阿里又开源一款数据同步工具DataX，稳定又高效，好用到爆！

---

前言

我们公司有个项目的数据量高达五千万，但是因为报表那块数据不太准确，业务库和报表库又是跨库操作，所以并不能使用 SQL 来进行同步。当时的打算是通过mysqldump或者存储的方式来进行同步，但是尝试后发现这些方案都不切实际：

mysqldump：不仅备份需要时间，同步也需要时间，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）

存储方式：这个效率太慢了，要是数据量少还好，我们使用这个方式的时候，三个小时才同步两千条数据…

后面在网上查看后，发现 DataX 这个工具用来同步不仅速度快，而且同步的数据量基本上也相差无几。

一、DataX 简介

DataX 是阿里云 DataWorks 数据集成 的开源版本，主要就是用于实现数据间的离线同步。DataX 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（即不同的数据库）间稳定高效的数据同步功能。

• 为了解决异构数据源同步问题，DataX 将复杂的网状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时，只需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。

1.DataX3.0 框架设计

DataX 采用 Framework + Plugin 架构，将数据源读取和写入抽象称为 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）	负责不断向Framework中取数据，并将数据写入到目的端。
Framework（中间商）	负责连接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.DataX3.0 核心架构

DataX 完成单个数据同步的作业，我们称为 Job，DataX 接收到一个 Job 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、TaskGroup 管理等功能。

• DataX Job 启动后，会根据不同源端的切分策略，将 Job 切分成多个小的 Task (子任务)，以便于并发执行。
• 接着 DataX Job 会调用 Scheduler 模块，根据配置的并发数量，将拆分成的 Task 重新组合，组装成 TaskGroup（任务组）
• 每一个 Task 都由 TaskGroup 负责启动，Task 启动后，会固定启动 Reader-->Channel-->Writer 线程来完成任务同步工作。
• DataX 作业运行启动后，Job 会对 TaskGroup 进行监控操作，等待所有 TaskGroup 完成后，Job 便会成功退出（异常退出时值非 0）

---

DataX 调度过程：

1. 首先 DataX Job 模块会根据分库分表切分成若干个 Task，然后根据用户配置并发数，来计算需要分配多少个 TaskGroup；
2. 计算过程：Task / Channel = TaskGroup，最后由 TaskGroup 根据分配好的并发数来运行 Task（任务）

二、使用 DataX 实现数据同步

准备工作：

• JDK（1.8 以上，推荐 1.8）
• Python（2，3 版本都可以）
• Apache Maven 3.x（Compile DataX）（手动打包使用，使用tar包方式不需要安装）

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.gzdatax.tar.gz
MySQL-2	CentOS 7.4	192.168.1.2

安装 JDK：

下载地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要创建 Oracle 账号）

[root@MySQL-1~]#ls
anaconda-ks.cfgjdk-8u181-linux-x64.tar.gz
[root@MySQL-1~]#tarzxfjdk-8u181-linux-x64.tar.gz
[root@DataX~]#ls
anaconda-ks.cfgjdk1.8.0_181jdk-8u181-linux-x64.tar.gz
[root@MySQL-1~]#mvjdk1.8.0_181/usr/local/java
[root@MySQL-1~]#cat<>/etc/profile
exportJAVA_HOME=/usr/local/java
exportPATH=$PATH:"$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，所以不需要进行安装。

1.Linux 上安装 DataX 软件

[root@MySQL-1~]#wgethttp://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
[root@MySQL-1~]#tarzxfdatax.tar.gz-C/usr/local/
[root@MySQL-1~]#rm-rf/usr/local/datax/plugin/*/._*#需要删除隐藏文件(重要)

• 当未删除时，可能会输出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 请检查您的配置文件.

