Datax 数据同步-使用总结（二）

一、前言

这部分主要记录 datax 实现增量同步的方案。

二、核心思路

结合datax 提供的preSql、 postSql以及占位符，外加另外一张表同步日志表来记录相关同步信息。

三、版本迭代

3.1 初版本

where tbq.opera_date > cast(date_format(DATE_SUB(NOW(), interval 5 minute), '%Y%m%d%H%i%s000') as unsigned)"
1

这个版本，是直接以执行时时间为时间戳。
缺点，显而易见。当同步时间比较久的时候，5 分钟就远远不够。

3.2 版本

阅读 datax 的使用说明里，对于 mysql 的写，支持 presql 和 postsql 的方式。

因此考虑新建一个表，

1. 在同步之前，利用 preSql，往该表中插入一条数据记录，记录同步开始时间。
2. 同步完成后，利用 postSql 更新当前同步的这条记录，记录同步结束时间
3. 读取时，从该表中获取上次同步开始时间的数据，作为同步时间戳。
   最终 json 脚本变成如下

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "column": [
                            xxxx
			],
                        "connection": [
                            {
                                xxxx
                            }
                        ],
			"where":" update_date > (select l.sync_start_date from sys_sync_log l where l.sync_business_type = 'gongdan' and l.sync_result = 1 order by l.sync_start_date desc limit 1)",
                    }
                },
                "writer": {
                    "name": "mysqlwriter",
                    "parameter": {
                        "column": [
                            xxx
			],
                        "connection": [
                          {
                                xxxx
                          }
                        ],
			"preSql":[
				"insert into sys_sync_log(sync_start_date,sync_result) values(now(),2)"
			],
			"postSql":[
				"update sys_sync_log l set l.sync_end_date = now(),l.sync_result = 1 where l.id = ( select t.id from (select l1.id from sys_sync_log l1 where l1.sync_result = 2 order by l1.sync_start_date desc limit 1) t )"
			],
			"writerMode":"replace"
                    }
                }
            }
        ],
        "setting": {
            "speed": {
                "channel": "5"
            }
        }
    }
}

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

此版本相对于上个版本，时间戳的获取上，比较固定，能避免因为同步代码问题，导致时间戳获取不准。

3.3 版本

上述版本写的相对复杂，需要先查询当前同步记录之后，再更新同步结束时间。无法保证一致性，即preSql 的插入的记录和 postSql 更新记录，可能不是同一个记录。
再结合 datax 的占位符特性，可以将记录的主键由外部传入。
因此 json 脚本变成

{
	"preSql":[
		"insert into sys_sync_log(id,sync_start_date,sync_result) values('${logId}',now(),2)"
	],
	"postSql":[
		"update sys_sync_log l set l.sync_end_date = now(),l.sync_result = 1 where l.id = '${logId}'"
	],
}
1
2
3
4
5
6
7
8

其中 ${logId}为占位符
liunx 中通过 uuidgen 命令可以获取 uuid。
因此执行同步脚本时，参考如下命令执行即可

python ../bin/datax.py -p "-DlogId=`uuidgen`" ./ssss.json
1

其中-p “-DlogId=uuidgen” 为获取 uuid，并传给 sss.json中
这个版本，可以保证 preSql 和 postSql 处理的记录，是同一条。

四、扩展

应该还有更优方案，还需继续研究。