1、datax:
是一个异构数据源离线同步工具，致力于实现关系型数据库（mysql、oracle等）hdfs、hive、hbase等各种异构数据源之间的数据同步
2、参考网址文献：
https://github.com/alibaba/DataX/blob/master/introduction.mdhttps://github.com/alibaba/DataX/blob/master/userGuid.mdhttps://github.com/alibaba/DataX/blob/master/introduction.md
3、Datax的框架设计：
Datax作为离线数据同步工具，主要的是采用了Framework+plugin架构构成，将数据源的读数据和写数据封装成对应的Reader和Writer插件，纳入到整体的同步框架中。
1、Reader：作为数据的采集模块，负责采集数据源的数据，将数据发送给Framework
2、Writer：作为数据写入模块，负责不断的向Framework取出数据，将数据写入到对应的目的端
3、Framework：用于连接Reader和Writer，作为两者的数据传输通道，并处理缓冲、数据转换等核心技术问题。
4、Datax的核心架构：
Datax3.0 开源版本是支持单机多线程来完成同步作业运行，因为底层是使用java做开发。整体的架构：
模块的核心介绍：
1、Datax完成单个数据同步做作业，被称之为job，Datax接收到一个job时就会启动一个进程来完成数据同步工作，所以Datax job 模块是单个作业的中枢管理中心，主要是承担数据清理，子任务切分、TaskGroup 管理。
2、当Datax启动后，Datax job会根据不同的源数据将job切分成不同的Task，所以Task是Datax的最小作业单位，每一个Task都会负责一部分的数据同步。
3、切分成多个Task后，Datax job 就会调用scheduler模块，根据配置的并发数量，将拆分的Task重新组合，组装成TaskGroup，每一个TaskGroup都负责一定的Task任务的执行，默认TaskGroup并发数量数5个。
4、每一个Task都是由TaskGroup所监控执行启动，每一个Task启动后都会按照Reader---Channel---Writer的执行顺序执行。
5、当任务启动后，Datax job就会监控所有的TaskGroup的执行情况，当所有的TaskGroup任务完成后，job就会退出，当出现异常，就会异常退出并且进程退出值非0.
5、Datax的核心优势：
1、可靠的数据质量监控
2、丰富的数据转换功能
3、精准的控制速度
4、容错机制：
1、线程内部重试
DataX的核心插件都经过团队的全盘review，不同的网络交互方式都有不同的重试策略。
2、线程级别重试
目前DataX已经可以实现TaskFailover，针对于中间失败的Task，DataX框架可以做到整个Task级别的重新调度。
5、极简的体验
6、Datax与Sqoop的区别：
| 功能 | Datax | sqoop |
| 运行模式 | 单进程多线程 | MR |
| 分布式 | 是不支持分布式 | 支持 |
| 流控 | 有 | 需要定制 |
| 统计信息 | 支持 | 不支持，分布式的数据收集不方便 |
| 数据校验 | 只有core部分有校验功能 | 不支持，分布式的数据收集不方便 |
| 监控 | 需要定制 | 需要定制 |
7、Datax部署：
1、下载jar包：
下载路径：https://github.com/alibaba/DataX
2、解压文件，配置环境变量：
#解压jar包
tar -zxvf datax.tar.gz
#配置环境变量：
vim /etc/profile
export DATAX_HOME=/user/loacl/soft/datax
export PATH=.:$PATH:$DATAX_HOME/bin
#配置好环境变量，让配置文件生效
source /etc/profile
3、使执行文件拥有执行权：
添加执行权：
chmod +x data.py
8、Datax的使用：
在datax中会自动的生成模板的命令：
datax.py -r streamreader -w streamwriter1、streamreader to streamwriter，数据打印在控制台上面
参数说明：
"sliceRecordCount": 100 #指定打印的个数
"channel": 1 #指定并发度#创建json文件：
vim streamreadertostreamwriter.json
{
"job": {
"content": [
{
"reader": {
"name": "streamreader",
"parameter": {
"column": [
{
"type":"string",
"value":"wyz"
},
{
"type":"int",
"value":"18"
}
],
"sliceRecordCount": 100 #指定打印的个数
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"encoding": "",
"print": true
}
}
}
],
"setting": {
"speed": {
"channel": 1 #指定并发度
}
}
}
}
#脚本执行命令：
datax.py streamreadertostreamwriter.json2、mysql to mysql
1、可以通过命令获取模板：
datax.py -r mysqlreader -w mysqlwriter
2、可以通过github上的模板进行编写：分别是mysqlreader和mysqlwriter，参数会比较详细
3、在插入数据的需要注意是在将数据写入的时候如果出现在数据，那么此时可能是创建的表出了问题
例如：表中的某个字段是主键，主键唯一vim mysqlreaderTomysqlwriter.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": [
"id",
"name",
"age",
"clazz",
"gender"
],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://192.168.226.1:3306/bigdata25"],
"table": ["stu"]
}
],
"password": "123456",
