侧边栏壁纸
博主头像
MobotStone - 技术宅博主等级

行动起来,活在当下

  • 累计撰写 191 篇文章
  • 累计创建 80 个标签
  • 累计收到 1 条评论

目 录CONTENT

文章目录

数据同步福音:高效的数据同步开源工具DataX

MobotStone
2023-02-05 / 0 评论 / 0 点赞 / 336 阅读 / 20760 字

前言

C端产品中,不同业务的数据都是放在不同的库中,容易造成数据不一致性,导致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。传统的方案是通过 mysqldump 或者存储的方式来进行同步,实施过程中会发现这些方案效果不理想:

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…

后来在网上查看后,发现阿里开源的数据同步工具 DataX 不仅速度快,而且同步的数据量完全可以满足业务需求。

一、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。

image

  • 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。

1.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。

image-1675603393801

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 ReaderWriter,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。

2.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。
image-1675603409589

  • 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)

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)

[root@MySQL-1 ~]# lsanaconda-ks.cfg  jdk-8u181-linux-x64.tar.gz[root@MySQL-1 ~]# tar zxf jdk-8u181-linux-x64.tar.gz [root@DataX ~]# lsanaconda-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/profileexport JAVA_HOME=/usr/local/javaexport 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。

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": ""            }        }    }}

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)

image-1675603437536

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)

image-1675603450905

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 $$CREATE PROCEDURE test()BEGINdeclare A int default 1;while (A < 3000000)doinsert into course-study.t_member values(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));set A = A + 1;END while;END $$DELIMITER ;

image-1675603467758

3)调用存储过程(在数据源配置,验证同步使用):

call test();

4.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。

image-1675603484685

  • 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。

5.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:
image-1675603501048

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)

image-1675603518197

0