DataX 使用介绍
前言
或者我们公司将项目的数据报告并存储到最高五，但是因为那块数据准确，业务库和报告库又是库操作，所以不能同时使用 SQL 来进行。当时的打算是mysqldump通过的方式来进行同步，但尝试后发现这些方案都不切实际：
mysqldump：备份时间时间，同步，而且在备份的时间也需要，可能还有数据需要同步（不需要同步）存储方式：效率太慢了，这个数据量少了还好，我们用这个方式的时候，三个才每小时同步两千条数据……
后面在网上快之后，发现DataX这个工具用同步速度查看，而且同步的数据量基本也无几。
基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。
一、DataX简介
DataX 是阿里云DataWorks的各种数据集成的开源版本，就是实现数据间的 离线同步。DataX主要实现关系数据库（MySQL、Oracle等）、HDFS、Hive、ODPS、HBase、FTP等构数据源（即不同的数据库） 间稳定的数据同步功能。
为了解决数据源X的数据源同步，数据源将复杂的星网状网络问题同步形成数据类型 ，DataX作为数据源之间的载体连接；
当需要接入一个新的数据源时，只需将一个新的数据源对X个数据源进行同步，就可以将现有的数据源作为源数据。
1.DataX3.0框架设计
DataX采用架构，将数据源读取和写入称为框架+读写器插件，加入到整个同步框架中。
| 角色 | 作用 |
| 阅读器（采集模块） | 负责采集数据源的数据，将其发送给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。 |
| 框架（中间商） | 负责连接Reader和Writer，作为另一个数据传输通道，并处理缓冲，流控，同时，数据等技术问题。 |
2.DataX3.0核心架构
DataX 完成数据同步的作业，称为 Job，DataX 接收到一个 Job 后，启动整个流程完成作业同步 DataX Job 模块是单个作业的中枢管理节点，承担了数据采集、子任务切割分、任务组管理等功能。
1、 DataX启动后，会根据不同源端的分工策略，将工作切分任务（子任务），以便于同时执行。
2、 会调用Data Job模块，根据配置的调度任务数量，将分解成的任务重新组合，组合成任务组（Task Group）
3、 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。
4、 DataX作业运行启动后，Job监控后未结束TaskGroup时完成操作，Job就会成功完成（等待所有TaskGroup结束时 ）
DataX调度过程：
1、 DataX会根据分库分表分配：分配好模块运行个任务，然后根据用户配置多少个数，来计算需要的任务组；2、 计算过程Task/Channel=TaskGroup中，由任务组根据任务组来计算数量（任务）；
基于微服务的思想，构建在 B2C 电商场景下的项目实战。核心技术栈，是 Spring Boot + Dubbo 。未来，会重构成 Spring Cloud Alibaba 。
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包方式无需安装）
| 主机名 | 操作系统 | IP地址 | 餐食 |
| 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（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 Cent 7 上自带 Python 2.7 的软件包，所以不需要安装。
1.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
2.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": "" } } } }
可以编写模板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：（要复制我的内容，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 -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)
因为是使用DataX同步进行的，所以需要在程序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 ;
3 、调用存储过程（在数据源配置，验证同步使用)：
call test();