"username": "root",
"where": "" #不是必须要写的，作用是可以在读数据时进行一次过滤
}
},
"writer": {
"name": "mysqlwriter",
"parameter": {
"column": [
"id",
"name",
"age",
"clazz",
"gender"
],
"connection": [
{
"jdbcUrl": "jdbc:mysql://192.168.226.1:3306/bigdata25",
"table": ["data_test"]
}
],
"password": "123456",
"preSql": [], #不是必须写的，作用是再写入数据前可以执行该sql
"session": [],
"username": "root",
"writeMode": "insert" #必选，指定数据写入的模式，分成三种：insert（一般默认）、replace、update
}
}
}
],
"setting": {
"speed": {
"channel": 1
}
}
}
}
#执行脚本：
datax.py mysqlreaderTomysqlwriter.json
将数据写入到mysql时，写入的表是需要提前创建的。
3、mysql to hdfs
参数解释：
使用datax的时候hdfswriter只支持两种文件形式，分别是text和orc
"fileType": "text", #支持两种方式：text和orc，text表示的是textfile，orc表示的orcfile
"compress": "", #指定文件的压缩形式，不指定代表不用压缩，
text支持的压缩方式：gzip，bzip2，
orc支持的压缩方式有NONE和SNAPPY
"writeMode": "append" #表示的是数据在写入的操作，分成三种：
append，写入前不做任何处理
nonconflit 如果文件存在，直接报错
truncate：如果文件存在，那就先删除在写入
"path": "/bigdata25/datax/datax_mysqltohdfs/" #文件不存在是需要提前创建的
vim mysqlTohdfs.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": ["id","name","age","clazz","gender"],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://master:3306/bigdata25"],
"table": ["stu"]
}
],
"password": "123456",
"username": "root",
"where": ""
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"column": [
{
"name":"id",
"type":"string"
},
{
"name":"stu_name",
"type":"string"
},
{
"name":"age",
"type":"string"
},
{
"name":"clazz",
"type":"string"
},
{
"name":"gender",
"type":"string"
}
],
"compress": "",
"defaultFS": "hdfs://master:9000",
"fieldDelimiter": ",",
"fileName": "stu_mysqltohdfs",
"fileType": "text",
"path": "/bigdata25/datax/datax_mysqltohdfs/",
"writeMode": "append"
}
}
}
],
"setting": {
"speed": {
"channel": 1
}
}
}
}
#执行脚本：
datax.py mysqlTohdfs.json4、mysql to hive
原理思想：
实际上还是将数据存入到hdfs上面，hive通过记录元数据信息来获取数据
原理：
创建好hive表在保存在hdfs上，是有文件路径，然后通过写入到指定的hdfs文件路径就能将数据写入到hive表中
当开启hive的时候，在hive中创建的表会默认的存储hdfs的/user/hive/warehouse/目录下前期准备：
前期准备：
启动hive（后台启动）：nohup hive --service metastore &
连接hive：hive
创建hive表（在没有说明的情况下一般在都是创建一个外部表）
创建一个datax数据库：
create database datax；
切换数据库：use datax
创建外部表：
create external table if not exists datax_mysqltohive(
id string,
name string,
age int,
clazz string,
gender string
)
row format delimited fields terminated by ',' stored as textfile编写脚本：
vim mysqlTohive.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": ["id","name","age","clazz","gender"],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://master:3306/bigdata25"],
"table": ["stu"]
}
],
"password": "123456",
"username": "root",
"where": ""
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"column": [
{
"name":"id",
"type":"string"
},
{
"name":"stu_name",
"type":"string"
},
{
"name":"age",
"type":"string"
},
{
"name":"clazz",
"type":"string"
},
{
"name":"gender",
"type":"string"
}
],
"compress": "",
"defaultFS": "hdfs://master:9000",
