移山(数据迁移平台)的数据迁移是怎么实现的

移山是禧云自研的数据迁移平台，通过在移山的配置操作，可以方便的实现第三方数据接入、实时数据同步、异构数据源间迁移。
本文主要介绍移山数据迁移平台对异构数据源间迁移这块的实现思路和图形化配置实现流程。
可以访问这里查看更多关于大数据平台建设的原创文章。

| 一. 什么是异构数据源

可以理解为：指数据结构、存取方式、形式不一样的多个数据源：

一个公司在信息化建设中，不同时期、不同背景、面对不同的应用和客户会催生出多个系统；
每个系统可能会积累大量不同存储方式的数据，从简单的 Excel 文件数据、txt 文本数据到复杂的关系型数据库 MYSQL、Oracle 数据等，它们构成了异构数据源。

| 二. 异构数据源迁移

离线数据仓库

为支撑集团运营发展和决策分析，禧云起建之初构建了完善的离线数据仓库体系；
从业务数据源抽取过来的数据存放在数据湖（Hbase）中；
数据仓库的数据存储为 HDFS，离线计算框架为 Hive，Spark。

数据迁移场景

在建立数据仓库的过程中，会有大量的 ETL（Extract、Transform、Load）工作，处理数据抽取、数据转换、数据装载的过程中会有需要多种异构数据源（txt、Hbase、HDFS、Mysql、SqlServer等）迁移的场景。

场景1: 简单的数据转换：字段水平的简单映射

数据中的一个字段被转移到目标数据字段中的一个过程。

比如：

业务数据库（Mysql）到数据湖（Hbase）；
从数据湖（Hbase）到数据仓库（HDFS）；
数据仓库（HDFS）到目标关系型数据库（Mysql）。

备注

复杂的数据转换
需要做更多的数据分析，包括通用标识符问题、复杂条件过滤、时间类型的转换、去除重复记录等；
此时可以借助魔盒（开发协作平台）来完成 Spark 计算任务的提交、工作流调度来实现；
该类数据分析处理不在本文讨论范围，若有兴趣了解可以看这篇。

场景2: 关系型数据库之间的数据迁移

比如数据报表系统 B 需要使用业务系统 A 中的某一张表的数据用来做数据报表展现时，需要保证过多的数据查询、数据聚合处理不会影响该系统 A 的正常业务。

| 三. 移山数据迁移工具

1. 目的

解决数据湖（Hbase）中的数据迁移至数据仓库各层及关系型数据库之间的数据迁移问题。

2. 数据迁移工具

由于要支持异构数据源的迁移，【移山】采用了在阿里内部被广泛使用的离线数据同步工具 DataX。

2.1 DataX简介

DataX 是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。

2.2 DataX3.0框架设计

DataX本身作为离线数据同步框架，采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader/Writer插件，纳入到整个同步框架中。

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：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。

2.3 DataX3.0插件体系

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：
数据迁移能力.png
备注

详情请点击：DataX数据源参考指南：https://github.com/alibaba/DataX

2.4 移山数据迁移功能对DataX的封装

DataX 配置过程比较复杂，并且只支持命令行方式执行；
为降低使用难度，我们将配置过程进行了图形化处理，采用 Python 的 Flask 框架进行封装，任务执行支持 HTTP 请求调用。

| 四. 移山数据迁移实现流程

针对前面提到的两种场景，我们开发了数据迁移功能，以下为【移山】中数据迁移的主要实现流程。

技术栈

前端

Vue.js + Element UI + vue-socket + codemirror

移山服务端

SpringBoot

DataX 服务端

python + Flask + gunicorn + supervisor + Celery

1. 创建Reader/Writer插件

1.1 准备插件配置模板

拿创建一个 HbaseReader 插件为例，配置样例如下：

{
    "name": "hbase11xreader",
    "parameter": {
        "hbaseConfig": {
            "hbase.rootdir": "hdfs://test/test1",
            "hbase.cluster.distributed": "true",
            "hbase.zookeeper.quorum": "",
        },
        "table": "table1",
        "encoding": "utf-8",
        "mode": "normal",
        "column": [{
                "name": "info:column1",
                "type": "string"
            },
            {
                "name": "info:column2",
                "type": "string"
            },
            {
                "name": "info:column3",
                "type": "string"
            }
        ],
        "range": {
            "startRowkey": "",
            "endRowkey": "",
            "isBinaryRowkey": true
        }
    }
}

