乐趣区

关于java:阿里的又一款数据高效同步工具DataX真香

大家好,我是不才陈某~

有个我的项目的数据量高达五千万,然而因为报表那块数据不太精确,业务库和报表库又是跨库操作,所以并不能应用 SQL 来进行同步。过后的打算是通过 mysqldump 或者存储的形式来进行同步,然而尝试后发现这些计划都不切实际:

举荐 Java 工程师技术指南:https://github.com/chenjiabin…

关注公众号:码猿技术专栏,回复关键词:1111 获取阿里外部 Java 性能调优手册!

mysqldump:不仅备份须要工夫,同步也须要工夫,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)

存储形式:这个效率太慢了,要是数据量少还好,咱们应用这个形式的时候,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:

后面介绍过阿里的 Canal:实战!Spring Boot 整合 阿里开源中间件 Canal 实现数据增量同步!

明天介绍另外一款不错的中间件:DataX

DataX 简介

DataX 是阿里云 DataWorks 数据集成 的开源版本,次要就是用于实现数据间的离线同步。 DataX 致力于实现包含关系型数据库(MySQL、Oracle 等)、HDFS、Hive、ODPS、HBase、FTP 等 各种异构数据源(即不同的数据库) 间稳固高效的数据同步性能。

  • 为了 解决异构数据源同步问题,DataX 将简单的网状同步链路变成了星型数据链路,DataX 作为两头传输载体负责连贯各种数据源;
  • 当须要接入一个新的数据源时,只须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 采纳 Framework + Plugin 架构,将数据源读取和写入形象称为 Reader/Writer 插件,纳入到整个同步框架中。

角色 作用
Reader(采集模块) 负责采集数据源的数据,将数据发送给 Framework
Writer(写入模块) 负责一直向 Framework 中取数据,并将数据写入到目标端。
Framework(中间商) 负责连贯 ReaderWriter,作为两者的数据传输通道,并解决缓冲,流控,并发,数据转换等核心技术问题。

DataX3.0 外围架构

DataX 实现单个数据同步的作业,咱们称为 Job,DataX 接管到一个 Job 后,将启动一个过程来实现整个作业同步过程。DataX Job 模块是单个作业的中枢治理节点,承当了数据清理、子工作切分、TaskGroup 治理等性能。

  • DataX Job 启动后,会依据不同源端的切分策略,将 Job 切分成多个小的 Task (子工作),以便于并发执行。
  • 接着 DataX Job 会调用 Scheduler 模块,依据配置的并发数量,将拆分成的 Task 重新组合,组装成 TaskGroup(工作组)
  • 每一个 Task 都由 TaskGroup 负责启动,Task 启动后,会固定启动 Reader --> Channel --> Writer 线程来实现工作同步工作。
  • DataX 作业运行启动后,Job 会对 TaskGroup 进行监控操作,期待所有 TaskGroup 实现后,Job 便会胜利退出(异样退出时 值非 0

DataX 调度过程:

  1. 首先 DataX Job 模块会依据分库分表切分成若干个 Task,而后依据用户配置并发数,来计算须要调配多少个 TaskGroup;
  2. 计算过程:Task / Channel = TaskGroup,最初由 TaskGroup 依据调配好的并发数来运行 Task(工作)

应用 DataX 实现数据同步

筹备工作:

  • JDK(1.8 以上,举荐 1.8)
  • Python(2,3 版本都能够)
  • Apache Maven 3.x(Compile DataX)(手动打包应用,应用 tar 包形式不须要装置)
主机名 操作系统 IP 地址 软件包
MySQL-1 CentOS 7.4 192.168.1.1 jdk-8u181-linux-x64.tar.gz datax.tar.gz
MySQL-2 CentOS 7.4 192.168.1.2

装置 JDK:

下载地址:https://www.oracle.com/java/t…(须要创立 Oracle 账号)

[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
  • 因为 CentOS 7 上自带 Python 2.7 的软件包,所以不须要进行装置。

Linux 上装置 DataX 软件

[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/*/._*      # 须要删除暗藏文件 (重要)
  • 当未删除时,可能会输入:[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请查看您的配置文件.