"fieldDelimiter": ",",
"fileName": "datax_mysqltohive1",
"fileType": "text",
"path": "/user/hive/warehouse/datax.db/datax_mysqltohive",
"writeMode": "append"
}
}
}
],
"setting": {
"speed": {
"channel": 1
}
}
}
}
#执行脚本命令：
datax.py mysqlTohive.json5、mysql to hbase(Hbase11XWriter)
参数解释：
"mode": "normal" 写hbase的模式，目前只支持normal模式
"hbaseConfig" {"hbase.zookeeper.quorum": "***"} 描述：连接HBase集群需要的配置信息，JSON格式
"table": "writer" 表的名称，大小写比较敏感
"encoding" 编码方式
"rowkeyColumn" 描述：要写入的hbase的rowkey列。index：指定该列对应reader端column的索引，从0开始，若为常量index为－1；type：指定写入数据类型，用于转换HBase byte[]；value：配置常量，常作为多个字段的拼接符。hbasewriter会将rowkeyColumn中所有列按照配置顺序进行拼接作为写入hbase的rowkey，不能全为常量
"versionColumn" 表示指定写入hbase的时间戳，支持当前时间、指定时间列、指定时间前期准备：
前期准备：
启动zookeeper：
zkServer.sh start(每一个节点上都是需要启动的)
查看zk的状态：
zkServer.sh status
启动hbase：
start-hbase.sh
连接hbase：
sqlline.py master,node1,node2
进入hbase的客户端：hbase shell
hbase中查看表的命令：！table
退出命令 ！quit
查看表：list
在hbase中创建创建表,指定表名和列簇：create 'student','cf1'
编写脚本：
vim mysqlTohbase.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": ["id","name","age","clazz","gender"],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://master:3306/bigdata25"],
"table": ["stu"]
}
],
"password": "123456",
"username": "root",
"where": ""
}
},
"writer": {
"name": "hbase11xwriter",
"parameter": {
"hbaseConfig": {
"hbase.zookeeper.quorum": "master:2181,node1:2181,node2:2181"
},
"table": "NEW_STU",
"mode": "normal",
"rowkeyColumn": [
{
"index":0,
"type":"string"
},
{
"index":-1,
"type":"string",
"value":"_"
}
],
"column": [
{
"index":1,
"name": "cf1:name",
"type": "string"
},
{
"index":2,
"name": "cf1:age",
"type": "int"
},
{
"index":3,
"name": "cf1:clazz",
"type": "string"
},
{
"index":4,
"name": "cf1:gender",
"type": "string"
}
],
"versionColumn":{
"index": -1,
"value":"123456789"
},
"encoding": "utf-8"
}
}
}
],
"setting": {
"speed": {
"channel": 1
}
}
}
}
#执行脚本
datax.py mysqlTohbase.json6、mysql增量同步数据到hive中。
最主要的工作就是在原先的mysql数据导入的hive中的基础上进行where过滤
vim mysqlTohive.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": ["id","name","age","clazz","gender"],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://master:3306/bigdata25"],
"table": ["stu"]
}
],
"password": "123456",
"username": "root",
"where": "id >20"
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"column": [
{
"name":"id",
"type":"string"
},
{
"name":"stu_name",
"type":"string"
},
{
"name":"age",
"type":"string"
},
{
"name":"clazz",
"type":"string"
},
{
"name":"gender",
"type":"string"
}
],
"compress": "",
"defaultFS": "hdfs://master:9000",
"fieldDelimiter": ",",
"fileName": "datax_mysqltohive1",
"fileType": "text",
"path": "/user/hive/warehouse/datax.db/datax_mysqltohive",
"writeMode": "append"
}
}
}
],
"setting": {
"speed": {
"channel": 1
}
}
}
}
#执行脚本命令：
datax.py mysqlTohive.json9、在使用datax过程中出现的错误：
1、配置文件出现错误，脚本不完整：
