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和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。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。