验证：

[root@MySQL-1~]#cd/usr/local/datax/bin
[root@MySQL-1~]#pythondatax.py../job/job.json#用来验证是否安装成功

输出：

2021-12-131928.828[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-131928.829[job-0]INFOStandAloneJobContainerCommunicator-Total100000records,2600000bytes|Speed253.91KB/s,10000records/s|Error0records,0bytes|AllTaskWaitWriterTime0.060s|AllTaskWaitReaderTime0.068s|Percentage100.00%
2021-12-131928.829[job-0]INFOJobContainer-
任务启动时刻:2021-12-131918
任务结束时刻:2021-12-131928
任务总计耗时:10s
任务平均流量: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

2.DataX 基本使用

查看streamreader --> streamwriter的模板：

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

输出：

DataX(DATAX-OPENSOURCE-3.0),FromAlibaba!
Copyright(C)2010-2017,AlibabaGroup.AllRightsReserved.


Pleaserefertothestreamreaderdocument:
https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md

Pleaserefertothestreamwriterdocument:
https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md

Pleasesavethefollowingconfigurationasajsonfileanduse
python{DATAX_HOME}/bin/datax.py{JSON_FILE_NAME}.json
torunthejob.

{
"job":{
"content":[
{
"reader":{
"name":"streamreader",
"parameter":{
"column":[],
"sliceRecordCount":""
}
},
"writer":{
"name":"streamwriter",
"parameter":{
"encoding":"",
"print":true
}
}
}
],
"setting":{
"speed":{
"channel":""
}
}
}
}

根据模板编写json文件

[root@MySQL-1~]#cat<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=结果)
}
}
}
}

输出：（要是复制我上面的话，需要把#带的内容去掉）

3.安装 MySQL 数据库

分别在两台主机上安装：

[root@MySQL-1~]#yum-yinstallmariadbmariadb-servermariadb-libsmariadb-devel
[root@MySQL-1~]#systemctlstartmariadb#安装MariaDB数据库
[root@MySQL-1~]#mysql_secure_installation#初始化
NOTE:RUNNINGALLPARTSOFTHISSCRIPTISRECOMMENDEDFORALLMariaDB
SERVERSINPRODUCTIONUSE!PLEASEREADEACHSTEPCAREFULLY!

Entercurrentpasswordforroot(enterfornone):#直接回车
OK,successfullyusedpassword,movingon...
Setrootpassword?[Y/n]y#配置root密码
Newpassword:
Re-enternewpassword:
Passwordupdatedsuccessfully!
Reloadingprivilegetables..
...Success!
Removeanonymoususers?[Y/n]y#移除匿名用户
...skipping.
Disallowrootloginremotely?[Y/n]n#允许root远程登录
...skipping.
Removetestdatabaseandaccesstoit?[Y/n]y#移除测试数据库
...skipping.
Reloadprivilegetablesnow?[Y/n]y#重新加载表
...Success!

1）准备同步数据（要同步的两台主机都要有这个表）

MariaDB[(none)]>createdatabase`course-study`;
QueryOK,1rowaffected(0.00sec)

MariaDB[(none)]>createtable`course-study`.t_member(IDint,Namevarchar(20),Emailvarchar(30));
QueryOK,0rowsaffected(0.00sec)

因为是使用 DataX 程序进行同步的，所以需要在双方的数据库上开放权限：

grantallprivilegeson*.*toroot@'%'identifiedby'123123';
flushprivileges;

2）创建存储过程：

DELIMITER$$
CREATEPROCEDUREtest()
BEGIN
declareAintdefault1;
while(A< 3000000)do
insertinto`course-study`.t_membervalues(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));
setA=A+1;
ENDwhile;
END$$
DELIMITER;

3）调用存储过程（在数据源配置，验证同步使用）：

calltest();

