认识DataX及简单入门

1. DataX的概述

1.1 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。

1.2 DataX 的设计

为了解决异构数据源同步问题，阿里巴巴将DataX如下设计：

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。

如下图所示：

1.3 支持的数据源

DataX 目前已经有了比较全面的插件体系，主流的RDBMS 数据库、NOSQL、大数据计算系统都已经接入。

如下图所示：

1.3 支持的数据源

DataX 目前已经有了比较全面的插件体系，主流的RDBMS 数据库、NOSQL、大数据计算系统都已经接入。

如下图所示：

1.4 框架设计

DataX的框架如下图所示：

• Reader:数据采集模块，负责采集数据源的数据，将数据发送给Frame work。
• 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。

1.5 运行原理

见下图：

解释说明：

• 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。

那么DataX 的调度决策思路是：

• DataXJob 根据分库分表切分成了 100 个 Task。
• 根据 20 个并发，DataX 计算共需要分配 4 个 TaskGroup。
• 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。

1.6 DataX和Sqoop的对比

2. 简单入门

2.1 官方地址

下载地址：http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

源码地址：https://github.com/alibaba/DataX

2.2 前置要求

• 操作系统：Linux
• JDK：1.8 以上，推荐 1.8
• Python：推荐 Python2.6.X

2.3 安装

• 将下载好的datax.tar.gz 上传到 node01 的 /opt/software目录下
• 解压 datax.tar.gz 到/opt/module目录下

[whybigdata@node01 software]$ tar -zxvf datax.tar.gz -C /opt/module/

• 运行自动检测脚本

[whybigdata@node01 bin]$ cd /opt/module/datax/bin/
[whybigdata@node01 bin]$ python datax.py /opt/module/datax/job/job.json

结果如下，表示没有问题，安装成功

全文结束！