数据迁移工具DataX部署与使用

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。
阿里云已经开源此工具，目前版本是datax3.0。

下载安装

下载

Githup地址：https://github.com/alibaba/DataX

若是有能力就直接在服务器上Git clone 或者直接点击【Clone or download】下载datax的源码包，需要自己手动去编译

所以我选择将该网页往下拉一点，点击

直接下载编译好的安装包

服务器配置

我使用的是阿里云上的ECS-centos部署datax，总的来说要满足以下几点：

• JDK(1.8以上，推荐1.8)
• Python(推荐Python2.6.X)
• Apache Maven 3.x (Compile DataX)

1、我先安装JDK
使用yum安装

# yum search java|grep jdk # yum install java-1.8.0-openjdk -y

安装完成之后可以查看下安装的版本

[root@stephen ~]# java -version openjdk version "1.8.0_222" OpenJDK Runtime Environment (build 1.8.0_222-b10) OpenJDK 64-Bit Server VM (build 25.222-b10, mixed mode)

2、Python
一般的centos都是自带Python的

[root@stephen ~]# python --version Python 2.7.5

3、 Apache Maven 3.x
下载地址：https://maven.apache.org/download.cgi
我下载的是3.6.1版本，上传到服务器中bin解压

[root@stephen ~]# ls apache-maven-3.6.1-bin.tar.gz [root@stephen ~]# tar -xvzf apache-maven-3.6.1-bin.tar.gz 

为了方便，创建一个目录

[root@stephen ~]# mkdir /opt/maven [root@stephen ~]# mv apache-maven-3.6.1/* /opt/maven/ [root@stephen maven]# ln -s /opt/maven/bin/mvn /usr/bin/mvn

在vi /etc/profile.d/maven.sh添加

export M2_HOME=/opt/maven export PATH=${M2_HOME}/bin:${PATH}

创建完成后看看版本

[root@stephen maven]# mvn -v Apache Maven 3.6.1 (d66c9c0b3152b2e69ee9bac180bb8fcc8e6af555; 2019-04-05T03:00:29+08:00) Maven home: /opt/maven Java version: 1.8.0_222, vendor: Oracle Corporation, runtime: /usr/lib/jvm/java-1.8.0-openjdk-1.8.0.222.b10-0.el7_6.x86_64/jre Default locale: en_US, platform encoding: UTF-8 OS name: "linux", version: "3.10.0-514.26.2.el7.x86_64", arch: "amd64", family: "unix"

至此，服务器配置完成

开始安装

将下载的datax包上传到服务器并解压

[root@stephen opt]# tar -xvzf datax.tar.gz [root@stephen opt]# ls datax bin conf job lib log log_perf plugin script tmp

如果下载的是编译好的安装包的话，基本上就是已经安装好了。可以使用自检测试脚本进行测试一下

python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json

当测试显示以下内容是，说明datax已经安装成功

[root@stephen datax]# python bin/datax.py job/job.json DataX (DATAX-OPENSOURCE-3.0), From Alibaba ! Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved. .....显示省略..... 2019-08-21 12:08:36.709 [job-0] INFO JobContainer - 任务启动时刻 : 2019-08-21 12:08:26 任务结束时刻 : 2019-08-21 12:08:36 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

测试使用

测试环境：阿里云ECS 自建 MySQL 5.7 与PostgreSQL 11.2 数据库
计划从MySQL中同步一张表的10万行数据 到 PostgreSQL数据库中，具体情况如下：

准备数据

mysql中的原表结构

mysql> show create table datax_test; | Table | Create Table | | datax_test | CREATE TABLE `datax_test` ( `id` int(11) NOT NULL, `name` varchar(20) DEFAULT NULL, `birthday` date DEFAULT NULL, `memo` varchar(32) DEFAULT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8 |

用数据工具生成了10万行数据

mysql> select count(*) from datax_test; +----------+ | count(*) | +----------+ | 100000 | +----------+

在Postgresql数据库中先建好相同结构的表。字段类型要做相应转换，如下：

stephen=# \d datax_test Table "public.datax_test" Column | Type | Collation | Nullable | Default ----------+--------------------------------+-----------+----------+----------------------------------- id | integer | | not null | name | text | | | birthday | timestamp(0) without time zone | | | NULL::timestamp without time zone memo | text | | | Indexes: "datax_test_pkey" PRIMARY KEY, btree (id) stephen=# select count(*) from datax_test ; count -------- 0 (1 row) 

