再学DataX

一、DataX简介

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

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、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

1.1、DataX 3.0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。

1.2、DataX3.0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

1、Job

DataX完成单个数据同步的作业。一个Job对应一个进程。Job模块负责task切分，TaskGroup管理等。

2、Task

Task是DataX的最小单元，每个task负责一部分数据同步工作。

3、TaskGroup

Job在切分完多个Task后，会调用DataX的scheduler模块，根据配置的并发量，将拆分成的多个Task分配到不同的TaskGroup中，每个TaskGroup负责以一定并发运行分配给他的全部Task，每个TaskGroup默认的并发量是5.

4、Task的执行流程

每个Task由TaskGroup启动，每个Task对固定启动Reader—>Channel—>Writer的线程来完成数据同步工作。

DataX Job运行起来后，由Job监控并等待每个TaskGroup的task执行完成，等所有TaskGroup任务执行完成后，Job成功退出。否则，异常退出。

5、DataX调度流程

举例来说，用户提交了一个DataX作业，并且配置了20个并发，目的是将一个100张分表的mysql数据同步到odps里面。

DataX的调度决策思路是：

1）DataX Job根据分库分表切分成了100个Task。

2）由于配置了20个并发，每个TaskGroup默认并发度是5，所以需要4个TaskGroup

3）由4个TaskGroup平均切分100个Task，每个TaskGroup被分到了25个Task，共启动5个并发。

1.3、DataX优势

1、可靠的监控

2、数据转换功能丰富

3、精准的流控

4、同步性能好

5、容错机制健壮

6、使用体验好

二、DataX源码解读

2.1、入口类：Engine

入口类为com.alibaba.datax.core.Engine.java main函数

1、解析args入参：

Options options = new Options();
options.addOption("job", true, "Job config.");
options.addOption("jobid", true, "Job unique id.");
options.addOption("mode", true, "Job runtime mode.");

BasicParser parser = new BasicParser();
CommandLine cl = parser.parse(options, args);
1
2
3
4
5
6
7

针对命令行参数采用了org.apache.commons的BasicParser解析，针对任务的配置文件则通过其本身的ConfigParser进行解析（可以支持本地和网络文件）。

2、启动Engine
参数启动完毕后，调用Engine.start方法启动

ConfigurationValidate.doValidate(configuration);
Engine engine = new Engine();
engine.start(configuration);
1
2
3

然后选择是Job模式还是TaskGroup模式：

boolean isStandAloneMode = "standalone".equalsIgnoreCase(RUNTIME_MODE);
1

实际上基本都是Job模式，后续我们主要以JobContainer为切入点，另一个则为TaskGroupContainer。两者均继承自AbstractContainer基类，并通过调用他们的start方法进行启动。

2.2、JobContainer

JobContainer.start方法是入口

preHander

Job前置操作，即初始化preHandler插件并执行其preHandler

1）init
初始化reader和writer，实际方法中根据读写插件各自执行了对应的初始化方法:

//必须先Reader ，后Writer
this.jobReader = this.initJobReader(jobPluginCollector);
this.jobWriter = this.initJobWriter(jobPluginCollector);
1
2
3

2）prepare
全局准备工作，比如odpswriter清空目标表。由于读写插件的特殊性质，其方法内部主要也是执行了各类型插件的方法来实现准备工作

this.prepareJobReader();
this.prepareJobWriter();
1
2

3）split
拆分Task，参数adviceNumber为建议的拆分数。除此之外我们还可以通过字节和事务的限速来进行控制，从而决定Channel的数量。

• job.setting.speed.byte：总BPS限速，如果存在值则单个Channel的BPS不能为空，通过总限速除以单个Channel限速得出Channel的需求数量；
• core.transport.channel.speed.byte：单个Channel的BPS限速；
• job.setting.speed.record：总TPS限速，如果存在则单个Channel的TPS不能为空，通过总限速除以单个Channel限速得出Channel的需求数量；
• core.transport.channel.speed.record：单个Channel的TPS限速；

4）schedule
schedule首先完成的工作是把上一步reader和writer split的结果整合到具体taskGroupContainer中, 同时不同的执行模式调用不同的调度策略，将所有任务调度起来

由于实际任务是由TaskGroupContainer执行，为此我们还需要划分对应TaskGroup需要运行的Task，该参数通过core.container.taskGroup.channel进行配置，默认为5。决定每个Group运行那些Task的则由以下方法进行决定，将直接返回对应任务组的配置参数。

/**
 * 通过获取配置信息得到每个taskGroup需要运行哪些tasks任务
 */
List<Configuration> taskGroupConfigs = JobAssignUtil.assignFairly(this.configuration,
	this.needChannelNumber, channelsPerTaskGroup);
1
2
3
4
5

完成任务分配后我们就需要根据运行模式决定调度器，通过这里的源码可以明显看出其DataX 3.0是经过了阉割，仅保留了单机运行模式。

executeMode = ExecuteMode.STANDALONE;
scheduler = initStandaloneScheduler(this.configuration);
1
2

后续我们仅能描述单机模式下关于任务调度的工作原理：
Step1：调度器初始化的核心方法initStandaloneScheduler，其方法主要是初始化了StandAloneJobContainerCommunicator类用于通信（其中collect由ProcessInnerCollector提供，reporter由ProcessInnerReporter提供），StandAloneScheduler则为实际调度器。

最终执行：

scheduler.schedule(taskGroupConfigs);
1

在AbstractScheduler的schedule中通过StandAloneJobContainerCommunicator类调用了其collect方法：

public Communication collect() {
    return super.getCollector().collectFromTaskGroup();
}
1
2
3

该类为ProcessInnerCollector类，其对应的方法依然是LocalTGCommunicationManager静态类其中一个静态方法。

public Communication collectFromTaskGroup() {
    return LocalTGCommunicationManager.getJobCommunication();
}
1
2
3

其内部也是将之前每个TaskGroup所创建的Communication维护了一个静态字典并在需要的时候进行合并。

public static Communication getJobCommunication() {
    Communication communication = new Communication();
    communication.setState(State.SUCCEEDED);

    for (Communication taskGroupCommunication :
            taskGroupCommunicationMap.values()) {
        communication.mergeFrom(taskGroupCommunication);
    }

    return communication;
}
1
2
3
4
5
6
7
8
9
10
11