4.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-rmysqlreader-wmysqlwriter
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",#读取端
"parameter":{
"column":[],#需要同步的列(*表示所有的列)
"connection":[
{
"jdbcUrl":[],#连接信息
"table":[]#连接表
}
],
"password":"",#连接用户
"username":"",#连接密码
"where":""#描述筛选条件
}
},
"writer":{
"name":"mysqlwriter",#写入端
"parameter":{
"column":[],#需要同步的列
"connection":[
{
"jdbcUrl":"",#连接信息
"table":[]#连接表
}
],
"password":"",#连接密码
"preSql":[],#同步前.要做的事
"session":[],
"username":"",#连接用户
"writeMode":""#操作类型
}
}
}
],
"setting":{
"speed":{
"channel":""#指定并发数
}
}
}
}

2）编写json文件：

[root@MySQL-1~]#viminstall.json
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",
"parameter":{
"username":"root",
"password":"123123",
"column":["*"],
"splitPk":"ID",
"connection":[
{
"jdbcUrl":[
"jdbc//192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"
],
"table":["t_member"]
}
]
}
},
"writer":{
"name":"mysqlwriter",
"parameter":{
"column":["*"],
"connection":[
{
"jdbcUrl":"jdbc//192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",
"table":["t_member"]
}
],
"password":"123123",
"preSql":[
"truncatet_member"
],
"session":[
"setsessionsql_mode='ANSI'"
],
"username":"root",
"writeMode":"insert"
}
}
}
],
"setting":{
"speed":{
"channel":"5"
}
}
}
}

3）验证

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

输出：

2021-12-151615.120[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-151615.120[job-0]INFOStandAloneJobContainerCommunicator-Total2999999records,107666651bytes|Speed2.57MB/s,74999records/s|Error0records,0bytes|AllTaskWaitWriterTime82.173s|AllTaskWaitReaderTime75.722s|Percentage100.00%
2021-12-151615.124[job-0]INFOJobContainer-
任务启动时刻:2021-12-151632
任务结束时刻:2021-12-151615
任务总计耗时:42s
任务平均流量: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

你们可以在目的数据库进行查看，是否同步完成。

• 上面的方式相当于是完全同步，但是当数据量较大时，同步的时候被中断，是件很痛苦的事情；
• 所以在有些情况下，增量同步还是蛮重要的。

5.使用 DataX 进行增量同步

使用 DataX 进行全量同步和增量同步的唯一区别就是：增量同步需要使用where进行条件筛选。（即，同步筛选后的 SQL）

---

1）编写json文件：

[root@MySQL-1~]#vimwhere.json
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",
"parameter":{
"username":"root",
"password":"123123",
"column":["*"],
"splitPk":"ID",
"where":"ID<= 1888",
"connection":[
{
"jdbcUrl":[
"jdbc//192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"
],
"table":["t_member"]
}
]
}
},
"writer":{
"name":"mysqlwriter",
"parameter":{
"column":["*"],
"connection":[
{
"jdbcUrl":"jdbc//192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",
"table":["t_member"]
}
],
"password":"123123",
"preSql":[
"truncatet_member"
],
"session":[
"setsessionsql_mode='ANSI'"
],
"username":"root",
"writeMode":"insert"
}
}
}
],
"setting":{
"speed":{
"channel":"5"
}
}
}
}

• 需要注意的部分就是：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.pywhere.json

输出：

2021-12-161738.534[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-161738.534[job-0]INFOStandAloneJobContainerCommunicator-Total1888records,49543bytes|Speed1.61KB/s,62records/s|Error0records,0bytes|AllTaskWaitWriterTime0.002s|AllTaskWaitReaderTime100.570s|Percentage100.00%
2021-12-161738.537[job-0]INFOJobContainer-
任务启动时刻:2021-12-161706
任务结束时刻:2021-12-161738
任务总计耗时:32s
任务平均流量: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

目标数据库上查看：

3）基于上面数据，再次进行增量同步：

主要是where配置："where":"ID>1888ANDID<= 2888"#通过条件筛选来进行增量同步
同时需要将我上面的preSql删除(因为我上面做的操作时truncate表)

图片

审核编辑 ：李倩