Alibaba 数据库迁移开源工具 Datax 安装和使用

起因

事情是这样的，服务商有一批数据，现在的数据量大致为 2 千万条（单表），每天都会增加数据（增加多少暂不知道），但是呢给我们提供的查询不是一张数据表而是一张视图，我们再根据这个数据对外提供一个查询服务。因为是视图查询的时候就比较慢，我们也没有权限进行表的优化，所以就需要将数据同步到我们本地数据库，在本地进行数据表的优化（加索引等等的），但是数据量是 2 千万多，就需要一个工具来把远端数据同步到本地，然后在 github 上发现了 Datax，就按照文档

依赖关系

• Linux
• JDK(1.8 以上，推荐 1.8)
• Python(2或3都可以)

jdk 安装

JDK1.8 华为镜像下载地址

解压重命名

解压重名为 java1.8 并移动到 /usr/local 目录下 /usr/local/java1.8

运行环境配置

vim ~/.bashrc


# 写入一下内容
export JAVA_HOME=/usr/local/java1.8
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

# 执行 source
source ~/.bashrc

# 查看版本
java -version

java version "1.8.0_181"
Java(TM) SE Runtime Environment (build 1.8.0_181-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.181-b13, mixed mode)

Python 安装

Python 在 Ubuntu 系统上已经默认安装了，可以使用命令 python -V 或 python3 -V 查看当前版本。

可以使用命令 apt install python3 安装 Python3。也可以自己使用编译的方式安装。

datax 安装

DataX Github 地址

Datax 下载地址

可以直接下载工具包，不需要再编译安装，可以直接使用。

验证是否安装成功

输入

python3 /usr/local/datax/bin/datax.py /usr/local/datax/job/job.json

输出

2022-11-21 14:05:28.828 [job-0] INFO  JobContainer - PerfTrace not enable!
2022-11-21 14:05:28.829 [job-0] INFO  StandAloneJobContainerCommunicator - Total 100000 records, 2600000 bytes | Speed 261.91KB/s, 20000 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 0.070s |  All Task WaitReaderTime 0.068s | Percentage 100.00%
2022-11-21 14:05:28.829 [job-0] INFO  JobContainer - 
任务启动时刻                    : 2022-11-21 14:05:18
任务结束时刻                    : 2022-11-21 14:05:28
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

job.json 文件解析

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",# 读端，这个 name 不能 streamreader 会报错的
                    "parameter": {
                        "username": "",# 用户
                        "password": "",# 密码
                        "connection": [
                            {
                                "jdbcUrl": [],# 连接信息，貌似可以连接多个数据库，没有进行测试
                                "table": []# 数据表
                            }
                        ], 
                        "column": ["*"],# 需要同步的列 (* 表示所有的列)
                        "where": " id >= 500000 and id < 500100 "# 描述筛选条件，多个表时不适用
                    }
                }, 
                "writer": {
                    "name": "mysqlwriter",# 写端
                    "parameter": {
                        "username": "",# 账号
                        "password": "", # 密码
                        "writeMode": "insert",# 操作类型，可选：【insert | replace | update】
                        "connection": [
                            {
                                "jdbcUrl": "", # 连接信息，这个连接信息最好是这样写，否则会出错
                                "table": []# 数据表
                            }
                        ], 
                        "column": ["*"],# 需要同步的列，要和 reader 中的字段一致
                        "preSql": [],# 同步前操作，是 sql 语句
                        "postSql": [],# 同后前操作，是 sql 语句
                        "session": [] # 设置 session，是 sql 语句
                    }
                }
            }
        ], 
        "setting": {
            "speed": {
                "channel": 1 # 指定并发数，目前不知道什么作用，有知道的可以告知下
            }
        }
    }
}

