阿里云近期将离线数据同步工具DataX更新至3.0版。

新版本支持阿里云全线产品，支持十余款主流开源数据系统，可帮助企业和个人轻松实现不同数据源之间的数据同步。

开源地址：https://github.com/alibaba/DataX

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、MaxCompute、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

设计理念

为了解决异构数据源同步问题，DataX将复杂的网状的同步链路变成了星型数据链路，DataX作为中间传输载体负责连接各种数据源。

当需要接入一个新的数据源的时候，只需要将此数据源对接到DataX，便能跟已有的数据源做到无缝数据同步。

当前使用现状

2011年开源以来，DataX深受数据分析师欢迎。新版本在开源社区Github，累积收获加星1000 。

在阿里巴巴集团，几乎每一个业务部门都在用DataX。

DataX由阿里云事业群数加团队维护。

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：Reader为数据采集模块，负责采集数据源的数据，将数据发送给Framework。

Writer： Writer为数据写入模块，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。

插件体系

经过几年积累，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。

DataX目前支持数据如下：

DataX Framework提供了简单的接口与插件交互，提供简单的插件接入机制，只需要任意加上一种插件，就能无缝对接其他数据源。

核心架构

DataX 3.0 开源版本支持单机多线程模式完成同步作业运行。

本小节按一个DataX作业生命周期的时序图，从整体架构设计非常简要说明DataX各个模块相互关系。

核心模块

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。

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。

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。Task启动后，会固定启动Reader—>Channel—>Writer的线程来完成任务同步工作。

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。

核心优势

可靠的数据质量监控

完美解决数据传输个别类型失真问题，提供作业全链路的流量、数据量运行时监控，提供脏数据探测。

精准的速度控制

新版本DataX 3.0提供了包括通道(并发)、记录流、字节流三种流控模式，可以随意控制你的作业速度，让你的作业在库可以承受的范围内达到最佳的同步速度。

健壮的容错机制

DataX作业是极易受外部因素的干扰，网络闪断、数据源不稳定等因素很容易让同步到一半的作业报错停止。

因此稳定性是DataX的基本要求，在DataX 3.0的设计中，重点完善了框架和插件的稳定性。

目前DataX 3.0可以做到线程级别、作业级别多层次局部/全局的重试，保证用户的作业稳定运行。

极简的使用体验

下载即可用，支持Linux和Windows，只需要短短几步骤就可以完成数据的传输。

DataX在运行日志中打印了大量信息，其中包括传输速度，Reader、Writer性能，进程CPU，JVM和GC情况等等。

传输过程中打印传输速度、进度等：

传输过程中会打印进程相关的CPU、JVM等：

在任务结束之后，打印总体运行情况：

性能报告

DataX 3.0每一种读插件都有一种或多种切分策略，都能将作业合理切分成多个Task并行执行，单机多线程执行模型可以让DataX速度随并发成线性增长。

在源端和目的端性能都足够的情况下，单个作业一定可以打满网卡。

下面附上最常用的插件MySQL Reader性能测试报告。

环境准备：数据特征

建表语句

单行记录类似于

机器参数

执行DataX的机器参数为:

CPU: 24核

MEM: 48GB

NET: 千兆双网卡

MySQL数据库机器参数为:

CPU: 32核

MEM: 256GB

NET: 千兆双网卡

单表测试报告

说明：

这里的单表，主键类型为 bigint(20),范围为：190247559466810-570722244711460，从主键范围划分看，数据分布均匀。

对单表如果没有安装主键切分，那么配置通道个数不会提升速度，效果与1个通道一样。

分表测试报告

(2个分库，每个分库16张分表，共计32张分表)