当前位置 : 主页 > 操作系统 > centos >

数据同步中间件DataX

来源:互联网 收集:自由互联 发布时间:2023-08-21
今天介绍一款不错的中间件:DataX 当有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

今天介绍一款不错的中间件:DataX

当有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…

常见数据异构的几款中间件的区别如下:

数据同步中间件DataX_数据源

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。

数据同步中间件DataX_MySQL_02

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。

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。

数据同步中间件DataX_MySQL_03


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。

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

数据同步中间件DataX_MySQL_04

  • 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)

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.gz​​​​datax.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)

数据同步中间件DataX_数据源_05

  • 因为​​CentOS 7​​​上自带​​Python 2.7​​的软件包,所以不需要进行安装。

Linux 上安装 DataX 软件

数据同步中间件DataX_数据源_06

  • 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:

数据同步中间件DataX_MySQL_07

输出:

数据同步中间件DataX_数据源_08

DataX 基本使用

查看​​streamreader \--> streamwriter​​的模板:

数据同步中间件DataX_MySQL_09

输出:

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": ""

            }

        }

    }

}

根据模板编写​json​文件

数据同步中间件DataX_数据_10

输出:(要是复制我上面的话,需要把​#​带的内容去掉)

数据同步中间件DataX_数据源_11

安装 MySQL 数据库

分别在两台主机上安装:

数据同步中间件DataX_数据_12

1)准备同步数据(要同步的两台主机都要有这个表)

数据同步中间件DataX_数据_13

数据同步中间件DataX_数据_14

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:

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

flush privileges;

2)创建存储过程:

数据同步中间件DataX_数据源_15

数据同步中间件DataX_数据源_16

3)调用存储过程(在数据源配置,验证同步使用):

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": [],         # 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 ~]# 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

输出:

数据同步中间件DataX_数据源_17

你们可以在目的数据库进行查看,是否同步完成。

数据同步中间件DataX_数据_18

  • 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。

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。

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"

            }

        }

    }

}

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.py where.json

输出:

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 -
任务启动时刻 : 2021-12-16 17:34:06
任务结束时刻 : 2021-12-16 17:34:38
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:

数据同步中间件DataX_数据源_19

3)基于上面数据,再次进行增量同步:

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

数据同步中间件DataX_数据_20



上一篇:kubernetes集群环境搭建
下一篇:没有了
网友评论