一、DataX简介
DataX简介
- 一、什么是DataX
- 二、DataX设计
- 三、支持的数据源
- 四、框架设计
- 五、运行原理
- 六、DataX和Sqoop对比
一、什么是DataX
- DataX是阿里巴巴开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库（MySQL、Oracle等）、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。
- DataX的github地址：https://github.com/alibaba/DataX
二、DataX设计
- 为了解决异构数据源同步问题，DataX 将复杂的网状的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的时候，只需要将此数据源对接到 Datax，便能跟已有的数据源做到无缝数据同步。
- DataX的设计理念是插件式的，这样后续有新的数据库，对源码改动是很少的。
- 对于一个数据的驱动分为两种：writer和reader
三、支持的数据源
- 对于文档那一列，官网给出了 读和写的配置案例和参数描述
四、框架设计
- Reader：数据采集模块，负责采集数据源的数据，将数据发送给Framework。
- Writer：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：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。
五、运行原理
- 模块说明：
- Job：单个作业的管理节点，负责数据清理、子任务划分、TaskGroup监控管理。
- Task：由Job切分而来，是DataX作业的最小单元，每个Task负责一部分数据的同步工作。
- Schedule：将Task组成TaskGroup，单个TaskGroup的并发数量为5。
- TaskGroup：负责启动Task。
- 举例
- 举例来说，用户提交了一个 DataX 作业，并且配置了 20 个并发，目的是将一个 100 张
分表的 mysql 数据同步到 odps 里面。 DataX 的调度决策思路是：- 第一步：DataXJob 根据分库分表切分成了 100 个 Task。
- 第二步：根据 20 个并发，DataX 计算共需要分配 4 个 TaskGroup。
- 第三步：4 个 TaskGroup 平分切分好的 100 个 Task，每一个 TaskGroup 负责以 5 个并发共计运行 25 个 Task。
- 举例来说，用户提交了一个 DataX 作业，并且配置了 20 个并发，目的是将一个 100 张
六、DataX和Sqoop对比
| 功能 | DataX | Sqoop |
|---|---|---|
| 运行模式 | 单进程多线程 | MR(分布式) |
| MySQL读写 | 单机压力大； 读写力度容易控制； | MR模式重，写出错处理麻烦 |
| Hive读写 | 单机压力大 | 很好 |
| 文件格式 | orc支持 | orc不支持，可添加 |
| 分布式 | 不支持，可以通过调度系统规避 | 支持 |
| 流控 | 有流控功能 | 需要定制 |
| 统计信息 | 已有一些统计，上报需定制 | 没有，分布式的数据收集不方便 |
| 数据校验 | 在core部分有校验功能 | 没有，分布式的数据手机不方便 |
| 监控 | 需要定制 | 需要定制 |