创建配置文件

可以通过命令查看配置模板： python datax.py -r {YOUR_READER} -w {YOUR_WRITER}

如下，是从MySQL中读出数据写入到PostgreSQL数据库中

可以看到，当命令执行完成之后，会给出两个URL了，分别是mysqlreader和postgresqlwriter的json配置介绍，可以仔细阅读两个文件来查看

[root@stephen bin]# python datax.py -r mysqlreader -w postgresqlwriter DataX (DATAX-OPENSOURCE-3.0), From Alibaba ! Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved. Please refer to the mysqlreader document: https://github.com/alibaba/DataX/blob/master/mysqlreader/doc/mysqlreader.md Please refer to the postgresqlwriter document: https://github.com/alibaba/DataX/blob/master/postgresqlwriter/doc/postgresqlwriter.md Please save the following configuration as a json file and use python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json to run the job. { "job": { "content": [ { "reader": { "name": "mysqlreader", "parameter": { "column": [], "connection": [ { "jdbcUrl": [], "table": [] } ], "password": "", "username": "", "where": "" } }, "writer": { "name": "postgresqlwriter", "parameter": { "column": [], "connection": [ { "jdbcUrl": "", "table": [] } ], "password": "", "postSql": [], "preSql": [], "username": "" } } } ], "setting": { "speed": { "channel": "" } } } }

根据自己的两边数据库信息配置json文件

{ "job": { "content": [ { "reader": { "name": "mysqlreader", "parameter": { "column": ["id" , "name" , "birthday" , "memo"], #需要同步的字段，可以写为*来匹配所有字段 "connection": [ { "jdbcUrl": ["jdbc:mysql://172.16.21.167:3306/test"], # mysql数据源的访问地址，与所在的数据库 "table": ["datax_test"] # 目的表的表名称。支持写入一个或者多个表。当配置为多张表时，必须确保所有表结构保持一致。 } ], "password": "mysql", #密码 "username": "root", #用户 "where": "" } }, "writer": { "name": "postgresqlwriter", "parameter": { "column": ["id" , "name" , "birthday" , "memo"], #PG端的字段 "connection": [ { "jdbcUrl": "jdbc:postgresql://172.16.21.167:5432/stephen", #PG的数据源地址与数据名 "table": ["datax_test"] #在PG中的表名 } ], "password": "postgres", # 密码 "postSql": [], "preSql": [], "username": "postgres" # 用户 } } } ], "setting": { "speed": { "channel": "5" #并发通道，根据自己的数据库性能而定，一般数据库不建议超过32个 } } } }

执行同步操作

利用刚刚准备好的json文件，执行数据同步操作

[root@stephen datax]# python bin/datax.py job/mysql2pg.json DataX (DATAX-OPENSOURCE-3.0), From Alibaba ! Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved. 2019-08-21 15:52:26.746 [main] INFO VMInfo - VMInfo# operatingSystem class => sun.management.OperatingSystemImpl 2019-08-21 15:52:26.754 [main] INFO Engine - the machine info => ........显示省略.......... [total cpu info] => averageCpu | maxDeltaCpu | minDeltaCpu -1.00% | -1.00% | -1.00% [total gc info] => NAME | totalGCCount | maxDeltaGCCount | minDeltaGCCount | totalGCTime | maxDeltaGCTime | minDeltaGCTime Copy | 1 | 1 | 1 | 0.049s | 0.049s | 0.049s MarkSweepCompact | 0 | 0 | 0 | 0.000s | 0.000s | 0.000s 2019-08-21 15:52:37.605 [job-0] INFO JobContainer - PerfTrace not enable! 2019-08-21 15:52:37.605 [job-0] INFO StandAloneJobContainerCommunicator - Total 100000 records, 2488939 bytes | Speed 243.06KB/s, 10000 records/s | Error 0 records, 0 bytes | All Task WaitWriterTime 5.170s | All Task WaitReaderTime 0.848s | Percentage 100.00% 2019-08-21 15:52:37.606 [job-0] INFO JobContainer - 任务启动时刻 : 2019-08-21 15:52:26 任务结束时刻 : 2019-08-21 15:52:37 任务总计耗时 : 10s 任务平均流量 : 243.06KB/s 记录写入速度 : 10000rec/s 读出记录总数 : 100000 读写失败总数 : 0

同步成功！去Postgresql中查看数据是否已经同步完成

stephen=# select count(*) from datax_test ; count -------- 100000 (1 row) stephen=# stephen=# select * from datax_test limit 10 ; id | name | birthday | memo ----+------------+---------------------+-------------- 0 | g=14}9v7x | 2006-11-25 00:00:00 | ujGPtH/I\r 1 | *O | 2015-12-14 00:00:00 | Vg\r 2 | kD}ExP6d!0 | 2001-09-07 00:00:00 | ?\r 3 | ll3--zr | 2008-12-10 00:00:00 | |+\r 4 | Mj!j5~_~ | 2010-11-04 00:00:00 | ypE@\r 5 | mJW | 2004-08-25 00:00:00 | *Ish&NS>4k\r 6 | 65xl | 2003-09-25 00:00:00 | |HAtL2\r 7 | %6V6c7*4 | 2009-06-16 00:00:00 | dS|Ul6H\r 8 | 8:0O | 2006-01-25 00:00:00 | rOA10>zL|\r 9 | CHjFqa_ | 2018-09-26 00:00:00 | 4TY-xX\r

总结

官方上说datax能够实现以下数据源之间的读写，基本上涵盖了日常所见所闻的 有关数据库的产品。
我只能说，点个赞，好东西。迁移数据找它就没错了