DataX，数据同步工具，亲测真香

Love The Way You Lie 2023-09-24 16:33 44阅读 0赞

有些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：

![6376d1796fbec170a20a94b4d3c46afd.jpeg][]

今天介绍一款不错的中间件：**DataX**

### DataX 简介 ###

DataX 是阿里云 DataWorks 数据集成 的开源版本，**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。

![31bbf5583cdfce43ddfc068209c23a83.png][]

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。

![e13af631ffb37803f8d00f3a5965d1f5.png][]

<table> 
 <thead> 
  <tr> 
   <th>角色</th> 
   <th>作用</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Reader（采集模块）</td> 
   <td>负责采集数据源的数据，将数据发送给&nbsp;<code>Framework</code>。</td> 
  </tr> 
  <tr> 
   <td>Writer（写入模块）</td> 
   <td>负责不断向&nbsp;<code>Framework</code>&nbsp;中取数据，并将数据写入到目的端。</td> 
  </tr> 
  <tr> 
   <td>Framework（中间商）</td> 
   <td>负责连接&nbsp;<code>Reader</code>&nbsp;和&nbsp;<code>Writer</code>，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。</td> 
  </tr> 
 </tbody> 
</table>

#### 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。

![7b36c591458e52bd1ae39009c360707e.png][]

*  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）

<table> 
 <thead> 
  <tr> 
   <th>主机名</th> 
   <th>操作系统</th> 
   <th>IP 地址</th> 
   <th>软件包</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>MySQL-1</td> 
   <td>CentOS 7.4</td> 
   <td>192.168.1.1</td> 
   <td><code>jdk-8u181-linux-x64.tar.gz</code>&nbsp;<code>datax.tar.gz</code></td> 
  </tr> 
  <tr> 
   <td>MySQL-2</td> 
   <td>CentOS 7.4</td> 
   <td>192.168.1.2</td> 
   <td></td> 
  </tr> 
 </tbody> 
</table>

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.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，所以不需要进行安装。

#### Linux 上安装 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/*/._*      # 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 ~]# python datax.py ../job/job.json       # 用来验证是否安装成功

输出：

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 - 
    任务启动时刻                    : 2021-12-13 19:26:18
    任务结束时刻                    : 2021-12-13 19:26:28
    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

#### DataX 基本使用 ####

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

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

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

[root@MySQL-1 ~]# cat <<END > 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）

![57269f8b25da2cf1ab4fc5c7052ed52d.png][]

#### 安装 MySQL 数据库 ####

分别在两台主机上安装：

[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel   
    [root@MySQL-1 ~]# systemctl start mariadb            # 安装 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):       # 直接回车
    OK, successfully used password, moving on...
    Set root password? [Y/n] y                            # 配置 root 密码
    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                # 允许 root 远程登录
     ... 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                    # 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)]> 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)

![00eb32bc8b1b1b2fdcfa4c064caf0c29.png][]

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：

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 ;

[正在上传…重新上传取消][Link 1]

图片

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：

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 - 
    任务启动时刻                    : 2021-12-15 16:44:32
    任务结束时刻                    : 2021-12-15 16:45:15
    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。

![60743f9902e35aae28310b67d66e7e65.png][]

*  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。** （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"
                }
            }
        }
    }

*  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：

![f4db2930623317e1dbda404e3070977d.png][]

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)

![1bf1d63f1ad15df19d0fb3a52a64b494.png][]

### 资源分享 ###

**下方这份完整的软件测试视频学习教程已经上传CSDN官方认证的二维码，朋友们如果需要可以自行免费领取 `【保证100%免费】`**

![在这里插入图片描述][4b0f9bb1a4dd4ab3a24710143c5cd349.png_pic_center]

![在这里插入图片描述][d96b58a511f84668b59f3f620964da07.png_pic_center]

[6376d1796fbec170a20a94b4d3c46afd.jpeg]: https://img-blog.csdnimg.cn/img_convert/6376d1796fbec170a20a94b4d3c46afd.jpeg
[31bbf5583cdfce43ddfc068209c23a83.png]: https://img-blog.csdnimg.cn/img_convert/31bbf5583cdfce43ddfc068209c23a83.png
[e13af631ffb37803f8d00f3a5965d1f5.png]: https://img-blog.csdnimg.cn/img_convert/e13af631ffb37803f8d00f3a5965d1f5.png
[7b36c591458e52bd1ae39009c360707e.png]: https://img-blog.csdnimg.cn/img_convert/7b36c591458e52bd1ae39009c360707e.png
[57269f8b25da2cf1ab4fc5c7052ed52d.png]: https://img-blog.csdnimg.cn/img_convert/57269f8b25da2cf1ab4fc5c7052ed52d.png
[00eb32bc8b1b1b2fdcfa4c064caf0c29.png]: https://img-blog.csdnimg.cn/img_convert/00eb32bc8b1b1b2fdcfa4c064caf0c29.png
[Link 1]: https://mp.weixin.qq.com/s?__biz=MzU3MDAzNDg1MA==&mid=2247520168&idx=1&sn=89732de3c6b9faa4d9af312f6bd93d4f&chksm=fcf75065cb80d973234c7af37c768c2f2760c411cfec480d189b26a4ad8f8036b814e00c1330&token=523620251&lang=zh_CN&scene=21#wechat_redirect
[60743f9902e35aae28310b67d66e7e65.png]: https://img-blog.csdnimg.cn/img_convert/60743f9902e35aae28310b67d66e7e65.png
[f4db2930623317e1dbda404e3070977d.png]: https://img-blog.csdnimg.cn/img_convert/f4db2930623317e1dbda404e3070977d.png
[1bf1d63f1ad15df19d0fb3a52a64b494.png]: https://img-blog.csdnimg.cn/img_convert/1bf1d63f1ad15df19d0fb3a52a64b494.png
[4b0f9bb1a4dd4ab3a24710143c5cd349.png_pic_center]: https://img-blog.csdnimg.cn/4b0f9bb1a4dd4ab3a24710143c5cd349.png#pic_center
[d96b58a511f84668b59f3f620964da07.png_pic_center]: https://img-blog.csdnimg.cn/d96b58a511f84668b59f3f620964da07.png#pic_center