DataX学习笔记
前言
版本说明
mysql=8.0.21 mysql-connector-java=8.0.19 python=2.7.18
相关链接：
- DataX Github 地址：https://github.com/alibaba/DataX
- DataX 详细介绍：https://github.com/alibaba/DataX/blob/master/introduction.md
- DataX 官方快速上手教程：https://github.com/alibaba/DataX/blob/master/userGuid.md
DataX 官方介绍
DataX 详细介绍：https://github.com/alibaba/DataX/blob/master/introduction.md
DataX 框架设计
DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader/Writer插件，纳入到整个同步框架中。
- Reader： Reader 为数据采集模块，负责采集数据源的数据，将数据发送给 Framework。
- Writer： Writer 为数据写入模块，负责不断向 Framework 取数据，并将数据写入到目的端。
- Framework： Framework 用于连接 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。
DataX 核心架构
核心模块介绍：
- DataX 完成单个数据同步的作业，我们称之为 Job，DataX 接受到一个 Job 之后，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(将单一作业计算转化为多个子Task)、TaskGroup 管理等功能。
- DataX Job 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)，以便于并发执行。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。
- 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。
- 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。
- 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。
工具下载
推荐在 DataX 官方仓库直接下载工具包，下载源码编译会有问题；官方推荐使用 python2.6.X，测试使用 python2.7.18
数据迁移实践
- 初始化 job.json 配置文件；
- 编辑 job.json 配置文件；
- 启动 DataX 工具；
测试数据库
CREATE TABLE `t_user` ( `id` int(0) NOT NULL, `name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL, PRIMARY KEY (`id`) USING BTREE ) ENGINE = InnoDB CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic; INSERT INTO `t_user` VALUES (1, 'li-bai'); INSERT INTO `t_user` VALUES (2, 'du-fu'); INSERT INTO `t_user` VALUES (3, 'bai-ju-yi'); INSERT INTO `t_user` VALUES (4, 'wang-wei'); INSERT INTO `t_user` VALUES (5, 'li-zhong-sheng');
初始化 job.json 配置文件
# python datax.py -r {YOUR_READER} -w {YOUR_WRITER} python datax.py -r MysqlReader -w MysqlWriter
编辑 job.json 配置文件
{ "job": { "content": [ { "reader": { "name": "mysqlreader", "parameter": { "column": ["id", "`name`"], "connection": [ { "jdbcUrl": ["jdbc:mysql://127.0.0.1:3306/db_datax_1?serverTimezone=UTC"], "table": ["t_user"] } ], "password": "123456", "username": "root" } }, "writer": { "name": "mysqlwriter", "parameter": { "column": ["id", "`name`"], "connection": [ { "jdbcUrl": "jdbc:mysql://127.0.0.1:3306/db_datax_2?serverTimezone=UTC&useUnicode=true&characterEncoding=utf8", "table": ["t_user"] } ], "password": "123456", "username": "root", "writeMode": "insert" } } } ], "setting": { "speed": { "channel": "5" } } } }
配置文件说明：在官方 Github 主要的 Support Data Channels 项下表格的文档中；
注意事项：
- 数据库版本问题，测试使用数据是 MySQL 8.0.21，需要使用8的驱动，需要更换插件的驱动版本号；
- column 必须指定不能为空，不能配置常量值，而且需要注意是否是数据库关键字，关键字需要使用 `` 括起来；
- MySQL 8.0.21 版本连接需要设置时区 serverTimezone=UTC ；
- characterEncoding 中不支持 utf8mb4 ，可以使用 utf8 ；
- writeMode 是必选项，模板中没有生成，但是存在默认值（insert）；
启动 DataX 工具
python datax.py job.json
DataX 受限约束
Q: MysqlWriter 执行 postSql 语句报错，那么数据导入到目标数据库了吗? A: DataX 导入过程存在三块逻辑，pre操作、导入操作、post操作，其中任意一环报错，DataX 作业报错。由于 DataX 不能保证在同一个事务完成上述几个操作，因此有可能数据已经落入到目标端。 Q: 按照上述说法，那么有部分脏数据导入数据库，如果影响到线上数据库怎么办? A: 目前有两种解法，第一种配置 pre 语句，该 sql 可以清理当天导入数据， DataX 每次导入时候可以把上次清理干净并导入完整数据。第二种，向临时表导入数据，完成后再 rename 到线上表。 Q: 上面第二种方法可以避免对线上数据造成影响，那我具体怎样操作? A: 可以配置临时表导入
