DataX介绍

Leefs 2022-03-20 AM 1255℃ 0条

[TOC]

### 一、概述

DataX是阿里云DataWorks数据集成的开源版本，在阿里巴巴集团内被广泛使用的**离线数据同步工具/平台**。

DataX 实现了包括MySQL、Oracle、OceanBase、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、Hologres、DRDS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。

![01.DataX介绍01.png](https://lilinchao.com/usr/uploads/2022/03/1026137760.png)

#### 使用

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。

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

### 二、DataX3.0框架设计

![01.DataX介绍02.png](https://lilinchao.com/usr/uploads/2022/03/2641900586.png)

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。

### 三、DataX3.0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) |
| :----------------- | :------------------------------ | :--------- | :--------- |
| RDBMS 关系型数据库 | MySQL                           | √          | √          |
|                    | Oracle                          | √          | √          |
|                    | SqlServer                       | √          | √          |
|                    | PostgreSQL                      | √          | √          |
|                    | 达梦                            | √          | √          |
|                    | 通用RDBMS(支持所有关系型数据库) | √          | √          |
| 阿里云数仓数据存储 | ODPS                            | √          | √          |
|                    | ADS                             |            | √          |
|                    | OSS                             | √          | √          |
|                    | OCS                             | √          | √          |
| NoSQL数据存储      | OTS                             | √          | √          |
|                    | Hbase0.94                       | √          | √          |
|                    | Hbase1.1                        | √          | √          |
|                    | MongoDB                         | √          | √          |
| 无结构化数据存储   | TxtFile                         | √          | √          |
|                    | FTP                             | √          | √          |
|                    | HDFS                            | √          | √          |

DataX Framework提供了简单的接口与插件交互，提供简单的插件接入机制，只需要任意加上一种插件，就能无缝对接其他数据源。

### 四、DataX3.0核心架构

DataX 3.0 开源版本支持**单机多线程模式**完成同步作业运行，本小节按一个DataX作业生命周期的时序图，从整体架构设计非常简要说明DataX各个模块相互关系。

![01.DataX介绍03.png](https://lilinchao.com/usr/uploads/2022/03/60906112.png)

**核心模块介绍**

+ 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。
+ DataXJob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**。
+ 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**。
+ 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。
+ 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，DataX计算共需要分配4个TaskGroup。
3. 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。

### 五、DataX与Sqoop对比

| 功能      | DataX                        | Sqoop                        |
| --------- | ---------------------------- | ---------------------------- |
| 运行模式  | 单进程多线程                 | MR                           |
| MySQL读写 | 单机压力大；读写粒度容易控制 | MR模式重，写出错处理麻烦     |
| Hive读写  | 单机压力大                   | 很好                         |
| 文件格式  | orc支持                      | orc不支持，可添加            |
| 分布式    | 不支持，可以通过调度系统规避 | 支持                         |
| 流控      | 有流控功能                   | 需要定制                     |
| 统计信息  | 已有一些统计，上报需定制     | 没有，分布式的数据收集不方便 |
| 数据校验  | 在core部分有校验功能         | 没有，分布式的数据收集不方便 |
| 监控      | 需要定制                     | 需要定制                     |
| 社区      | 开源不久，社区不活跃         | 一直活跃，核心部分变动很少   |

*附参考原文链接地址：*

*https://developer.aliyun.com/article/59373?spm=5176.24320532.content1.2.6d4a2ff47ipb5s*

标签: DataX

非特殊说明，本博所有文章均为博主原创。

如若转载，请注明出处：https://lilinchao.com/archives/1939.html

上一篇 12.Table API和Flink SQL之函数

下一篇 Flume概述

DataX介绍

评论啦~

栏目分类

标签云

友情链接申请

DataX介绍

 评论啦~

 栏目分类

标签云

友情链接申请

评论啦~

栏目分类

标签云

友情链接申请