datax和oushudb
@TOC
DataX 概述
DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台,实现包括 MySQL、Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。
GitHub 地址:https://github.com/alibaba/DataX
- Features
将不同数据源的同步抽象为从源头数据源读取数据的 Reader 插件,以及向目标端写入数据的 Writer 插件,理论上 DataX 框架可以支持任意数据源类型的数据同步工作。同时 DataX 插件体系作为一套生态系统, 每接入一套新数据源该新加入的数据源即可实现和现有的数据源互通。
- 设计理念
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。
DataX3.0 设计框架
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,负责不断从 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。
支持插件体系
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:
详情参考:https://github.com/alibaba/DataX
DataX3.0 核心架构
DataX3.0 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 作业声明周期的时序图,从整体架构设计非常简要说明 DataX 各个模块相互关系。
- 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:
- DataXJob 根据分库分表切分成了 100 个 Task。
- 根据 20 个并发,DataX 计算共需要分配 4 个 TaskGroup。
- 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。
部署 DataX
直接下载 DataX 工具包:DataX 下载地址(http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz)
下载后解压至本地某个目录,进入 bin 目录,即可运行同步作业:
$ cd {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}
在 oushudb 中准备源表和目标表
create table source_table(id int); //准备源表
INSERT INTO source_table select generate_series(1,1000); 往源表中写入测试数据
create table target_table(id int); //准备目标表
根据 PostgreSQL 模板配置 JSON
# 对应参数说明文档
https://github.com/alibaba/DataX/blob/master/postgresqlreader/doc/postgresqlreader.md
https://github.com/HashDataInc/DataX/blob/master/gpdbwriter/doc/gpdbwriter.md
python datax.py -r postgresqlreader -w gpdbwriter >oushudb.json.tamplate
编写 JSON:
{
"job": {
"content": [
{
"reader": {
"name": "postgresqlreader",
"parameter": {
"column": [ "id"],
"connection": [
{
"jdbcUrl": [ "jdbc:postgresql://127.0.0.1:5432/postgres" ],
"table": [ "public.source_table" ]
}
],
"password": "gpadmin",
"username": "gpadmin"
}
},
"writer": {
"name": "gpdbwriter",
"parameter": {
"column": [ "id" ],
"connection": [
{
"jdbcUrl": "jdbc:postgresql://127.0.0.1:5432/postgres",
"table": [ "public.target_table" ]
}
],
"preSql": [ "select 'beginTime: '||now();truncate table target_table" ],
"postSql": [ "select 'endTime: '||now() " ],
"segment_reject_limit": 0,
"username": "gpadmin",
"password": "gpadmin"
}
}
}
],
"setting": {
"speed": {
"channel": "1"
}
}
}
}
执行 job
python datax.py oushu.json