阿里开源的这款数据同步工具，稳定又高效，好用到爆！

苏三的面试网站：http://www.susan.net.cn

前言

有个项目的数据量高达五千万，但是因为报表那块数据不太准确，业务库和报表库又是跨库操作，所以并不能使用 SQL 来进行同步。当时的打算是通过 mysqldump 或者存储的方式来进行同步，但是尝试后发现这些方案都不切实际：

mysqldump：不仅备份需要时间，同步也需要时间，而且在备份的过程，可能还会有数据产出（也就是说同步等于没同步）

存储方式：这个效率太慢了，要是数据量少还好，我们使用这个方式的时候，三个小时才同步两千条数据…

常见数据异构的几款中间件的区别如下：

今天介绍一款不错的中间件：DataX

DataX 简介

DataX 是阿里云 DataWorks 数据集成 的开源版本，主要就是用于实现数据间的离线同步。 DataX 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（即不同的数据库） 间稳定高效的数据同步功能。

为了 解决异构数据源同步问题，DataX 将复杂的网状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时，只需要将此数据源对接到 DataX，便能跟已有的数据源作为无缝数据同步。

DataX3.0 框架设计

DataX 采用 Framework + Plugin 架构，将数据源读取和写入抽象称为 Reader/Writer 插件，纳入到整个同步框架中。

| 角色 | 作用 | | --- | --- | | Reader（采集模块） | 负责采集数据源的数据，将数据发送给 Framework 。 | | Writer（写入模块） | 负责不断向 Framework 中取数据，并将数据写入到目的端。 | | Framework（中间商） | 负责连接 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。 |

DataX3.0 核心架构

DataX 完成单个数据同步的作业，我们称为 Job，DataX 接收到一个 Job 后，将启动一个进程来完成整个作业同步过程。DataX Job 模块是单个作业的中枢管理节点，承担了数据清理、子任务切分、TaskGroup 管理等功能。

• DataX Job 启动后，会根据不同源端的切分策略，将 Job 切分成多个小的 Task (子任务)，以便于并发执行。
• 接着 DataX Job 会调用 Scheduler 模块，根据配置的并发数量，将拆分成的 Task 重新组合，组装成 TaskGroup（任务组）
• 每一个 Task 都由 TaskGroup 负责启动，Task 启动后，会固定启动 Reader --> Channel --> Writer 线程来完成任务同步工作。
• DataX 作业运行启动后，Job 会对 TaskGroup 进行监控操作，等待所有 TaskGroup 完成后，Job 便会成功退出（异常退出时 值非 0 ）

DataX 调度过程：

1. 首先 DataX Job 模块会根据分库分表切分成若干个 Task，然后根据用户配置并发数，来计算需要分配多少个 TaskGroup；
2. 计算过程： Task / Channel = TaskGroup ，最后由 TaskGroup 根据分配好的并发数来运行 Task（任务）

使用 DataX 实现数据同步

准备工作：

• JDK（1.8 以上，推荐 1.8）
• Python（2，3 版本都可以）
• Apache Maven 3.x（Compile DataX）（手动打包使用，使用 tar 包方式不需要安装）

| 主机名 | 操作系统 | IP 地址 | 软件包 | | --- | --- | --- | --- | | MySQL-1 | CentOS 7.4 | 192.168.1.1 | jdk-8u181-linux-x64.tar.gz``datax.tar.gz | | MySQL-2 | CentOS 7.4 | 192.168.1.2 |

|

安装 JDK：

下载地址：https://www.oracle.com/java/technologies/javase/javase8-archive-downloads.html（需要创建 Oracle 账号）

  
[root@MySQL-1 ~]# ls  
anaconda-ks.cfg  jdk-8u181-linux-x64.tar.gz  
[root@MySQL-1 ~]# tar zxf jdk-8u181-linux-x64.tar.gz   
[root@DataX ~]# ls  
anaconda-ks.cfg  jdk1.8.0\_181  jdk-8u181-linux-x64.tar.gz  
[root@MySQL-1 ~]# mv jdk1.8.0\_181 /usr/local/java  
[root@MySQL-1 ~]# cat <<END >> /etc/profile  
export JAVA\_HOME=/usr/local/java  
export PATH=$PATH:"$JAVA\_HOME/bin"  
END  
[root@MySQL-1 ~]# source /etc/profile  
[root@MySQL-1 ~]# java -version  

• 因为 CentOS 7 上自带 Python 2.7 的软件包，所以不需要进行安装。

Linux 上安装 DataX 软件

  
[root@MySQL-1 ~]# wget http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz  
[root@MySQL-1 ~]# tar zxf datax.tar.gz -C /usr/local/  
[root@MySQL-1 ~]# rm -rf /usr/local/datax/plugin/*/.\_*      # 需要删除隐藏文件 (重要)  

• 当未删除时，可能会输出： [/usr/local/datax/plugin/reader/.\_drdsreader/plugin.json] 不存在. 请检查您的配置文件.

