00-開源離線同步工具DataX3.0重磅詳解！

1 概覽 DataX 是一個異構數據源離線同步工具，致力於實現包括關係型資料庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構數據源之間穩定高效的數據同步功能。 1.1 設計理念為瞭解決異構數據源同步問題，DataX將複雜的網狀的同步鏈路變成了星型數據鏈路 ...

1 概覽

DataX 是一個異構數據源離線同步工具，致力於實現包括關係型資料庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構數據源之間穩定高效的數據同步功能。

1.1 設計理念

為瞭解決異構數據源同步問題，DataX將複雜的網狀的同步鏈路變成了星型數據鏈路，DataX作為中間傳輸載體負責連接各種數據源。

當需要接入一個新的數據源的時候，只需要將此數據源對接到DataX，便能跟已有的數據源做到無縫數據同步。

1.2 當前使用現狀

DataX在阿裡巴巴集團內被廣泛使用，承擔了所有大數據的離線同步業務，並已持續穩定運行了6年之久。目前每天完成同步8w多道作業，每日傳輸數據量超過300TB。

此前已經開源DataX1.0版本，此次介紹為阿裡雲開源全新版本DataX3.0，有了更多更強大的功能和更好的使用體驗。

2 框架設計

作為離線數據同步框架，採用Framework + plugin架構。將數據源讀取、寫入抽象成為Reader/Writer插件，納入到整個同步框架：

Reader：數據採集模塊，採集數據源的數據，將數據發送給Framework
Writer：數據寫入模塊，不斷向Framework取數據，並將數據寫入到目的端
Framework：連接reader和writer，作為兩者的數據傳輸通道，並處理緩衝，流控，併發，數據轉換等核心技術

3 插件體系

主流RDBMS資料庫、NOSQL、大數據計算系統都已接入。DataX目前支持：

類型	數據源	Reader(讀)	Writer(寫)	文檔
RDBMS 關係型資料庫	MySQL	√	√	讀、寫
	Oracle	√	√	讀、寫
	OceanBase	√	√	讀、寫
	SQLServer	√	√	讀、寫
	PostgreSQL	√	√	讀、寫
	DRDS	√	√	讀、寫
	達夢	√	√	讀、寫
	通用RDBMS(支持所有關係型資料庫)	√	√	讀、寫
阿裡雲數倉數據存儲	ODPS	√	√	讀、寫
	ADS		√	寫
	OSS	√	√	讀、寫
	OCS	√	√	讀、寫
NoSQL數據存儲	OTS	√	√	讀、寫
	Hbase0.94	√	√	讀、寫
	Hbase1.1	√	√	讀、寫
	MongoDB	√	√	讀、寫
	Hive	√	√	讀、寫
無結構化數據存儲	TxtFile	√	√	讀、寫
	FTP	√	√	讀、寫
	HDFS	√	√	讀、寫
	Elasticsearch		√	寫

DataX Framework提供了簡單的介面與插件交互，提供簡單的插件接入機制，只需要任意加上一種插件，就能無縫對接其他數據源。

DataX數據源指南

4 核心架構

支持單機多線程模式完成同步作業運行，DataX作業生命周期的時序圖，從整體架構設計非常簡要說明DataX各個模塊相互關係。

datax_arch

4.1 核心模塊

DataX完成單個數據同步的作業，稱為Job，DataX接受到一個Job後，將啟動一個進程完成整個作業同步過程。DataX Job模塊是單個作業的中樞管理節點，承擔數據清理、子任務切分(將單一作業計算轉化為多個子Task)、TaskGroup管理等功能
DataXJob啟動後，會根據不同的源端切分策略，將Job切分成多個小的Task(子任務)，以便併發執行。Task便是DataX作業的最小單元，每一個Task都會負責一部分數據的同步工作
切分多個Task之後，DataX Job會調用Scheduler模塊，根據配置的併發數據量，將拆分成的Task重新組合，組裝成TaskGroup(任務組)。每一個TaskGroup負責以一定的併發運行完畢分配好的所有Task，預設單個任務組的併發數量為5
每一個Task都由TaskGroup負責啟動，Task啟動後，會固定啟動Reader—>Channel—>Writer的線程來完成任務同步工作
DataX作業運行起來之後， Job監控並等待多個TaskGroup模塊任務完成，等待所有TaskGroup任務完成後Job成功退出。否則，異常退出，進程退出值非0

4.2 DataX調度流程

用戶提交一個DataX作業，並配置20個併發，將一個100張分表的mysql數據同步到odps。

DataX調度決策思路：

DataXJob根據分庫分表切分成100個Task
根據20個併發，DataX計算共需分配4個TaskGroup
4個TaskGroup平分切分好的100個Task，每個TaskGroup負責以5個併發共計運行25個Task

對比 sqoop

5 核心優勢

5.1 可靠的數據質量監控

完美解決數據傳輸個別類型失真問題

DataX舊版對於部分數據類型(比如時間戳)傳輸一直存在毫秒階段等數據失真情況，新版本DataX3.0已經做到支持所有的強數據類型，每一種插件都有自己的數據類型轉換策略，讓數據可以完整無損的傳輸到目的端。
提供作業全鏈路的流量、數據量運行時監控

DataX3.0運行過程中可以將作業本身狀態、數據流量、數據速度、執行進度等信息進行全面的展示，讓用戶可以實時瞭解作業狀態。並可在作業執行過程中智能判斷源端和目的端的速度對比情況，給予用戶更多性能排查信息。
提供臟數據探測

在大量數據的傳輸過程中，必定會由於各種原因導致很多數據傳輸報錯(比如類型轉換錯誤)，這種數據DataX認為就是臟數據。DataX目前可以實現臟數據精確過濾、識別、採集、展示，為用戶提供多種的臟數據處理模式，讓用戶準確把控數據質量大關！

豐富的數據轉換功能

DataX作為一個服務於大數據的ETL工具，除了提供數據快照搬遷功能之外，還提供了豐富數據轉換的功能，讓數據在傳輸過程中可以輕鬆完成數據脫敏，補全，過濾等數據轉換功能，另外還提供了自動groovy函數，讓用戶自定義轉換函數。詳情請看DataX3的transformer詳細介紹。

精準的速度控制

還在為同步過程對線上存儲壓力影響而擔心嗎？新版本DataX3.0提供了包括通道(併發)、記錄流、位元組流三種流控模式，可以隨意控制你的作業速度，讓你的作業在庫可以承受的範圍內達到最佳的同步速度。

"speed": {
   "channel": 5,
   "byte": 1048576,
   "record": 10000
}

強勁的同步性能

DataX3.0每一種讀插件都有一種或多種切分策略，都能將作業合理切分成多個Task並行執行，單機多線程執行模型可以讓DataX速度隨併發成線性增長。在源端和目的端性能都足夠的情況下，單個作業一定可以打滿網卡。另外，DataX團隊對所有的已經接入的插件都做了極致的性能優化，並且做了完整的性能測試。性能測試相關詳情可以參照每單個數據源的詳細介紹：DataX數據源指南

健壯的容錯機制

DataX作業是極易受外部因素的干擾，網路閃斷、數據源不穩定等因素很容易讓同步到一半的作業報錯停止。因此穩定性是DataX的基本要求，在DataX 3.0的設計中，重點完善了框架和插件的穩定性。目前DataX3.0可以做到線程級別、進程級別(暫時未開放)、作業級別多層次局部/全局的重試，保證用戶的作業穩定運行。