前言

我們公司有個項目的數據量高達五千萬，但是因為報表那塊數據不太準確，業務庫和報表庫又是跨庫操作，所以并不能使用 SQL 來進行同步。當時的打算是通過mysqldump或者存儲的方式來進行同步，但是嘗試后發現這些方案都不切實際：

mysqldump：不僅備份需要時間，同步也需要時間，而且在備份的過程，可能還會有數據產出（也就是說同步等于沒同步）

存儲方式：這個效率太慢了，要是數據量少還好，我們使用這個方式的時候，三個小時才同步兩千條數據…

后面在網上查看后，發現 DataX 這個工具用來同步不僅速度快，而且同步的數據量基本上也相差無幾。

一、DataX 簡介

DataX 是阿里云 DataWorks 數據集成 的開源版本，主要就是用于實現數據間的離線同步。DataX 致力于實現包括關系型數據庫（MySQL、Oracle 等）、HDFS、Hive、ODPS、HBase、FTP 等各種異構數據源（即不同的數據庫）間穩定高效的數據同步功能。

• 為了解決異構數據源同步問題，DataX 將復雜的網狀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時，只需要將此數據源對接到 DataX，便能跟已有的數據源作為無縫數據同步。

1.DataX3.0 框架設計

DataX 采用 Framework + Plugin 架構，將數據源讀取和寫入抽象稱為 Reader/Writer 插件，納入到整個同步框架中。

2.DataX3.0 核心架構

DataX 完成單個數據同步的作業，我們稱為 Job，DataX 接收到一個 Job 后，將啟動一個進程來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，承擔了數據清理、子任務切分、TaskGroup 管理等功能。

• DataX Job 啟動后，會根據不同源端的切分策略，將 Job 切分成多個小的 Task (子任務)，以便于并發執行。
• 接著 DataX Job 會調用 Scheduler 模塊，根據配置的并發數量，將拆分成的 Task 重新組合，組裝成 TaskGroup（任務組）
• 每一個 Task 都由 TaskGroup 負責啟動，Task 啟動后，會固定啟動 Reader-->Channel-->Writer 線程來完成任務同步工作。
• DataX 作業運行啟動后，Job 會對 TaskGroup 進行監控操作，等待所有 TaskGroup 完成后，Job 便會成功退出（異常退出時值非 0）

DataX 調度過程：

1. 首先 DataX Job 模塊會根據分庫分表切分成若干個 Task，然后根據用戶配置并發數，來計算需要分配多少個 TaskGroup；
2. 計算過程：Task / Channel = TaskGroup，最后由 TaskGroup 根據分配好的并發數來運行 Task（任務）

二、使用 DataX 實現數據同步

準備工作：

• JDK（1.8 以上，推薦 1.8）
• Python（2，3 版本都可以）
• Apache Maven 3.x（Compile DataX）（手動打包使用，使用tar包方式不需要安裝）

安裝 JDK：

下載地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要創建 Oracle 賬號）

[root@MySQL-1~]#ls
anaconda-ks.cfgjdk-8u181-linux-x64.tar.gz
[root@MySQL-1~]#tarzxfjdk-8u181-linux-x64.tar.gz
[root@DataX~]#ls
anaconda-ks.cfgjdk1.8.0_181jdk-8u181-linux-x64.tar.gz
[root@MySQL-1~]#mvjdk1.8.0_181/usr/local/java
[root@MySQL-1~]#cat<>/etc/profile
exportJAVA_HOME=/usr/local/java
exportPATH=$PATH:"$JAVA_HOME/bin"
END
[root@MySQL-1~]#source/etc/profile
[root@MySQL-1~]#java-version

• 因為CentOS 7上自帶Python 2.7的軟件包，所以不需要進行安裝。

1.Linux 上安裝 DataX 軟件

[root@MySQL-1~]#wgethttp://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
[root@MySQL-1~]#tarzxfdatax.tar.gz-C/usr/local/
[root@MySQL-1~]#rm-rf/usr/local/datax/plugin/*/._*#需要刪除隱藏文件(重要)

• 當未刪除時，可能會輸出：[/usr/local/datax/plugin/reader/._drdsreader/plugin.json] 不存在. 請檢查您的配置文件.

