00-开源离线同步工具DataX3.0重磅详解！

谁践踏了优雅 2024-03-27 18:49 96阅读 0赞

### 1 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。

![71eb489c9dc64a16928fcbbbbab54490.png][]

#### 1.1 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。

#### 1.2 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。

此前已经开源DataX1.0版本，此次介绍为阿里云开源全新版本DataX3.0，有了更多更强大的功能和更好的使用体验。

### 2 框架设计 ###

![0b8585ae23d64d818819c4ba2d5c1318.png][]

作为离线数据同步框架，采用Framework + plugin架构。将数据源读取、写入抽象成为Reader/Writer插件，纳入到整个同步框架：

*  Reader：数据采集模块，采集数据源的数据，将数据发送给Framework
 *  Writer： 数据写入模块，不断向Framework取数据，并将数据写入到目的端
 *  Framework：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

### 3 插件体系 ###

主流RDBMS数据库、NOSQL、大数据计算系统都已接入。DataX目前支持：

<table> 
 <thead> 
  <tr> 
   <th>类型</th> 
   <th>数据源</th> 
   <th align="center">Reader(读)</th> 
   <th align="center">Writer(写)</th> 
   <th align="center">文档</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>RDBMS 关系型数据库</td> 
   <td>MySQL</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/mysqlreader/doc/mysqlreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/mysqlwriter/doc/mysqlwriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>Oracle</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/oraclereader/doc/oraclereader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/oraclewriter/doc/oraclewriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>OceanBase</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://open.oceanbase.com/docs/community/oceanbase-database/V3.1.0/use-datax-to-full-migration-data-to-oceanbase" rel="nofollow">读</a> 、<a href="https://open.oceanbase.com/docs/community/oceanbase-database/V3.1.0/use-datax-to-full-migration-data-to-oceanbase" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>SQLServer</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/sqlserverreader/doc/sqlserverreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/sqlserverwriter/doc/sqlserverwriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>PostgreSQL</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/postgresqlreader/doc/postgresqlreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/postgresqlwriter/doc/postgresqlwriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>DRDS</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/drdsreader/doc/drdsreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/drdswriter/doc/drdswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>达梦</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a rel="nofollow">读</a> 、<a rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>通用RDBMS(支持所有关系型数据库)</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a rel="nofollow">读</a> 、<a rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td>阿里云数仓数据存储</td> 
   <td>ODPS</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/odpsreader/doc/odpsreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/odpsswriter/doc/odpswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>ADS</td> 
   <td align="center"></td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/adswriter/doc/adswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>OSS</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/ossreader/doc/ossreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/osswriter/doc/osswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>OCS</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/ocsreader/doc/ocsreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/ocswriter/doc/ocswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td>NoSQL数据存储</td> 
   <td>OTS</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/otsreader/doc/otsreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/otswriter/doc/otswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>Hbase0.94</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/hbase094xreader/doc/hbase094xreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/hbase094xwriter/doc/hbase094xwriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>Hbase1.1</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/hbase11xreader/doc/hbase11xreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/hbase11xwriter/doc/hbase11xwriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>MongoDB</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/mongoreader/doc/mongoreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/mongowriter/doc/mongowriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>Hive</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/hdfsreader/doc/hdfsreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/hdfswriter/doc/hdfswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td>无结构化数据存储</td> 
   <td>TxtFile</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/txtfilereader/doc/txtfilereader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/txtfilewriter/doc/txtfilewriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>FTP</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/ftpreader/doc/ftpreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/ftpwriter/doc/ftpwriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>HDFS</td> 
   <td align="center">√</td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/hdfsreader/doc/hdfsreader.md" rel="nofollow">读</a> 、<a href="https://github.com/alibaba/DataX/blob/master/hdfswriter/doc/hdfswriter.md" rel="nofollow">写</a></td> 
  </tr> 
  <tr> 
   <td></td> 
   <td>Elasticsearch</td> 
   <td align="center"></td> 
   <td align="center">√</td> 
   <td align="center"><a href="https://github.com/alibaba/DataX/blob/master/elasticsearchwriter/doc/elasticsearchwriter.md" rel="nofollow">写</a></td> 
  </tr> 
 </tbody> 
</table>

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。

[DataX数据源指南][DataX]

### 4 核心架构 ###

支持单机多线程模式完成同步作业运行，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。

![datax\_arch][datax_arch]

#### 4.1 核心模块 ####

1.  DataX完成单个数据同步的作业，称为Job，DataX接受到一个Job后，将启动一个进程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

#### 4.2 DataX调度流程 ####

用户提交一个DataX作业，并配置20个并发，将一个100张分表的mysql数据同步到odps。

DataX调度决策思路：

1.  DataXJob根据分库分表切分成100个Task
2.  根据20个并发，DataX计算共需分配4个TaskGroup
3.  4个TaskGroup平分切分好的100个Task，每个TaskGroup负责以5个并发共计运行25个Task

#### 对比 sqoop ####

![9c766b6799bd4636a1154a33e5d89cd1.png][]

### 5 核心优势 ###

#### 5.1 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：[DataX数据源指南][DataX]

##### 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。
 *  线程级别重试
    
    目前DataX已经可以实现TaskFailover，针对于中间失败的Task，DataX框架可以做到整个Task级别的重新调度。

##### 极简的使用体验 #####

易用：下载即可用，支持linux和windows，只需要短短几步骤就可以完成数据的传输。请点击：[Quick Start][]

详细：DataX在运行日志中打印了大量信息，其中包括传输速度，Reader、Writer性能，进程CPU，JVM和GC情况等等。

传输过程中打印传输速度、进度

![ee4ce0feb82f4ac199b23ec3f2d6cf32.png][]

传输过程中会打印进程相关的CPU、JVM

![aac8451bebd14fca92f65e7ba0f11ac5.png][]

任务结束后，打印总体运行情况

![64d7510ab530421e9119e360e819e027.png][]

参考

*  [https://github.com/alibaba/DataX][https_github.com_alibaba_DataX]
    
    > 本文由博客一文多发平台 [OpenWrite][] 发布！

[71eb489c9dc64a16928fcbbbbab54490.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/8e5e262f89b14c83b0eaf9a816d2aab1.png
[0b8585ae23d64d818819c4ba2d5c1318.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/b78c9baf580c4cc8a9ca569e047a291d.png
[DataX]: https://github.com/alibaba/DataX/wiki/DataX-all-data-channels
[datax_arch]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/2ceb0fc5a41c4db3ab21280c5a41c6a9.png
[9c766b6799bd4636a1154a33e5d89cd1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/2d2b8a45be7f49d399cecfd47117aab8.png
[Quick Start]: https://github.com/alibaba/DataX/wiki/Quick-Start
[ee4ce0feb82f4ac199b23ec3f2d6cf32.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/7dc143ae24c4411f91c70a5385b440db.png
[aac8451bebd14fca92f65e7ba0f11ac5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/eacc9e951bab4065a45c62fcf737e1f1.png
[64d7510ab530421e9119e360e819e027.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/13/381a6fce45124c47896fed6d424ac165.png
[https_github.com_alibaba_DataX]: https://github.com/alibaba/DataX
[OpenWrite]: https://openwrite.cn?from=article_bottom