验证：

  
[root@MySQL-1 ~]# cd /usr/local/datax/bin  
[root@MySQL-1 ~]# python datax.py ../job/job.json       # 用来验证是否安装成功  

输出：

  
2021-12-13 19:26:28.828 [job-0] INFO  JobContainer - PerfTrace not enable!  
2021-12-13 19:26:28.829 [job-0] INFO  StandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 253.91KB/s, 10000 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 0.060s |  All Task WaitReaderTime 0.068s | Percentage 100.00%  
2021-12-13 19:26:28.829 [job-0] INFO  JobContainer -   
任务启动时刻                    : 2021-12-13 19:26:18  
任务结束时刻                    : 2021-12-13 19:26:28  
任务总计耗时                    :                 10s  
任务平均流量                    :          253.91KB/s  
记录写入速度                    :          10000rec/s  
读出记录总数                    :              100000  
读写失败总数                    :                   0  

DataX 基本使用

查看 streamreader \--> streamwriter 的模板：

  
[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter  

输出：

  
DataX (DATAX-OPENSOURCE-3.0), From Alibaba !  
Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved.  
  
  
Please refer to the streamreader document:  
     https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md   
  
Please refer to the streamwriter document:  
     https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md   
  
Please save the following configuration as a json file and  use  
     python {DATAX\_HOME}/bin/datax.py {JSON\_FILE\_NAME}.json   
to run the job.  
  
{  
    "job": {  
        "content": [  
            {  
                "reader": {  
                    "name": "streamreader",   
                    "parameter": {  
                        "column": [],   
                        "sliceRecordCount": ""  
                    }  
                },   
                "writer": {  
                    "name": "streamwriter",   
                    "parameter": {  
                        "encoding": "",   
                        "print": true  
                    }  
                }  
            }  
        ],   
        "setting": {  
            "speed": {  
                "channel": ""  
            }  
        }  
    }  
}  

根据模板编写 json 文件

  
[root@MySQL-1 ~]# cat <<END > 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"     # 打印数量  
                    }  
                },   
                "writer": {  
                    "name": "streamwriter",   
                    "parameter": {  
                        "encoding": "utf-8",     # 编码  
                        "print": true  
                    }  
                }  
            }  
        ],   
        "setting": {  
            "speed": {  
                "channel": "2"         # 并发 (即 sliceRecordCount * channel = 结果)  
            }  
        }  
    }  
}  

输出：（要是复制我上面的话，需要把 # 带的内容去掉）

安装 MySQL 数据库

分别在两台主机上安装：

  
[root@MySQL-1 ~]# yum -y install mariadb mariadb-server mariadb-libs mariadb-devel     
[root@MySQL-1 ~]# systemctl start mariadb            # 安装 MariaDB 数据库  
[root@MySQL-1 ~]# mysql\_secure\_installation            # 初始化   
NOTE: RUNNING ALL PARTS OF THIS SCRIPT IS RECOMMENDED FOR ALL MariaDB  
      SERVERS IN PRODUCTION USE!  PLEASE READ EACH STEP CAREFULLY!  
  
Enter current password for root (enter for none):       # 直接回车  
OK, successfully used password, moving on...  
Set root password? [Y/n] y                            # 配置 root 密码  
New password:   
Re-enter new password:   
Password updated successfully!  
Reloading privilege tables..  
 ... Success!  
Remove anonymous users? [Y/n] y                     # 移除匿名用户  
 ... skipping.  
Disallow root login remotely? [Y/n] n                # 允许 root 远程登录  
 ... skipping.  
Remove test database and access to it? [Y/n] y         # 移除测试数据库  
 ... skipping.  
Reload privilege tables now? [Y/n] y                    # 重新加载表  
 ... Success!  