驗證：

[root@MySQL-1~]#cd/usr/local/datax/bin
[root@MySQL-1~]#pythondatax.py../job/job.json#用來驗證是否安裝成功

輸出：

2021-12-131928.828[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-131928.829[job-0]INFOStandAloneJobContainerCommunicator-Total100000records,2600000bytes|Speed253.91KB/s,10000records/s|Error0records,0bytes|AllTaskWaitWriterTime0.060s|AllTaskWaitReaderTime0.068s|Percentage100.00%
2021-12-131928.829[job-0]INFOJobContainer-
任務啟動時刻:2021-12-131918
任務結束時刻:2021-12-131928
任務總計耗時:10s
任務平均流量:253.91KB/s
記錄寫入速度:10000rec/s
讀出記錄總數:100000
讀寫失敗總數:0

2.DataX 基本使用

查看streamreader --> streamwriter的模板：

[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rstreamreader-wstreamwriter

輸出：

DataX(DATAX-OPENSOURCE-3.0),FromAlibaba!
Copyright(C)2010-2017,AlibabaGroup.AllRightsReserved.


Pleaserefertothestreamreaderdocument:
https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md

Pleaserefertothestreamwriterdocument:
https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md

Pleasesavethefollowingconfigurationasajsonfileanduse
python{DATAX_HOME}/bin/datax.py{JSON_FILE_NAME}.json
torunthejob.

{
"job":{
"content":[
{
"reader":{
"name":"streamreader",
"parameter":{
"column":[],
"sliceRecordCount":""
}
},
"writer":{
"name":"streamwriter",
"parameter":{
"encoding":"",
"print":true
}
}
}
],
"setting":{
"speed":{
"channel":""
}
}
}
}

根據模板編寫json文件

[root@MySQL-1~]#cat<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"#打印數量
}
},
"writer":{
"name":"streamwriter",
"parameter":{
"encoding":"utf-8",#編碼
"print":true
}
}
}
],
"setting":{
"speed":{
"channel":"2"#并發(即sliceRecordCount*channel=結果)
}
}
}
}

輸出：（要是復制我上面的話，需要把#帶的內容去掉）

3.安裝 MySQL 數據庫

分別在兩臺主機上安裝：

[root@MySQL-1~]#yum-yinstallmariadbmariadb-servermariadb-libsmariadb-devel
[root@MySQL-1~]#systemctlstartmariadb#安裝MariaDB數據庫
[root@MySQL-1~]#mysql_secure_installation#初始化
NOTE:RUNNINGALLPARTSOFTHISSCRIPTISRECOMMENDEDFORALLMariaDB
SERVERSINPRODUCTIONUSE!PLEASEREADEACHSTEPCAREFULLY!

Entercurrentpasswordforroot(enterfornone):#直接回車
OK,successfullyusedpassword,movingon...
Setrootpassword?[Y/n]y#配置root密碼
Newpassword:
Re-enternewpassword:
Passwordupdatedsuccessfully!
Reloadingprivilegetables..
...Success!
Removeanonymoususers?[Y/n]y#移除匿名用戶
...skipping.
Disallowrootloginremotely?[Y/n]n#允許root遠程登錄
...skipping.
Removetestdatabaseandaccesstoit?[Y/n]y#移除測試數據庫
...skipping.
Reloadprivilegetablesnow?[Y/n]y#重新加載表
...Success!

1）準備同步數據（要同步的兩臺主機都要有這個表）

MariaDB[(none)]>createdatabase`course-study`;
QueryOK,1rowaffected(0.00sec)

MariaDB[(none)]>createtable`course-study`.t_member(IDint,Namevarchar(20),Emailvarchar(30));
QueryOK,0rowsaffected(0.00sec)

因為是使用 DataX 程序進行同步的，所以需要在雙方的數據庫上開放權限：

grantallprivilegeson*.*toroot@'%'identifiedby'123123';
flushprivileges;

2）創建存儲過程：

DELIMITER$$
CREATEPROCEDUREtest()
BEGIN
declareAintdefault1;
while(Ado
insertinto`course-study`.t_membervalues(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));
setA=A+1;
ENDwhile;
END$$
DELIMITER;

3）調用存儲過程（在數據源配置，驗證同步使用）：

calltest();

