開源離線同步工具—DataX3.0介紹
阿里雲開源離線同步工具DataX3.0介紹
一. DataX3.0概覽
DataX 是一個異構資料來源離線同步工具，致力於實現包括關係型資料庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構資料來源之間穩定高效的資料同步功能。
設計理念
為了解決異構資料來源同步問題，DataX將複雜的網狀的同步鏈路變成了星型資料鏈路，DataX作為中間傳輸載體負責連線各種資料來源。當需要接入一個新的資料來源的時候，只需要將此資料來源對接到DataX，便能跟已有的資料來源做到無縫資料同步。
當前使用現狀
DataX在阿里巴巴集團內被廣泛使用，承擔了所有大資料的離線同步業務，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，每日傳輸資料量超過300TB。
此前已經開源DataX1.0版本，此次介紹為阿里雲開源全新版本DataX3.0，有了更多更強大的功能和更好的使用體驗。Github主頁地址：https://github.com/alibaba/DataX
二、DataX3.0框架設計
DataX本身作為離線資料同步框架，採用Framework + plugin架構構建。將資料來源讀取和寫入抽象成為Reader/Writer外掛，納入到整個同步框架中。
- Reader：Reader為資料採集模組，負責採集資料來源的資料，將資料傳送給Framework。
- Writer： Writer為資料寫入模組，負責不斷向Framework取資料，並將資料寫入到目的端。
- Framework：Framework用於連線reader和writer，作為兩者的資料傳輸通道，並處理緩衝，流控，併發，資料轉換等核心技術問題。
三. DataX3.0外掛體系
經過幾年積累，DataX目前已經有了比較全面的外掛體系，主流的RDBMS資料庫、NOSQL、大資料計算系統都已經接入。DataX目前支援資料如下：
| 型別 | 資料來源 | Reader(讀) | Writer(寫) |
|---|---|---|---|
| RDBMS 關係型資料庫 | MySQL | √ | √ |
| Oracle | √ | √ | |
| SqlServer | √ | √ | |
| PostgreSQL | √ | √ | |
| 達夢 | √ | √ | |
| 通用RDBMS(支援所有關係型資料庫) | √ | √ | |
| 阿里雲數倉資料儲存 | ODPS | √ | √ |
| ADS | √ | ||
| OSS | √ | √ | |
| OCS | √ | √ | |
| NoSQL資料儲存 | OTS | √ | √ |
| Hbase0.94 | √ | √ | |
| Hbase1.1 | √ | √ | |
| MongoDB | √ | √ | |
| 無結構化資料儲存 | TxtFile | √ | √ |
| FTP | √ | √ | |
| HDFS | √ | √ |
DataX Framework提供了簡單的介面與外掛互動，提供簡單的外掛接入機制，只需要任意加上一種外掛，就能無縫對接其他資料來源。詳情請看：
四、DataX3.0核心架構
DataX 3.0 開源版本支援單機多執行緒模式完成同步作業執行，本小節按一個DataX作業生命週期的時序圖，從整體架構設計非常簡要說明DataX各個模組相互關係。
核心模組介紹：
- DataX完成單個數據同步的作業，我們稱之為Job，DataX接受到一個Job之後，將啟動一個程序來完成整個作業同步過程。DataX Job模組是單個作業的中樞管理節點，承擔了資料清理、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)，以便於併發執行。Task便是DataX作業的最小單元，每一個Task都會負責一部分資料的同步工作。
- 切分多個Task之後，DataX Job會呼叫Scheduler模組，根據配置的併發資料量，將拆分成的Task重新組合，組裝成TaskGroup(任務組)。每一個TaskGroup負責以一定的併發執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的執行緒來完成任務同步工作。
- DataX作業執行起來之後， Job監控並等待多個TaskGroup模組任務完成，等待所有TaskGroup任務完成後Job成功退出。否則，異常退出，程序退出值非0
DataX排程流程：
舉例來說，使用者提交了一個DataX作業，並且配置了20個併發，目的是將一個100張分表的mysql資料同步到odps裡面。 DataX的排程決策思路是：
- DataXJob根據分庫分表切分成了100個Task。
- 根據20個併發，DataX計算共需要分配4個TaskGroup。
- 4個TaskGroup平分切分好的100個Task，每一個TaskGroup負責以5個併發共計執行25個Task。
五、DataX 3.0六大核心優勢
可靠的資料質量監控
- 完美解決資料傳輸個別型別失真問題
DataX舊版對於部分資料型別(比如時間戳)傳輸一直存在毫秒階段等資料失真情況，新版本DataX3.0已經做到支援所有的強資料型別，每一種外掛都有自己的資料型別轉換策略，讓資料可以完整無損的傳輸到目的端。
- 提供作業全鏈路的流量、資料量執行時監控
DataX3.0執行過程中可以將作業本身狀態、資料流量、資料速度、執行進度等資訊進行全面的展示，讓使用者可以實時瞭解作業狀態。並可在作業執行過程中智慧判斷源端和目的端的速度對比情況，給予使用者更多效能排查資訊。
- 提供髒資料探測
在大量資料的傳輸過程中，必定會由於各種原因導致很多資料傳輸報錯(比如型別轉換錯誤)，這種資料DataX認為就是髒資料。DataX目前可以實現髒資料精確過濾、識別、採集、展示，為使用者提供多種的髒資料處理模式，讓使用者準確把控資料質量大關！
豐富的資料轉換功能
DataX作為一個服務於大資料的ETL工具，除了提供資料快照搬遷功能之外，還提供了豐富資料轉換的功能，讓資料在傳輸過程中可以輕鬆完成資料脫敏，補全，過濾等資料轉換功能，另外還提供了自動groovy函式，讓使用者自定義轉換函式。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儲存壓力影響而擔心嗎？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
}強勁的同步效能
DataX3.0每一種讀外掛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，單機多執行緒執行模型可以讓DataX速度隨併發成線性增長。在源端和目的端效能都足夠的情況下，單個作業一定可以打滿網絡卡。另外，DataX團隊對所有的已經接入的外掛都做了極致的效能優化，並且做了完整的效能測試。效能測試相關詳情可以參照每單個數據源的詳細介紹：DataX資料來源指南
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、資料來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，重點完善了框架和外掛的穩定性。目前DataX3.0可以做到執行緒級別、程序級別(暫時未開放)、作業級別多層次區域性/全域性的重試，保證使用者的作業穩定執行。
- 執行緒內部重試
DataX的核心外掛都經過團隊的全盤review，不同的網路互動方式都有不同的重試策略。
- 執行緒級別重試
目前DataX已經可以實現TaskFailover，針對於中間失敗的Task，DataX框架可以做到整個Task級別的重新排程。
極簡的使用體驗
- 易用
下載即可用，支援linux和windows，只需要短短几步驟就可以完成資料的傳輸。請點選：Quick Start
- 詳細
DataX在執行日誌中列印了大量資訊，其中包括傳輸速度，Reader、Writer效能，程序CPU，JVM和GC情況等等。
- 傳輸過程中列印傳輸速度、進度等
- 傳輸過程中會列印程序相關的CPU、JVM等
- 在任務結束之後，列印總體執行情況
