起因
事件是这样的,服务商有一批数据,当初的数据量大抵为 2 千万条(单表),每天都会减少数据(减少多少暂不晓得),然而呢给咱们提供的查问不是一张数据表而是一张视图,咱们再依据这个数据对外提供一个查问服务。因为是视图查问的时候就比较慢,咱们也没有权限进行表的优化,所以就须要将数据同步到咱们本地数据库,在本地进行数据表的优化(加索引等等的),然而数据量是 2 千万多,就须要一个工具来把远端数据同步到本地,而后在 github 上发现了 Datax
,就依照文档
依赖关系
- Linux
- JDK(1.8 以上,举荐 1.8)
- Python(2 或 3 都能够)
jdk 装置
JDK1.8 华为镜像下载地址
解压重命名
解压重名为 java1.8
并挪动到 /usr/local
目录下 /usr/local/java1.8
运行环境配置
vim ~/.bashrc
# 写入一下内容
export JAVA_HOME=/usr/local/java1.8
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
# 执行 source
source ~/.bashrc
# 查看版本
java -version
java version "1.8.0_181"
Java(TM) SE Runtime Environment (build 1.8.0_181-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.181-b13, mixed mode)
Python 装置
Python 在 Ubuntu 零碎上曾经默认装置了,能够应用命令 python -V
或 python3 -V
查看以后版本。
能够应用命令 apt install python3
装置 Python3。也能够本人应用编译的形式装置。
datax 装置
DataX Github 地址
Datax 下载地址
能够间接下载工具包,不须要再编译装置,能够间接应用。
验证是否装置胜利
输出
python3 /usr/local/datax/bin/datax.py /usr/local/datax/job/job.json
输入
2022-11-21 14:05:28.828 [job-0] INFO JobContainer - PerfTrace not enable!
2022-11-21 14:05:28.829 [job-0] INFO StandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 261.91KB/s, 20000 records/s | Error 0 records, 0 bytes | All Task WaitWriterTime 0.070s | All Task WaitReaderTime 0.068s | Percentage 100.00%
2022-11-21 14:05:28.829 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-21 14:05:18
工作完结时刻 : 2022-11-21 14:05:28
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
job.json 文件解析
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",# 读端,这个 name 不能 streamreader 会报错的
"parameter": {
"username": "",# 用户"password":"",# 明码
"connection": [
{"jdbcUrl": [],# 连贯信息,貌似能够连贯多个数据库,没有进行测试
"table": []# 数据表}
],
"column": ["*"],# 须要同步的列 (* 示意所有的列)
"where": "id >= 500000 and id < 500100"# 形容筛选条件,多个表时不实用
}
},
"writer": {
"name": "mysqlwriter",# 写端
"parameter": {
"username": "",# 账号"password":"", # 明码
"writeMode": "insert",# 操作类型,可选:【insert | replace | update】"connection": [
{"jdbcUrl": "", # 连贯信息,这个连贯信息最好是这样写,否则会出错"table": []# 数据表
}
],
"column": ["*"],# 须要同步的列,要和 reader 中的字段统一
"preSql": [],# 同步前操作,是 sql 语句
"postSql": [],# 同后前操作,是 sql 语句
"session": [] # 设置 session,是 sql 语句}
}
}
],
"setting": {
"speed": {"channel": 1 # 指定并发数,目前不晓得什么作用,有晓得的能够告知下}
}
}
}
job.json 示例
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"username": "datax2",
"password": "datax2",
"connection": [
{
"jdbcUrl": ["jdbc:mysql://192.168.0.174:3306/datax2?useUnicode=true&characterEncoding=utf8"],
"table": ["user"]
}
],
"column": ["*"]
}
},
"writer": {
"name": "mysqlwriter",
"parameter": {
"username": "datax",
"password": "datax",
"writeMode": "insert",
"connection": [
{
"jdbcUrl": "jdbc:mysql://192.168.0.174:3306/datax?useUnicode=true&characterEncoding=utf8",
"table": ["user"]
}
],
"column": ["*"]
}
}
}
],
"setting": {
"speed": {"channel": 2}
}
}
}
增量同步倡议
对于增量同步数据,倡议每张表有独自的 job.json
配置文件,记录上次同步的最大的 ID,在 reader.where
进行判断 id > last_max_sync_id
。
where 示例,实用于单表的状况:
{
"parameter": {"where": "id > last_max_sync_id"}
}
针对失败数据的解决形式
Datax 在同步过程中,失败的数据会写入到 /datax/log/
文件中,并认定为 脏数据
,能够从日志 脏数据
中抽离出失败数据的内容组成 sql
语句,或者找出 主键 ID
再去查问同步。
失败数据日志内容如下:
2022-11-22 09:52:50.696 [0-0-0-writer] ERROR StdoutPluginCollector - 脏数据:
{
"exception":"Incorrect integer value:'inno'for column'id'at row 1",
"record":[
{
"byteSize":8,
"index":0,
"rawData":"inno",
"type":"STRING"
},
{
"byteSize":32,
"index":1,
"rawData":"9ddfaac20670c9sda5s1d5a587fc40f104",
"type":"STRING"
},
{
"byteSize":14,
"index":2,
"rawData":"手持设施调用",
"type":"STRING"
},
{
"byteSize":4,
"index":3,
"rawData":9243,
"type":"LONG"
},
{
"byteSize":3,
"index":4,
