一. DataX 3.0概覽

? DataX 是一個異構數據源離線同步工具，致力于實現包括關系型數據庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構數據源之間穩定高效的數據同步功能。

datax_why_new

• 設計理念

  為了解決異構數據源同步問題，DataX將復雜的網狀的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的時候，只需要將此數據源對接到DataX，便能跟已有的數據源做到無縫數據同步。

• 當前使用現狀

  DataX在阿里巴巴集團內被廣泛使用，承擔了所有大數據的離線同步業務，并已持續穩定運行了6年之久。目前每天完成同步8w多道作業，每日傳輸數據量超過300TB。

此前已經開源DataX1.0版本，此次介紹為阿里云開源全新版本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_framework_new

DataX本身作為離線數據同步框架，采用Framework + plugin架構構建。將數據源讀取和寫入抽象成為Reader/Writer插件，納入到整個同步框架中。

• Reader：Reader 為數據采集模塊，負責采集數據源的數據，將數據發送給Framework。
• Writer： Writer為數據寫入模塊，負責不斷向Framework取數據，并將數據寫入到目的端。
• Framework：Framework用于連接reader和writer，作為兩者的數據傳輸通道，并處理緩沖，流控，并發，數據轉換等核心技術問題。

三. DataX3.0插件體系

? 經過幾年積累，DataX目前已經有了比較全面的插件體系，主流的RDBMS數據庫、NOSQL、大數據計算系統都已經接入。DataX目前支持數據如下：

DataX Framework提供了簡單的接口與插件交互，提供簡單的插件接入機制，只需要任意加上一種插件，就能無縫對接其他數據源。詳情請看：DataX數據源指南

四、DataX3.0核心架構

DataX 3.0 開源版本支持單機多線程模式完成同步作業運行，本小節按一個DataX作業生命周期的時序圖，從整體架構設計非常簡要說明DataX各個模塊相互關系。

datax_arch

核心模塊介紹：

1. 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(將單一作業計算轉化為多個子Task)、TaskGroup管理等功能。
2. DataXJob啟動后，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)，以便于并發執行。Task便是DataX作業的最小單元，每一個Task都會負責一部分數據的同步工作。
3. 切分多個Task之后，DataX Job會調用Scheduler模塊，根據配置的并發數據量，將拆分成的Task重新組合，組裝成TaskGroup(任務組)。每一個TaskGroup負責以一定的并發運行完畢分配好的所有Task，默認單個任務組的并發數量為5。
4. 每一個Task都由TaskGroup負責啟動，Task啟動后，會固定啟動Reader—>Channel—>Writer的線程來完成任務同步工作。
5. DataX作業運行起來之后， Job監控并等待多個TaskGroup模塊任務完成，等待所有TaskGroup任務完成后Job成功退出。否則，異常退出，進程退出值非0

DataX調度流程：

舉例來說，用戶提交了一個DataX作業，并且配置了20個并發，目的是將一個100張分表的mysql數據同步到odps里面。 DataX的調度決策思路是：

1. DataXJob根據分庫分表切分成了100個Task。
2. 根據20個并發，DataX計算共需要分配4個TaskGroup。
3. 4個TaskGroup平分切分好的100個Task，每一個TaskGroup負責以5個并發共計運行25個Task。

五、DataX 3.0六大核心優勢

• 可靠的數據質量監控

  • 完美解決數據傳輸個別類型失真問題

    DataX舊版對于部分數據類型(比如時間戳)傳輸一直存在毫秒階段等數據失真情況，新版本DataX3.0已經做到支持所有的強數據類型，每一種插件都有自己的數據類型轉換策略，讓數據可以完整無損的傳輸到目的端。

  • 提供作業全鏈路的流量、數據量?運行時監控

    DataX3.0運行過程中可以將作業本身狀態、數據流量、數據速度、執行進度等信息進行全面的展示，讓用戶可以實時了解作業狀態。并可在作業執行過程中智能判斷源端和目的端的速度對比情況，給予用戶更多性能排查信息。

  • 提供臟數據探測

    在大量數據的傳輸過程中，必定會由于各種原因導致很多數據傳輸報錯(比如類型轉換錯誤)，這種數據DataX認為就是臟數據。DataX目前可以實現臟數據精確過濾、識別、采集、展示，為用戶提供多種的臟數據處理模式，讓用戶準確把控數據質量大關！

• 豐富的數據轉換功能

  DataX作為一個服務于大數據的ETL工具，除了提供數據快照搬遷功能之外，還提供了豐富數據轉換的功能，讓數據在傳輸過程中可以輕松完成數據脫敏，補全，過濾等數據轉換功能，另外還提供了自動groovy函數，讓用戶自定義轉換函數。詳情請看DataX3的transformer詳細介紹。

• 精準的速度控制

  還在為同步過程對在線存儲壓力影響而擔心嗎？新版本DataX3.0提供了包括通道(并發)、記錄流、字節流三種流控模式，可以隨意控制你的作業速度，讓你的作業在庫可以承受的范圍內達到最佳的同步速度。

  "speed": {
     "channel": 5,
     "byte": 1048576,
     "record": 10000
  }
  

• 強勁的同步性能

  DataX3.0每一種讀插件都有一種或多種切分策略，都能將作業合理切分成多個Task并行執行，單機多線程執行模型可以讓DataX速度隨并發成線性增長。在源端和目的端性能都足夠的情況下，單個作業一定可以打滿網卡。另外，DataX團隊對所有的已經接入的插件都做了極致的性能優化，并且做了完整的性能測試。性能測試相關詳情可以參照每單個數據源的詳細介紹：DataX數據源指南

• 健壯的容錯機制

  DataX作業是極易受外部因素的干擾，網絡閃斷、數據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，重點完善了框架和插件的穩定性。目前DataX3.0可以做到線程級別、進程級別(暫時未開放)、作業級別多層次局部/全局的重試，保證用戶的作業穩定運行。

  • 線程內部重試

    DataX的核心插件都經過團隊的全盤review，不同的網絡交互方式都有不同的重試策略。

  • 線程級別重試

    目前DataX已經可以實現TaskFailover，針對于中間失敗的Task，DataX框架可以做到整個Task級別的重新調度。

• 極簡的使用體驗

  • 易用

    下載即可用，支持linux和windows，只需要短短幾步驟就可以完成數據的傳輸。請點擊：Quick Start

  • 詳細

    DataX在運行日志中打印了大量信息，其中包括傳輸速度，Reader、Writer性能，進程CPU，JVM和GC情況等等。

    • 傳輸過程中打印傳輸速度、進度等

      datax_run_speed

    • 傳輸過程中會打印進程相關的CPU、JVM等

      datax_run_cpu

    • 在任務結束之后，打印總體運行情況

      datax_end_info