阿裏又開源一款數據同步工具DataX，穩定又高效，好用到爆！

2024-01-29碼農

有個計畫的數據量高達五千萬，但是因為報表那塊數據不太準確，業務庫和報表庫又是跨庫操作，所以並不能使用 SQL 來進行同步。當時的打算是透過


 mysqldump

或者儲存的方式來進行同步，但是嘗試後發現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，可能還會有數據產出（也就是說同步等於沒同步）

儲存方式：這個效率太慢了，要是數據量少還好，我們使用這個方式的時候，三個小時才同步兩千條數據…

常見數據異構的幾款中介軟體的區別如下：

今天介紹一款不錯的中介軟體： DataX

DataX 簡介

DataX（https://github.com/alibaba/DataX）是阿裏雲 DataWorks 數據整合的開源版本， 主要就是用於實作數據間的離線同步。 DataX 致力於實作包括關系型資料庫（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等 各種異構資料來源（即不同的資料庫） 間穩定高效的數據同步功能。

為了 解決異構資料來源同步問題，DataX 將復雜的網狀同步鏈路變成了星型數據鏈路 ，DataX 作為中間傳輸載體負責連線各種資料來源；

當需要接入一個新的資料來源時，只需要將此資料來源對接到 DataX，便能跟已有的資料來源作為無縫數據同步。

DataX3.0 框架設計

DataX 采用 Framework + Plugin 架構，將資料來源讀取和寫入抽象稱為 Reader/Writer 外掛程式，納入到整個同步框架中。

角色	作用
Reader（采集模組）	負責采集資料來源的數據，將數據發送給 `Framework` 。
Writer（寫入模組）	負責不斷向 `Framework` 中取數據，並將數據寫入到目的端。
Framework（中間商）	負責連線 `Reader` 和 `Writer` ，作為兩者的數據傳輸通道，並處理緩沖，流控，並行，數據轉換等核心技術問題。

DataX3.0 核心架構

DataX 完成單個數據同步的作業，我們稱為 Job，DataX 接收到一個 Job 後，將啟動一個行程來完成整個作業同步過程。關註公眾號：碼猿技術專欄，回復關鍵詞：1111 獲取阿裏內部Java效能調優手冊！DataX Job 模組是單個作業的中樞管理節點，承擔了數據清理、子任務切分、TaskGroup 管理等功能。

DataX Job 啟動後，會根據不同源端的切分策略，將 Job 切分成多個小的 Task (子任務)，以便於並行執行。

接著 DataX Job 會呼叫 Scheduler 模組，根據配置的並行數量，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 啟動後，會固定啟動 Reader --> Channel --> Writer 執行緒來完成任務同步工作。

DataX 作業執行啟動後，Job 會對 TaskGroup 進行監控操作，等待所有 TaskGroup 完成後，Job 便會成功結束（異常結束時 值非 0 ）

DataX 排程過程：

首先 DataX Job 模組會根據分庫分表切分成若幹個 Task，然後根據使用者配置並行數，來計算需要分配多少個 TaskGroup；
計算過程： Task / Channel = TaskGroup ，最後由 TaskGroup 根據分配好的並行數來執行 Task（任務）

使用 DataX 實作數據同步

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	作業系統	IP 地址	軟體包
MySQL-1	CentOS 7.4	192.168.1.1	`jdk-8u181-linux-x64.tar.gzdatax.tar.gz`
MySQL-2	CentOS 7.4	192.168.1.2

安裝 JDK：

下載地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要建立 Oracle 帳號）

[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 上內建 Python 2.7 的軟體包，所以不需要進行安裝。

Linux 上安裝 DataX 軟體

[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/*/._* # 需要刪除隱藏檔 (重要)

當未刪除時，可能會輸出： [/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 請檢查您的配置檔.

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 : 100000 讀寫失敗總數 : 0

DataX 基本使用

檢視 streamreader \--> streamwriter 的樣版：

[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": "" } } } }

根據樣版編寫 json 檔

[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":"河北彭於晏" }, ], "sliceRecordCount": "3"# 打印數量 } }, "writer": { "name": "streamwriter", "parameter": { "encoding": "utf-8", # 編碼 "print": true } } } ], "setting": { "speed": { "channel": "2"# 並行 (即 sliceRecordCount * channel = 結果) } } } }

輸出：（要是復制我上面的話，需要把 # 帶的內容去掉）

安裝 MySQL 資料庫

分別在兩台主機上安裝：

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel [root@MySQL-1 ~]# systemctl start mariadb # 安裝 MariaDB 資料庫 [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 # 移除匿名使用者 ... skipping. Disallow root login remotely? [Y/n] n # 允許 root 遠端登入 ... skipping. Remove test database and access to it? [Y/n] y # 移除測試資料庫 ... skipping. Reload privilege tables now? [Y/n] y # 重新載入表 ... Success!

1）準備同步數據（要同步的兩台主機都要有這個表）

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 程式進行同步的，所以需要在雙方的資料庫上開放許可權：

grant all privileges on *.* to root@'%' identified by '123123'; flush privileges;

2）建立儲存過程：

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）呼叫儲存過程（在資料來源配置，驗證同步使用)：

call test();

透過 DataX 實 MySQL 數據同步

1）生成 MySQL 到 MySQL 同步的樣版：

[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": [], # 連線資訊 "table": [] # 連線表 } ], "password": "", # 連線使用者 "username": "", # 連線密碼 "where": ""# 描述篩選條件 } }, "writer": { "name": "mysqlwriter", # 寫入端 "parameter": { "column": [], # 需要同步的列 "connection": [ { "jdbcUrl": "", # 連線資訊 "table": [] # 連線表 } ], "password": "", # 連線密碼 "preSql": [], # 同步前. 要做的事 "session": [], "username": "", # 連線使用者 "writeMode": ""# 操作型別 } } } ], "setting": { "speed": { "channel": ""# 指定並行數 } } } }

2）編寫 json 檔：

[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 : 2999999 讀寫失敗總數 : 0

你們可以在目的資料庫進行檢視，是否同步完成。

上面的方式相當於是完全同步，但是當數據量較大時，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。

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別就是： 增量同步需要使用 where 進行條件篩選。 關註公眾號：碼猿技術專欄，回復關鍵詞：1111 獲取阿裏內部Java效能調優手冊！（即，同步篩選後的 SQL）

1）編寫 json 檔：

[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" } } } }

需要註意的部份就是： where （條件篩選）和 preSql （同步前，要做的事）參數。

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 : 1888 讀寫失敗總數 : 0

目標資料庫上檢視：