DataX做数据迁移的几个技巧

1. 背景

最近在做系统重构，由原来的单体系统重构成分布式微服务系统，原始是单个数据库，也要按业务进行数据库的垂直拆分，便于以后的业务发展扩展和数据量大了之后的分片处理。因为规范落实不够，导致之前的表和字段有部分不够规范。主要有一下的两个问题：

• 字段类型：时间上用了int存放时间戳，表示时间，但是有2038年的上限。
• 字段名：不够见名知义，不统一，比如表示用户ID，有的地方用了uid，有的地方用了user_id。
  这导致系统和代码不够简洁，并且存在隐患。

2. 解决之道

2.1 技术选型

采用DataX （官方链接）作为可平行复制的数据迁移，原因有一些几方面：

• 阿里巴巴开源的Java工具：方便调试和查看底层原理。
• 可并行处理：针对于数据量较大的表，可以分段后并行迁移。
• 迁移脚本Json化：每一个表都对应一个Json数据文件，清晰明了。
• 扩展灵活：可以自己实现转换器。

示例脚本：

{
  "job": {
    "setting": {
      "speed": {
        "channel": 5
      },
      "errorLimit": {
        "record": 0,
        "percentage": 0.02
      }
    },
    "content": [
      {
        "reader": {
          "name": "mysqlreader",
          "parameter": {
            "username": "root",
            "password": "123456",
            "splitPk": "id",
            "column": [],
            "connection": [
              {
                "querySql": [
                  "SELECT `id`, `mobile` FROM user WHERE 1"
                ],
                "jdbcUrl": [
                  "jdbc:mysql://127.0.0.1:3306/test_db"
                ]
              }
            ]
          }
        },
        "writer": {
          "name": "mysqlwriter",
          "parameter": {
            "writeMode": "insert",
            "username": "root",
            "password": "123456",
            "column": [
              "id",
              "mobile"
            ],
            "preSql": [
              ""
            ],
            "connection": [
              {
                "jdbcUrl": "jdbc:mysql://127.0.0.1:3306/test_db?characterEncoding=utf-8&com.mysql.jdbc.faultInjection.serverCharsetIndex=45",
                "table": [
                  "user"
                ]
              }
            ]
          }
        }
      }
    ]
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

2.2 字段类型问题

时间戳int格式，转换成dataetime。
DataX指定reader的列的方式有两种（只有一种有效）：

• column：可以是，*或者某一些字段
• querySql：类似于，select a,b,c from tbl_1;;

column方式适合于两个表的字段数和名字一致的场景。querySql就比较灵活。当字段名一致，但是类型不一致的时候可以使用SQL做转换即可。
select id,from_unixtime(createtime) from tbl_1;。
这样reader读取到的就是可以写入writer的数据格式。

2.3 字段名字问题

当字段名更改时，也可以采用querySql方式，将字段做一个别名即可：
如原字段为createtime，新字段为create_time
select id,from_unixtime(createtime) as create_time from tbl_1;

2.4 字段值内容转换

对于数据的裁剪和转换，DataX有Transformer工具可以实现：

• dx_substr：从字符串的指定位置（包含）截取指定长度的字符串。如果开始位置非法抛出异常。如果字段为空值，直接返回（即不参与本transformer）
• dx_pad：如果源字符串长度小于目标字段长度，按照位置添加pad字符后返回。如果长于，直接截断（都截右边）。如果字段为空值，转换为空字符串进行pad，即最后的字符串全是需要pad的字符
• dx_replace：从字符串的指定位置（包含）替换指定长度的字符串。如果开始位置非法抛出异常。如果字段为空值，直接返回（即不参与本transformer）
• dx_filter ：如果匹配正则表达式，返回Null，表示过滤该行。不匹配表达式时，表示保留该行。
• dx_groovy：groovy表达式处理。

当然还可以自定义 Transformer 实现所需功能。

3. 总结

在做系统重构，无法避免数据迁移，对于可以直接复制的数据，可以选型DataX作为迁移工具。灵活结合SQL语法和DataX的插件可以满足我们大部分需求。