datax详细介绍及使⽤
⼀、dataX概览
1.1 DataX
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、SQL Server、Oracle、PostgreSQL、HDFS、Hive、HBase、OTS、ODPS 等各种异构数据源之间⾼效的数据同步功能。
1.2 Features
DataX本⾝作为数据同步框架，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。
1.3 System Requirements
Linux
(Compile DataX)
1.4 Quick Start
⼯具部署
直接下载DataX⼯具包：
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}
⾃检脚本： python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json 配置⽰例：从stream读取数据并打印到控制台
第⼀步、创建创业的配置⽂件（json格式）
根据模板配置json如下：
#stream2stream.json
{
"job": {
"content": [
{
"reader": {
"name": "streamreader",
"parameter": {
"sliceRecordCount": 10,
"column": [
{
"type": "long",
"value": "10"
},
{
"type": "string",
"value": "hello，你好，世界-DataX"
}
]
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"encoding": "UTF-8",
"print": true
}
}
}
],
"setting": {
"speed": {
"channel": 5
大数据etl工具有哪些
}
}
}
}
第⼆步：启动DataX
$ cd {YOUR_DATAX_DIR_BIN}
$ python datax.py ./stream2stream.json
同步结束，显⽰⽇志如下：
...
2015-12-17 11:20:25.263 [job-0] INFO  JobContainer -
任务启动时刻                    : 2015-12-17 11:20:15
任务结束时刻                    : 2015-12-17 11:20:25
任务总计耗时                    :                10s
任务平均流量                    :              205B/s
记录写⼊速度                    :              5rec/s
读出记录总数                    :                  50
读写失败总数                    :                  0
⼆、dataX详解
2.1 DataX
3.0概览
DataX 是⼀个异构数据源离线同步⼯具，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。
当前使⽤现状
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。
2.2 DataX
3.0框架设计
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。
2.3 DataX
3.0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)⽂档RDBMS 关系型数据库MySQL√√、
Oracle√√、
SQLServer√√、
PostgreSQL√√、
DRDS√√、
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√√、
类型数据源Reader(读)Writer(写)⽂档
ADS√
OSS√√、
OCS√√、NoSQL数据存储OTS√√、
Hbase0.94√√、
Hbase1.1√√、
MongoDB√√、
Hive√√、
⽆结构化数据存储TxtFile√√、
FTP√√、
HDFS√√、
Elasticsearch√
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。详情请看：
2.4 DataX
3.0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。
2.4.1 核⼼模块介绍：
1. 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。
2. 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。
3. 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。
4. 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。
5. 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
2.4.2 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。
2.5 DataX
3.0六⼤核⼼优势
可靠的数据质量监控
完美解决数据传输个别类型失真问题
DataX旧版对于部分数据类型(⽐如时间戳)传输⼀直存在毫秒阶段等数据失真情况，新版本DataX3.0已经做到⽀持所有的强数据类型，每⼀种插件都有⾃⼰的数据类型转换策略，让数据可以完整⽆损的传输到⽬的端。
提供作业全链路的流量、数据量运⾏时监控
DataX3.0运⾏过程中可以将作业本⾝状态、数据流量、数据速度、执⾏进度等信息进⾏全⾯的展⽰，让⽤户可以实时了解作业状态。并可在作业执⾏过程中智能判断源端和⽬的端的速度对⽐情况，给予⽤户更多性能排查信息。
提供脏数据探测
在⼤量数据的传输过程中，必定会由于各种原因导致很多数据传输报错(⽐如类型转换错误)，这种数据DataX认为就是脏数据。
DataX⽬前可以实现脏数据精确过滤、识别、采集、展⽰，为⽤户提供多种的脏数据处理模式，让⽤户准确把控数据质量⼤关！
丰富的数据转换功能
DataX作为⼀个服务于⼤数据的ETL⼯具，除了提供数据快照搬迁功能之外，还提供了丰富数据转换的功能，让数据在传输过程中可以轻松完成数据脱敏，补全，过滤等数据转换功能，另外还提供了⾃动groovy函数，让⽤户⾃定义转换函数。详情请看DataX3的transformer详细介绍。
精准的速度控制
还在为同步过程对在线存储压⼒影响⽽担⼼吗？新版本DataX3.0提供了包括通道(并发)、记录流、字节流三种流控模式，可以随意控制你的作业速度，让你的作业在库可以承受的范围内达到最佳的同步速度。
"speed": {
"channel": 5,
"byte": 1048576,
"record": 10000
}
强劲的同步性能
DataX3.0每⼀种读插件都有⼀种或多种切分策略，都能将作业合理切分成多个Task并⾏执⾏，单机多线程执⾏模型可以让DataX速度随并发成线性增长。在源端和⽬的端性能都⾜够的情况下，单个作业⼀定可以打满⽹卡。另外，DataX团队对所有的已经接⼊的插件都做了极致的性能优化，并且做了完整的性能测试。性能测试相关详情可以参照每单个数据源的详细介绍：
健壮的容错机制
DataX作业是极易受外部因素的⼲扰，⽹络闪断、数据源不稳定等因素很容易让同步到⼀半的作业报错停⽌。因此稳定性是DataX的基本要求，在DataX 3.0的设计中，重点完善了框架和插件的稳定性。⽬前DataX3.0可以做到线程级别、进程级别(暂时未开放)、作业级别多层次局部/全局的重试，保证⽤户的作业稳定运⾏。
线程内部重试
DataX的核⼼插件都经过团队的全盘review，不同的⽹络交互⽅式都有不同的重试策略。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。