Datax 数据导出

概述

DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现包括 MySQL、 Oracle、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、 MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

官网：https://github.com/alibaba/DataX/blob/master/introduction.md

架构
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: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。
核心模块
1. DataX完成单个数据同步的作业，称为Job。DataX接受到一个Job之后，将启动一个进程来完成整个作业同步过程。DataX Job模块是单个作业的中枢管理节点，承担了数据清理、子任务切分(将单一作业计算转化为多个子Task)、 TaskGroup管理等功能。
2. DataX Job启动后，会根据不同的源端切分策略，将Job切分成多个小的Task(子任务)，以便于并发执行。Task便是DataX作业的最小单元，每一个Task都会负责一部分数据的同步工作。
3. 切分多个Task之后，DataX Job会调用Scheduler模块，根据配置的并发数据量，将拆分成的Task重新组合，组装成TaskGroup(任务组)。每一个TaskGroup 负责以一定的并发运行完毕分配好的所有Task，默认单个任务组的并发数量为 5。
4. 每一个Task都由TaskGroup负责启动，Task启动后，会固定启动Reader— >Channel—>Writer的线程来完成任务同步工作。
5. DataX作业运行起来之后， Job监控并等待多个TaskGroup模块任务完成，等待所有TaskGroup任务完成后Job成功退出。否则，异常退出，进程退出值非0。

DataX安装配置

前置条件:Linux、JDK(1.8以上，推荐1.8)、Python(推荐Python2.6.X) DataX的安装比较简单基本上是开箱即用:

1、下载DataX工具包
http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

2、下载后解压至本地某个目录，进入bin目录，即可运行同步作业

配置环境变量 DATAX_HOME

cd  {YOUR_DATAX_HOME}/bin  
python datax.py {YOUR_JOB.json}  
python $DATAX_HOME/bin/datax.py $DATAX_HOME/job/job.json  

自检脚本: python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json

DataX使用案例

整个配置文件是一个job的描述; job下面有两个配置项，content和setting，其中content用来描述该任务的源和目的端的信息，setting用来描述任务本身的信息; content又分为两部分，reader和writer，分别用来描述源端和目的端的信息; setting中的speed项表示同时起几个并发执行该任务;
详见官网，使用对应模版改参数即可

test.json

{  
    "job": {  
        "setting": {  
            "speed": {  
              	"channel":1,  
                "byte":10485760  
            },  
            "errorLimit": {  
                "record": 0,  
                "percentage": 0.02  
            }  
        },  
        "content": [  
            {  
                "reader": {  
                    "name": "streamreader",  
                    "parameter": {  
                        "sliceRecordCount": 10,  
                        "column" : [  
                            {  
                                "value": "DataX",  
                                "type": "string"  
                            },  
                          	{  
                                "value": "数据迁移工具",  
                                "type": "string"  
                            },  
                            {  
                                "value": 19890604,  
                                "type": "long"  
                            },  
                            {  
                                "value": "1989-06-04 00:00:00",  
                                "type": "date"  
                            },  
                            {  
                                "value": true,  
                                "type": "bool"  
                            },  
                            {  
                                "value": "test",  
                                "type": "bytes"  
                            }  
                        ],  
                    }  
                },  
                "writer": {  
                    "name": "streamwriter",  
                    "parameter": {  
                        "print": true,  
                        "encoding": "UTF-8"  
                    }  
                }  
            }  
        ]  
    }  
}  