1）准备同步数据（要同步的两台主机都要有这个表）

  
MariaDB [(none)]> create database `course-study`;  
Query OK, 1 row affected (0.00 sec)  
  
MariaDB [(none)]> create table `course-study`.t\_member(ID int,Name varchar(20),Email varchar(30));  
Query OK, 0 rows affected (0.00 sec)  

因为是使用 DataX 程序进行同步的，所以需要在双方的数据库上开放权限：

  
grant all privileges on *.* to root@'%' identified by '123123';  
flush privileges;  

2）创建存储过程：

  
DELIMITER $$  
CREATE PROCEDURE test()  
BEGIN  
declare A int default 1;  
while (A < 3000000)do  
insert into `course-study`.t\_member values(A,concat("LiSa",A),concat("LiSa",A,"@163.com"));  
set A = A + 1;  
END while;  
END $$  
DELIMITER ;  

3）调用存储过程（在数据源配置，验证同步使用)：

  
call test();  

通过 DataX 实 MySQL 数据同步

1）生成 MySQL 到 MySQL 同步的模板：

  
[root@MySQL-1 ~]# python /usr/local/datax/bin/datax.py -r mysqlreader -w mysqlwriter  
{  
    "job": {  
        "content": [  
            {  
                "reader": {  
                    "name": "mysqlreader",       # 读取端  
                    "parameter": {  
                        "column": [],         # 需要同步的列 (* 表示所有的列)  
                        "connection": [  
                            {  
                                "jdbcUrl": [],       # 连接信息  
                                "table": []       # 连接表  
                            }  
                        ],   
                        "password": "",        # 连接用户  
                        "username": "",        # 连接密码  
                        "where": ""         # 描述筛选条件  
                    }  
                },   
                "writer": {  
                    "name": "mysqlwriter",       # 写入端  
                    "parameter": {  
                        "column": [],         # 需要同步的列  
                        "connection": [  
                            {  
                                "jdbcUrl": "",       # 连接信息  
                                "table": []       # 连接表  
                            }  
                        ],   
                        "password": "",        # 连接密码  
                        "preSql": [],         # 同步前. 要做的事  
                        "session": [],   
                        "username": "",        # 连接用户   
                        "writeMode": ""        # 操作类型  
                    }  
                }  
            }  
        ],   
        "setting": {  
            "speed": {  
                "channel": ""          # 指定并发数  
            }  
        }  
    }  
}  

2）编写 json 文件：

  
[root@MySQL-1 ~]# vim install.json  
{  
    "job": {  
        "content": [  
            {  
                "reader": {  
                    "name": "mysqlreader",   
                    "parameter": {  
                        "username": "root",  
                        "password": "123123",  
                        "column": ["*"],  
                        "splitPk": "ID",  
                        "connection": [  
                            {  
                                "jdbcUrl": [  
                                    "jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"  
                                ],   
                                "table": ["t\_member"]  
                            }  
                        ]  
                    }  
                },   
                "writer": {  
                    "name": "mysqlwriter",   
                    "parameter": {  
                        "column": ["*"],   
                        "connection": [  
                            {  
                                "jdbcUrl": "jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",  
                                "table": ["t\_member"]  
                            }  
                        ],   
                        "password": "123123",  
                        "preSql": [  
                            "truncate t\_member"  
                        ],   
                        "session": [  
                            "set session sql\_mode='ANSI'"  
                        ],   
                        "username": "root",   
                        "writeMode": "insert"  
                    }  
                }  
            }  
        ],   
        "setting": {  
            "speed": {  
                "channel": "5"  
            }  
        }  
    }  
}  

3）验证

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

输出：

  
2021-12-15 16:45:15.120 [job-0] INFO  JobContainer - PerfTrace not enable!  
2021-12-15 16:45:15.120 [job-0] INFO  StandAloneJobContainerCommunicator - Total 2999999 records, 107666651 bytes | Speed 2.57MB/s, 74999 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 82.173s |  All Task WaitReaderTime 75.722s | Percentage 100.00%  
2021-12-15 16:45:15.124 [job-0] INFO  JobContainer -   
任务启动时刻                    : 2021-12-15 16:44:32  
任务结束时刻                    : 2021-12-15 16:45:15  
任务总计耗时                    :                 42s  
任务平均流量                    :            2.57MB/s  
记录写入速度                    :          74999rec/s  
读出记录总数                    :             2999999  
读写失败总数                    :                   0  