job.json 示例

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "username": "datax2",
                        "password": "datax2",
                        "connection": [
                            {
                                "jdbcUrl": [
                                    "jdbc:mysql://192.168.0.174:3306/datax2?useUnicode=true&characterEncoding=utf8"
                                ],
                                "table": [
                                    "user"
                                ]
                            }
                        ],
                        "column": [
                            "*"
                        ]
                    }
                },
                "writer": {
                    "name": "mysqlwriter",
                    "parameter": {
                        "username": "datax",
                        "password": "datax",
                        "writeMode": "insert",
                        "connection": [
                            {
                                "jdbcUrl": "jdbc:mysql://192.168.0.174:3306/datax?useUnicode=true&characterEncoding=utf8",
                                "table": [
                                    "user"
                                ]
                            }
                        ],
                        "column": [
                            "*"
                        ]
                    }
                }
            }
        ],
        "setting": {
            "speed": {
                "channel": 2
            }
        }
    }
}

增量同步建议

对于增量同步数据，建议每张表有单独的 job.json 配置文件，记录上次同步的最大的 ID，在 reader.where 进行判断 id > last_max_sync_id。
where 示例，适用于单表的情况：

{
    "parameter": {
        "where": " id > last_max_sync_id "
    }
}

针对失败数据的处理方式

Datax 在同步过程中，失败的数据会写入到 /datax/log/ 文件中，并认定为 脏数据，可以从日志 脏数据 中抽离出失败数据的内容组成 sql 语句，或者找出 主键ID 再去查询同步。

失败数据日志内容如下：

2022-11-22 09:52:50.696 [0-0-0-writer] ERROR StdoutPluginCollector - 脏数据: 
{
    "exception":"Incorrect integer value: 'inno' for column 'id' at row 1",
    "record":[
        {
            "byteSize":8,
            "index":0,
            "rawData":"inno",
            "type":"STRING"
        },
        {
            "byteSize":32,
            "index":1,
            "rawData":"9ddfaac20670c9sda5s1d5a587fc40f104",
            "type":"STRING"
        },
        {
            "byteSize":14,
            "index":2,
            "rawData":"手持设备调用",
            "type":"STRING"
        },
        {
            "byteSize":4,
            "index":3,
            "rawData":9243,
            "type":"LONG"
        },
        {
            "byteSize":3,
            "index":4,
            "rawData":441,
            "type":"LONG"
        },
        {
            "byteSize":5,
            "index":5,
            "rawData":"admin",
            "type":"STRING"
        },
        {
            "byteSize":32,
            "index":6,
            "rawData":"49b1d2b5ds1d5a1s1d5a7414890ad2",
            "type":"STRING"
        },
        {
            "byteSize":1,
            "index":7,
            "rawData":1,
            "type":"LONG"
        },
        {
            "byteSize":61,
            "index":8,
            "rawData":"[[\"app_id\", \"=\", \"yuan\"], [\"id_name\", \"like\", \"%天华%\"]]",
            "type":"STRING"
        },
        {
            "byteSize":127,
            "index":9,
            "rawData":"SELECT COUNT(*) AS count FROM `device_request_history` WHERE  `app_id` = 'yuan'  AND `id_name` LIKE '%天华%' LIMIT 1",
            "type":"STRING"
        },
        {
            "byteSize":8,
            "index":10,
            "rawData":1668575331000,
            "type":"DATE"
        }
    ],
    "type":"writer"
}

关于读取视图数据到本地的方式

视图读取问题

Datax 可以从 reader 中读取视图数据，但是无法读取 writer 中的视图数据结构元信息，为了确保数据能够同步成功，需要先校验数据表结构一致性， Datax 需要判断写入目的表的数据结构是否和读取源数据表的结构一致。

