DataX是阿里的异构数据源离线同步工具,详细的介绍和使用可以参考官网介绍Quick Start。DataX系列主要是更详细的介绍整个运行的原理。

Configuration

DataX配置的解析包括job.json、core.json、plugin.json这三个文件。这三个json文件都是多层级的json配置的,比如一个a.b.c=d的json,我们如果通过json获取,一般是先通过a这个key获取到b.c的json,然后再通过b这个key获取到c的josn,最后通过c这个key获取到d,这样代码写起来就很繁琐。

DataX提供了一个Configuration的类,可以直接把json进行压平,我们通过下面的例子来看看。

public static String JSON = "{'a': {'b': {'c': 'd'}}}";

public static void main(String[] args) {
    Configuration configuration = Configuration.from(JSON);
    System.out.println(configuration.get("a.b"));
    System.out.println(configuration.get("a.b.c"));
    System.out.println(configuration.get("a.b.d"));
}

运行结果如下,可以看到通过Configuration可以很方便的获取到json的多层级的数据。除了get,还有合并merge、根据String类型取值getString、获取必填项getNecessaryValue等方法,这里就不一一介绍了。

{"c":"d"}
d
null

job.json

job.json是作业的配置文件,在任务运行之前,通过参数把配置文件的全路径传入,所以名称是可以自定义的。

主要配置的内容包括job.content.reader、job.content.writer以及job.setting.speed,reader和writer可以参考每个对应模块里resources/plugin_job_template.json这个文件,也可以通过命令直接获取,这种方式做Quick Start里有示例。主要是指定用哪个reader进行读取数据,哪个writer进行写入数据,以及reader和writer的相关配置信息。

setting.speed主要的流速的控制,这个后面再来详细讲解。

{
  "job": {
    "content": [
      {
        "reader": {
          "name": "streamreader",
          "parameter": {
          }
        },
        "writer": {
          "name": "streamwriter",
          "parameter": {
          }
        }
      }
    ],
    "setting": {
      "speed": {
        "channel": 5
      }
    }
  }
}

core.json

全路径是在DATAX_HOME/conf/core.json,配置一些全局的信息,比如taskGroup的channel个数,类型转换就是这里配置的。

{
    "entry": {
        "jvm": "-Xms1G -Xmx1G",
        "environment": {}
    },
    "common": {
        "column": {
            "datetimeFormat": "yyyy-MM-dd HH:mm:ss",
            "timeFormat": "HH:mm:ss",
            "dateFormat": "yyyy-MM-dd",
            "extraFormats":["yyyyMMdd"],
            "timeZone": "GMT+8",
            "encoding": "utf-8"
        }
    },
    "core": {
        "dataXServer": {
            "address": "http://localhost:7001/api",
            "timeout": 10000,
            "reportDataxLog": false,
            "reportPerfLog": false
        },
        "transport": {
            "channel": {
                "class": "com.alibaba.datax.core.transport.channel.memory.MemoryChannel",
                "speed": {
                    "byte": -1,
                    "record": -1
                },
                "flowControlInterval": 20,
                "capacity": 512,
                "byteCapacity": 67108864
            },
            "exchanger": {
                "class": "com.alibaba.datax.core.plugin.BufferedRecordExchanger",
                "bufferSize": 32
            }
        },
        "container": {
            "job": {
                "reportInterval": 10000
            },
            "taskGroup": {
                "channel": 5
            },
            "trace": {
                "enable": "false"
            }

        },
        "statistics": {
            "collector": {
                "plugin": {
                    "taskClass": "com.alibaba.datax.core.statistics.plugin.task.StdoutPluginCollector",
                    "maxDirtyNumber": 10
                }
            }
        }
    }
}

plugin.json

plugin.json的全路径是DATAX_HOME/plugin/reader/streamreader/plugin.json,这个streamreader和上面job.json里是对应的关系。加载后,还会加一个属性path,这个是插件的实际路径。

这个文件主要的内容就是name和class,class就是运行时要用到的插件类。由于会有reader和writer,所以这里会加载两个plugin.json。

{
    "name": "streamreader",
    "class": "com.alibaba.datax.plugin.reader.streamreader.StreamReader",
    "description": {
        "useScene": "only for developer test.",
        "mechanism": "use datax framework to transport data from stream.",
        "warn": "Never use it in your real job."
    },
    "developer": "alibaba"
}

以上job.json、core.json、plugin.json这三个文件加载后会通过merge方法进行合并,所以最终得到的Configuration就是这些文件的合并信息,后面就是通过Configuration来启动插件。


大军
847 声望183 粉丝

学而不思则罔,思而不学则殆