4.通過 DataX 實 MySQL 數據同步

1）生成 MySQL 到 MySQL 同步的模板：

[root@MySQL-1~]#python/usr/local/datax/bin/datax.py-rmysqlreader-wmysqlwriter
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",#讀取端
"parameter":{
"column":[],#需要同步的列(*表示所有的列)
"connection":[
{
"jdbcUrl":[],#連接信息
"table":[]#連接表
}
],
"password":"",#連接用戶
"username":"",#連接密碼
"where":""#描述篩選條件
}
},
"writer":{
"name":"mysqlwriter",#寫入端
"parameter":{
"column":[],#需要同步的列
"connection":[
{
"jdbcUrl":"",#連接信息
"table":[]#連接表
}
],
"password":"",#連接密碼
"preSql":[],#同步前.要做的事
"session":[],
"username":"",#連接用戶
"writeMode":""#操作類型
}
}
}
],
"setting":{
"speed":{
"channel":""#指定并發數
}
}
}
}

2）編寫json文件：

[root@MySQL-1~]#viminstall.json
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",
"parameter":{
"username":"root",
"password":"123123",
"column":["*"],
"splitPk":"ID",
"connection":[
{
"jdbcUrl":[
"jdbc//192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"
],
"table":["t_member"]
}
]
}
},
"writer":{
"name":"mysqlwriter",
"parameter":{
"column":["*"],
"connection":[
{
"jdbcUrl":"jdbc//192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",
"table":["t_member"]
}
],
"password":"123123",
"preSql":[
"truncatet_member"
],
"session":[
"setsessionsql_mode='ANSI'"
],
"username":"root",
"writeMode":"insert"
}
}
}
],
"setting":{
"speed":{
"channel":"5"
}
}
}
}

3）驗證

[root@MySQL-1~]#python/usr/local/datax/bin/datax.pyinstall.json

輸出：

2021-12-151615.120[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-151615.120[job-0]INFOStandAloneJobContainerCommunicator-Total2999999records,107666651bytes|Speed2.57MB/s,74999records/s|Error0records,0bytes|AllTaskWaitWriterTime82.173s|AllTaskWaitReaderTime75.722s|Percentage100.00%
2021-12-151615.124[job-0]INFOJobContainer-
任務啟動時刻:2021-12-151632
任務結束時刻:2021-12-151615
任務總計耗時:42s
任務平均流量:2.57MB/s
記錄寫入速度:74999rec/s
讀出記錄總數:2999999
讀寫失敗總數:0

你們可以在目的數據庫進行查看，是否同步完成。

• 上面的方式相當于是完全同步，但是當數據量較大時，同步的時候被中斷，是件很痛苦的事情；
• 所以在有些情況下，增量同步還是蠻重要的。

5.使用 DataX 進行增量同步

使用 DataX 進行全量同步和增量同步的唯一區別就是：增量同步需要使用where進行條件篩選。（即，同步篩選后的 SQL）

1）編寫json文件：

[root@MySQL-1~]#vimwhere.json
{
"job":{
"content":[
{
"reader":{
"name":"mysqlreader",
"parameter":{
"username":"root",
"password":"123123",
"column":["*"],
"splitPk":"ID",
"where":"ID<=?1888",
"connection":[
{
"jdbcUrl":[
"jdbc//192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"
],
"table":["t_member"]
}
]
}
},
"writer":{
"name":"mysqlwriter",
"parameter":{
"column":["*"],
"connection":[
{
"jdbcUrl":"jdbc//192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",
"table":["t_member"]
}
],
"password":"123123",
"preSql":[
"truncatet_member"
],
"session":[
"setsessionsql_mode='ANSI'"
],
"username":"root",
"writeMode":"insert"
}
}
}
],
"setting":{
"speed":{
"channel":"5"
}
}
}
}

• 需要注意的部分就是：where（條件篩選） 和preSql（同步前，要做的事） 參數。

2）驗證：

[root@MySQL-1~]#python/usr/local/data/bin/data.pywhere.json

輸出：

2021-12-161738.534[job-0]INFOJobContainer-PerfTracenotenable!
2021-12-161738.534[job-0]INFOStandAloneJobContainerCommunicator-Total1888records,49543bytes|Speed1.61KB/s,62records/s|Error0records,0bytes|AllTaskWaitWriterTime0.002s|AllTaskWaitReaderTime100.570s|Percentage100.00%
2021-12-161738.537[job-0]INFOJobContainer-
任務啟動時刻:2021-12-161706
任務結束時刻:2021-12-161738
任務總計耗時:32s
任務平均流量:1.61KB/s
記錄寫入速度:62rec/s
讀出記錄總數:1888
讀寫失敗總數:0

目標數據庫上查看：

3）基于上面數據，再次進行增量同步：

主要是where配置："where":"ID>1888ANDID<=?2888"#通過條件篩選來進行增量同步
同時需要將我上面的preSql刪除(因為我上面做的操作時truncate表)