针对视图读取问题处理方案

可以在目的数据库中新建数据表，新建数据表的结构和源数据视图的结构一致，这样 Datax 在校验数据表结构和视图结构一致性时就可以通过。

20000000 条数据实测案例

同步方案

为了方便测试，将 2 千万条数据按照 10 次进行同步（按照自己的实际情况来，可以一次性进行同步）。

方案划分

id > 0 and id <= 2000000
id > 2000000 and id <= 4000000
id > 4000000 and id <= 6000000
id > 6000000 and id <= 8000000
id > 8000000 and id <= 10000000
id > 10000000 and id <= 12000000
id > 12000000 and id <= 14000000
id > 14000000 and id <= 16000000
id > 16000000 and id <= 18000000
id > 18000000 and id <= 20000000

id > 0 and id <= 2000000

这个 id 之间数据有断层。缺少 144 条数据。

2022-11-23 14:58:06.418 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 14:53:34
任务结束时刻                    : 2022-11-23 14:58:06
任务总计耗时                    :                271s
任务平均流量                    :            1.28MB/s
记录写入速度                    :           7406rec/s
读出记录总数                    :             1999856
读写失败总数                    :                   0

id > 2000000 and id <= 4000000

2022-11-23 15:03:39.879 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 14:59:08
任务结束时刻                    : 2022-11-23 15:03:39
任务总计耗时                    :                271s
任务平均流量                    :            1.28MB/s
记录写入速度                    :           7407rec/s
读出记录总数                    :             2000000
读写失败总数                    :                   0

id > 4000000 and id <= 6000000

这个 id 之间数据有断层。缺少 13 条数据。

2022-11-23 15:09:38.418 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:04:56
任务结束时刻                    : 2022-11-23 15:09:38
任务总计耗时                    :                282s
任务平均流量                    :            1.24MB/s
记录写入速度                    :           7142rec/s
读出记录总数                    :             1999987
读写失败总数                    :                   0

id > 6000000 and id <= 8000000

2022-11-23 15:17:05.814 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:12:14
任务结束时刻                    : 2022-11-23 15:17:05
任务总计耗时                    :                291s
任务平均流量                    :            1.19MB/s
记录写入速度                    :           6896rec/s
读出记录总数                    :             2000000
读写失败总数                    :                   0

id > 8000000 and id <= 10000000

2022-11-23 15:22:41.729 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:17:30
任务结束时刻                    : 2022-11-23 15:22:41
任务总计耗时                    :                311s
任务平均流量                    :            1.12MB/s
记录写入速度                    :           6451rec/s
读出记录总数                    :             2000000
读写失败总数                    :                   0

id > 10000000 and id <= 12000000

这个 id 之间数据有断层。缺少 462 条数据。

2022-11-23 15:29:08.710 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:23:56
任务结束时刻                    : 2022-11-23 15:29:08
任务总计耗时                    :                311s
任务平均流量                    :            1.12MB/s
记录写入速度                    :           6450rec/s
读出记录总数                    :             1999538
读写失败总数                    :                   0

id > 12000000 and id <= 14000000

2022-11-23 15:34:23.699 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:29:42
任务结束时刻                    : 2022-11-23 15:34:23
任务总计耗时                    :                281s
任务平均流量                    :            1.24MB/s
记录写入速度                    :           7142rec/s
读出记录总数                    :             2000000
读写失败总数                    :                   0

id > 14000000 and id <= 16000000

2022-11-23 15:39:16.394 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:34:54
任务结束时刻                    : 2022-11-23 15:39:16
任务总计耗时                    :                261s
任务平均流量                    :            1.33MB/s
记录写入速度                    :           7692rec/s
读出记录总数                    :             2000000
读写失败总数                    :                   0

id > 16000000 and id <= 18000000

2022-11-23 15:45:19.011 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:40:07
任务结束时刻                    : 2022-11-23 15:45:19
任务总计耗时                    :                311s
任务平均流量                    :            1.12MB/s
记录写入速度                    :           6451rec/s
读出记录总数                    :             2000000
读写失败总数                    :                   0

id > 18000000 and id <= 20000000

2022-11-23 15:51:07.983 [job-0] INFO  JobContainer -
任务启动时刻                    : 2022-11-23 15:45:56
任务结束时刻                    : 2022-11-23 15:51:07
任务总计耗时                    :                311s
任务平均流量                    :            1.09MB/s
记录写入速度                    :           6276rec/s
读出记录总数                    :             1945569
读写失败总数                    :                   0