一、DataX简介

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。

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