessionsql_mode=&#39;ANSI&#39;&#34;],&#34;username&#34;:&#34;root&#34;,&#34;writeMode&#34;:&#34;insert&#34;}}}],&#34;setting&#34;:{&#34;speed&#34;:{&#34;channel&#34;:&#34;5&#34;}}}}3）验证
[root@MySQL-1~]#python/usr/local/datax/bin/datax.pyinstall.json输出：
2021-12-1516:45:15.120[job-0]INFOJobContainer-PerfTracenotenable!2021-12-1516:45:15.120[job-0]INFOStandAloneJobContainerCommunicator-Total2999999records,107666651bytes|Speed2.57MB/s,74999records/s|Error0records,0bytes|AllTaskWaitWriterTime82.173s|AllTaskWaitReaderTime75.722s|Percentage100.00%2021-12-1516:45:15.124[job-0]INFOJobContainer-任务启动时刻:2021-12-1516:44:32任务结束时刻:2021-12-1516:45:15任务总计耗时:42s任务平均流量:2.57MB/s记录写入速度:74999rec/s读出记录总数:2999999读写失败总数:0你们可以在目的数据库进行查看，是否同步完成。

上面的方式相当于是完全同步，但是当数据量较大时，同步的时候被中断，是件很痛苦的事情；
所以在有些情况下，增量同步还是蛮重要的。

使用DataX进行增量同步

使用 DataX 进行全量同步和增量同步的唯一区别就是：增量同步需要使用 where 进行条件筛选。
1）编写 json 文件：
[root@MySQL-1~]#vimwhere.json{&#34;job&#34;:{&#34;content&#34;:[{&#34;reader&#34;:{&#34;name&#34;:&#34;mysqlreader&#34;,&#34;parameter&#34;:{&#34;username&#34;:&#34;root&#34;,&#34;password&#34;:&#34;123123&#34;,&#34;column&#34;:[&#34;*&#34;],&#34;splitPk&#34;:&#34;ID&#34;,&#34;where&#34;:&#34;ID<=1888&#34;,&#34;connection&#34;:[{&#34;jdbcUrl&#34;:[&#34;jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8&#34;],&#34;table&#34;:[&#34;t_member&#34;]}]}},&#34;writer&#34;:{&#34;name&#34;:&#34;mysqlwriter&#34;,&#34;parameter&#34;:{&#34;column&#34;:[&#34;*&#34;],&#34;connection&#34;:[{&#34;jdbcUrl&#34;:&#34;jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8&#34;,&#34;table&#34;:[&#34;t_member&#34;]}],&#34;password&#34;:&#34;123123&#34;,&#34;preSql&#34;:[&#34;truncatet_member&#34;],&#34;session&#34;:[&#34;setsessionsql_mode=&#39;ANSI&#39;&#34;],&#34;username&#34;:&#34;root&#34;,&#34;writeMode&#34;:&#34;insert&#34;}}}],&#34;setting&#34;:{&#34;speed&#34;:{&#34;channel&#34;:&#34;5&#34;}}}}

需要注意的部分就是：where（条件筛选）和 preSql（同步前，要做的事）参数。

2）验证：
[root@MySQL-1~]#python/usr/local/data/bin/data.pywhere.json输出：
2021-12-1617:34:38.534[job-0]INFOJobContainer-PerfTracenotenable!2021-12-1617:34:38.534[job-0]INFOStandAloneJobContainerCommunicator-Total1888records,49543bytes|Speed1.61KB/s,62records/s|Error0records,0bytes|AllTaskWaitWriterTime0.002s|AllTaskWaitReaderTime100.570s|Percentage100.00%2021-12-1617:34:38.537[job-0]INFOJobContainer-任务启动时刻:2021-12-1617:34:06任务结束时刻:2021-12-1617:34:38任务总计耗时:32s任务平均流量:1.61KB/s记录写入速度:62rec/s读出记录总数:1888读写失败总数:0目标数据库上查看：

3)基于上面数据，再次进行增量同步：
主要是where配置：&#34;where&#34;:&#34;ID>1888ANDID<=2888&#34;#通过条件筛选来进行增量同步同时需要将我上面的preSql删除(因为我上面做的操作时truncate表)

来源：网络

公众号“Java精选”所发表内容注明来源的，版权归原出处所有（无法查证版权的或者未注明出处的均来自网络，系转载，转载的目的在于传递更多信息，版权属于原作者。如有侵权，请联系，笔者会第一时间删除处理！最近有很多人问，有没有读者交流群！加入方式很简单，公众号Java精选，回复“加群”，即可入群！Java精选面试题（微信小程序）：3000+道面试题，包含Java基础、并发、JVM、线程、MQ系列、Redis、Spring系列、Elasticsearch、Docker、K8s、Flink、Spark、架构设计等，在线随时刷题！------ 特别推荐 ------特别推荐：专注分享最前沿的技术与资讯，为弯道超车做好准备及各种开源项目与高效率软件的公众号，「大咖笔记」，专注挖掘好东西，非常值得大家关注。点击下方公众号卡片关注。点击“阅读原文”，了解更多精彩内容！文章有帮助的话，点在看，转发吧！

哭着微笑 · 发表于 6 天前

高手云集果断围观

阿里的又一款数据高效同步工具DataX，真香！

浏览过的版块