"rawData":441,
"type":"LONG"
},
{
"byteSize":5,
"index":5,
"rawData":"admin",
"type":"STRING"
},
{
"byteSize":32,
"index":6,
"rawData":"49b1d2b5ds1d5a1s1d5a7414890ad2",
"type":"STRING"
},
{
"byteSize":1,
"index":7,
"rawData":1,
"type":"LONG"
},
{
"byteSize":61,
"index":8,
"rawData":"[[\"app_id\", \"=\", \"yuan\"], [\"id_name\", \"like\", \"% 天华 %\"]]",
"type":"STRING"
},
{
"byteSize":127,
"index":9,
"rawData":"SELECT COUNT(*) AS count FROM `device_request_history` WHERE `app_id` ='yuan'AND `id_name` LIKE'% 天华 %'LIMIT 1",
"type":"STRING"
},
{
"byteSize":8,
"index":10,
"rawData":1668575331000,
"type":"DATE"
}
],
"type":"writer"
}
对于读取视图数据到本地的形式
视图读取问题
Datax 能够从 reader 中读取视图数据,然而无奈读取 writer 中的视图数据结构元信息,为了确保数据可能同步胜利,须要先校验数据表构造一致性,Datax 须要判断写入目标表的数据结构是否和读取源数据表的构造统一。
针对视图读取问题解决计划
能够在目标数据库中新建数据表,新建数据表的构造和源数据视图的构造统一,这样 Datax 在校验数据表构造和视图构造一致性时就能够通过。
20000000 条数据实测案例
同步计划
为了不便测试,将 2 千万条数据依照 10 次进行同步(依照本人的理论状况来,能够一次性进行同步)。
计划划分
id > 0 and id <= 2000000
id > 2000000 and id <= 4000000
id > 4000000 and id <= 6000000
id > 6000000 and id <= 8000000
id > 8000000 and id <= 10000000
id > 10000000 and id <= 12000000
id > 12000000 and id <= 14000000
id > 14000000 and id <= 16000000
id > 16000000 and id <= 18000000
id > 18000000 and id <= 20000000
id > 0 and id <= 2000000
这个 id 之间数据有断层。短少 144 条数据。
2022-11-23 14:58:06.418 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 14:53:34
工作完结时刻 : 2022-11-23 14:58:06
工作总计耗时 : 271s
工作均匀流量 : 1.28MB/s
记录写入速度 : 7406rec/s
读出记录总数 : 1999856
读写失败总数 : 0
id > 2000000 and id <= 4000000
2022-11-23 15:03:39.879 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 14:59:08
工作完结时刻 : 2022-11-23 15:03:39
工作总计耗时 : 271s
工作均匀流量 : 1.28MB/s
记录写入速度 : 7407rec/s
读出记录总数 : 2000000
读写失败总数 : 0
id > 4000000 and id <= 6000000
这个 id 之间数据有断层。短少 13 条数据。
2022-11-23 15:09:38.418 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:04:56
工作完结时刻 : 2022-11-23 15:09:38
工作总计耗时 : 282s
工作均匀流量 : 1.24MB/s
记录写入速度 : 7142rec/s
读出记录总数 : 1999987
读写失败总数 : 0
id > 6000000 and id <= 8000000
2022-11-23 15:17:05.814 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:12:14
工作完结时刻 : 2022-11-23 15:17:05
工作总计耗时 : 291s
工作均匀流量 : 1.19MB/s
记录写入速度 : 6896rec/s
读出记录总数 : 2000000
读写失败总数 : 0
id > 8000000 and id <= 10000000
2022-11-23 15:22:41.729 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:17:30
工作完结时刻 : 2022-11-23 15:22:41
工作总计耗时 : 311s
工作均匀流量 : 1.12MB/s
记录写入速度 : 6451rec/s
读出记录总数 : 2000000
读写失败总数 : 0
id > 10000000 and id <= 12000000
这个 id 之间数据有断层。短少 462 条数据。
2022-11-23 15:29:08.710 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:23:56
工作完结时刻 : 2022-11-23 15:29:08
工作总计耗时 : 311s
工作均匀流量 : 1.12MB/s
记录写入速度 : 6450rec/s
读出记录总数 : 1999538
读写失败总数 : 0
id > 12000000 and id <= 14000000
2022-11-23 15:34:23.699 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:29:42
工作完结时刻 : 2022-11-23 15:34:23
工作总计耗时 : 281s
工作均匀流量 : 1.24MB/s
记录写入速度 : 7142rec/s
读出记录总数 : 2000000
读写失败总数 : 0
id > 14000000 and id <= 16000000
2022-11-23 15:39:16.394 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:34:54
工作完结时刻 : 2022-11-23 15:39:16
工作总计耗时 : 261s
工作均匀流量 : 1.33MB/s
记录写入速度 : 7692rec/s
读出记录总数 : 2000000
读写失败总数 : 0
id > 16000000 and id <= 18000000
2022-11-23 15:45:19.011 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:40:07
工作完结时刻 : 2022-11-23 15:45:19
工作总计耗时 : 311s
工作均匀流量 : 1.12MB/s
记录写入速度 : 6451rec/s
读出记录总数 : 2000000
读写失败总数 : 0
id > 18000000 and id <= 20000000
2022-11-23 15:51:07.983 [job-0] INFO JobContainer -
工作启动时刻 : 2022-11-23 15:45:56
工作完结时刻 : 2022-11-23 15:51:07
工作总计耗时 : 311s
工作均匀流量 : 1.09MB/s
记录写入速度 : 6276rec/s
读出记录总数 : 1945569
读写失败总数 : 0