你们可以在目的数据库进行查看，是否同步完成。

• 上面的方式相当于是完全同步，但是当数据量较大时，同步的时候被中断，是件很痛苦的事情；
• 所以在有些情况下，增量同步还是蛮重要的。

使用 DataX 进行增量同步

使用 DataX 进行全量同步和增量同步的唯一区别就是：增量同步需要使用 where进行条件筛选。 （即，同步筛选后的 SQL）

1）编写 json 文件：

  
[root@MySQL-1 ~]# vim where.json  
{  
    "job": {  
        "content": [  
            {  
                "reader": {  
                    "name": "mysqlreader",   
                    "parameter": {  
                        "username": "root",  
                        "password": "123123",  
                        "column": ["*"],  
                        "splitPk": "ID",  
                        "where": "ID <= 1888",  
                        "connection": [  
                            {  
                                "jdbcUrl": [  
                                    "jdbc:mysql://192.168.1.1:3306/course-study?useUnicode=true&characterEncoding=utf8"  
                                ],   
                                "table": ["t\_member"]  
                            }  
                        ]  
                    }  
                },   
                "writer": {  
                    "name": "mysqlwriter",   
                    "parameter": {  
                        "column": ["*"],   
                        "connection": [  
                            {  
                                "jdbcUrl": "jdbc:mysql://192.168.1.2:3306/course-study?useUnicode=true&characterEncoding=utf8",  
                                "table": ["t\_member"]  
                            }  
                        ],   
                        "password": "123123",  
                        "preSql": [  
                            "truncate t\_member"  
                        ],   
                        "session": [  
                            "set session sql\_mode='ANSI'"  
                        ],   
                        "username": "root",   
                        "writeMode": "insert"  
                    }  
                }  
            }  
        ],   
        "setting": {  
            "speed": {  
                "channel": "5"  
            }  
        }  
    }  
}  

• 需要注意的部分就是： where （条件筛选） 和 preSql （同步前，要做的事） 参数。

2）验证：

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

输出：

  
2021-12-16 17:34:38.534 [job-0] INFO  JobContainer - PerfTrace not enable!  
2021-12-16 17:34:38.534 [job-0] INFO  StandAloneJobContainerCommunicator - Total 1888 records, 49543 bytes | Speed 1.61KB/s, 62 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 0.002s |  All Task WaitReaderTime 100.570s | Percentage 100.00%  
2021-12-16 17:34:38.537 [job-0] INFO  JobContainer -   
任务启动时刻                    : 2021-12-16 17:34:06  
任务结束时刻                    : 2021-12-16 17:34:38  
任务总计耗时                    :                 32s  
任务平均流量                    :            1.61KB/s  
记录写入速度                    :             62rec/s  
读出记录总数                    :                1888  
读写失败总数                    :                   0  

目标数据库上查看：

3)基于上面数据，再次进行增量同步：

  
主要是 where 配置："where": "ID > 1888 AND ID <= 2888"      # 通过条件筛选来进行增量同步  
同时需要将我上面的 preSql 删除(因为我上面做的操作时 truncate 表)  

作者：愿许浪尽天涯

来源：blog.csdn.net/weixin_46902396/article/details/121904705

---

最后欢迎加入苏三的星球，你将获得：商城微服务实战、AI开发项目课程、苏三AI项目、秒杀系统实战、商城系统实战、秒杀系统实战、代码生成工具、系统设计、性能优化、技术选型、底层原理、Spring源码解读、工作经验分享、痛点问题、面试八股文等多个优质专栏。

• 我的技术成长之路
• 这5个项目，yyds
• 我的AI开发项目课程
• 我被官方推荐了！

还有1V1答疑、修改简历、职业规划、送书活动、技术交流。

扫描下方二维码，即可加入星球：

目前星球已经更新了5200+篇优质内容，还在持续爆肝中.....

星球已经被官方推荐了3次，收到了小伙伴们的一致好评。戳我加入学习，已有1700+小伙伴加入学习。

最后推荐一下我的技术专栏《性能优化35讲》，里面包含了：接口调用、Java、JVM、并发编程、MySQL、Redis、ElasticSearch、Spring、SpringBoot等多个性能优化技巧。无论在工作，还是在面试中，都会经常遇到，非常有参考价值。