备注

更多配置样例请点击这里查看：https://github.com/alibaba/DataX

1.2 保存配置

移山平台展示插件模板的时候使用了 codemirror 在线代码编辑器，可以友好的展示 JSON 格式的模板数据，效果如下：

总结

通过借助 codemirror 插件，JSON 模板可以高亮的显示，同时强大的语法检查功能也有助于解决在编辑过程中产生的语法错误，从而降低了 DataX 的Reader/Writer 插件配置难度。

2. 创建数据迁移任务

在准备好了数据迁移任务所需使用的 Reader/Writer 插件后，就可以通过移山去创建迁移任务了，其实就是通过图形化配置去生成一个完整的 Job 配置文件，为运行任务做准备。

2.1 配置任务基本属性

该步骤主要配置任务并发数，脏数据限制信息。

备注

最大脏记录数：写入数据时可允许的最大脏记录数，超过该阈值时，程序会执行失败；
脏数据占比：写入数据时可允许的最大脏数据占比，超过该阈值时，程序会执行失败。

2.2 使用Reader插件

备注

可以对自动匹配显示的模板内容进行修改，以适应你的需求；

2.3 使用Writer插件

从下拉列表里选择要使用的 Writer 插件，同样配置内容会自动匹配显示，同样可以对配置内容进行编辑，这里不再截图。

2.4 信息确认

通过前面步骤的配置，完整的 Job 配置文件已经成型，在任务保存之前，会将该配置文件完整的展示出来，方便使用者对之前步骤里的设置数据进行检查，格式如下：
job配置文件.png

3. 执行迁移任务

3.1 前端

3.1.1 建立Websocket 服务
点击【执行】按钮，前端会发出执行任务的请求，浏览器与 DataX 服务会通过 Websocket 服务建立连接，方便前端实时拿到 DataX 服务产生的任务执行结果：

import io from 'vue-socket.io'
Vue.use(io, domain.socketUrl)

3.1.2 将Job配置数据传给 DataX 服务：

socket.emit('action', jobConfig);

3.2 DataX 服务端

3.2.1 接收数据，生成 json 配置文件
从 data 中取出 Job 配置数据，并将该数据写入到一个 .json 文件里：

job_config = data['job_config']
# 生成临时执行文件
file_name = '/tmp/' + str(job_id) + '.json'
with open(file_name, 'w') as f:
    f.write(job_content)
    f.close()

3.2.2 拼接执行命令

command = DATAX\_ROOT + ' data.py ' + file\_name

3.2.3 执行任务
利用 subprocess 的 Popen 用法来执行命令：

child_process = subprocess.Popen(
                    command,
                    stdin=subprocess.PIPE,
                    stderr=subprocess.PIPE,
                    stdout=subprocess.PIPE,
                    shell=True)

3.2.4 通过 stdout 获取执行信息

while child_process.poll() is None:
    line = child_process.stdout.readline()
    line = line.strip() + '\n'

3.2.5 将执行结果传送给 Websocket 客户端
通过socket.emit('action',line)方法，将日志传送给 Websocket 客户端（浏览器）：

if line:
   emit('execute_info', line)

if child_process.returncode == 0:
   emit('execute_info', '执行成功!')
else:
   emit('execute_info', '执行失败!')

4. 移山查看任务的执行情况

4.1 接收执行信息

前端利用 socket.on 方法接收任务执行日志：

this.$socket.on('execute_info', (info) => {
  // TODO 拿到执行信息，并展示       
})

4.2 展示执行结果

4.3 监控迁移任务

在监控管理界面，可以对当天所有的迁移任务进行监控：
迁移任务监控.png

五. 总结

通过使用移山的数据迁移功能，数据开发人员在移山中可以无感知的使用 DataX 这个 ETL 工具，取代通过手动开发、命令行执行的传统方式；
通过图形化配置，就能够快速的创建、执行一个数据迁移任务；
通过监控管理功能，可以方便的监控任务的执行情况；
大大的提高了数据开发人员的开发效率。

关注微信公众号

欢迎大家关注我的微信公众号阅读更多文章：
微信公众号二维码.jpg