验证:

[root@MySQL-1 ~]# cd /usr/local/datax/bin
[root@MySQL-1 ~]# python datax.py ../job/job.json       # 用来验证是否装置胜利

输入:

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 - 
工作启动时刻                    : 2021-12-13 19:26:18
工作完结时刻                    : 2021-12-13 19:26:28
工作总计耗时                    :                 10s
工作均匀流量                    :          253.91KB/s
记录写入速度                    :          10000rec/s
读出记录总数                    :              100000
读写失败总数                    :                   0

DataX 根本应用

查看 streamreader \--> streamwriter 的模板:

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter

输入:

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": ""}
        }
    }
}

依据模板编写 json 文件

[root@MySQL-1 ~]# cat <<END > test.json
{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "streamreader", 
                    "parameter": {"column": [        # 同步的列名 (* 示意所有)
       {
           "type":"string",
    "value":"Hello."
       },
       {
           "type":"string",
    "value":"河北彭于晏"
       },
   ], 
                        "sliceRecordCount": "3"     # 打印数量
                    }
                }, 
                "writer": {
                    "name": "streamwriter", 
                    "parameter": {
                        "encoding": "utf-8",     # 编码
                        "print": true
                    }
                }
            }
        ], 
        "setting": {
            "speed": {"channel": "2"         # 并发 (即 sliceRecordCount * channel = 后果)
            }
        }
    }
}

输入:(要是复制我下面的话,须要把 # 带的内容去掉)

装置 MySQL 数据库

别离在两台主机上安装:

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel   
[root@MySQL-1 ~]# systemctl start mariadb            # 装置 MariaDB 数据库
[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):       # 间接回车
OK, successfully used password, moving on...
Set root password? [Y/n] y                            # 配置 root 明码
New password: 
Re-enter new password: 
Password updated successfully!
Reloading privilege tables..
 ... Success!
Remove anonymous users? [Y/n] y                     # 移除匿名用户
 ... skipping.
Disallow root login remotely? [Y/n] n                # 容许 root 近程登录
 ... skipping.
Remove test database and access to it? [Y/n] y         # 移除测试数据库
 ... skipping.
Reload privilege tables now? [Y/n] y                    # 从新加载表
 ... Success!

1)筹备同步数据(要同步的两台主机都要有这个表)

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)

因为是应用 DataX 程序进行同步的,所以须要在单方的数据库上凋谢权限:

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

2)创立存储过程:

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)调用存储过程(在数据源配置,验证同步应用):

call test();

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 -r mysqlreader -w mysqlwriter
{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",       # 读取端
                    "parameter": {"column": [],         # 须要同步的列 (* 示意所有的列)
                        "connection": [
                            {"jdbcUrl": [],       # 连贯信息
                                "table": []       # 连贯表}
                        ], 
                        "password": "",        # 连贯用户"username":"",        # 连贯明码
                        "where": ""         # 形容筛选条件
                    }
                }, 
                "writer": {
                    "name": "mysqlwriter",       # 写入端
                    "parameter": {"column": [],         # 须要同步的列
                        "connection": [
                            {"jdbcUrl": "",       # 连贯信息"table": []       # 连贯表
                            }
                        ], 
                        "password": "",        # 连贯明码"preSql": [],         # 同步前. 要做的事"session": [],"username":"",        # 连贯用户 
                        "writeMode": ""        # 操作类型
                    }
                }
            }
        ], 
        "setting": {
            "speed": {"channel": ""          # 指定并发数}
        }
    }
}

2)编写 json 文件:

[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)验证

[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py install.json

输入:

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 - 
工作启动时刻                    : 2021-12-15 16:44:32
工作完结时刻                    : 2021-12-15 16:45:15
工作总计耗时                    :                 42s
工作均匀流量                    :            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

你们能够在目标数据库进行查看,是否同步实现。

  • 下面的形式相当于是齐全同步,然而当数据量较大时,同步的时候被中断,是件很苦楚的事件;
  • 所以在有些状况下,增量同步还是蛮重要的。

应用 DataX 进行增量同步

应用 DataX 进行全量同步和增量同步的惟一区别就是:增量同步须要应用 where 进行条件筛选。(即,同步筛选后的 SQL)

1)编写 json 文件:

[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"}
        }
    }
}
  • 须要留神的局部就是: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.py where.json

输入:

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 - 
工作启动时刻                    : 2021-12-16 17:34:06
工作完结时刻                    : 2021-12-16 17:34:38
工作总计耗时                    :                 32s
工作均匀流量                    :            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

指标数据库上查看:

3)基于下面数据,再次进行增量同步:

次要是 where 配置:"where": "ID > 1888 AND ID <= 2888"      # 通过条件筛选来进行增量同步
同时须要将我下面的 preSql 删除(因为我下面做的操作时 truncate 表)
退出移动版