数据采集项目2-业务数据同步

全量同步

每天都将业务数据库中的全部数据同步一份到数据仓库

全量同步采用DataX

datax

datax使用

执行

python /opt/module/datax/bin/datax.py /opt/module/datax/job/job.json

更多job.json配置文件在：

生成的DataX配置文件

java -jar datax-config-generator-1.0-SNAPSHOT-jar-with-dependencies.jar

增量同步

每天只将业务数据中的新增及变化数据同步到数据仓库。采用每日增量同步的表，通常需要在首日先进行一次全量同步。

增量同步采用Maxwell

Maxwell 监控MySQL数据，将自己伪装成MySQL的slave，实时监控MySQL的binlog日志，并将数据转化为json，之后发送给kafka等一些流数据处理平台。

要提前开启mysql的binlog

配置maxwell

maxwell首次开启为全量，之后为增量

全量：bin/maxwell-bootstrap --database gmall --table user_info --config config.properties

增量：bin/maxwell --config config.properties --daemon

如何解决数据漂移问题？

用户行为数据生成的时候一般会自带一个时间戳ts，通过flume拦截器，将body当中数据自带的ts时间戳写入header当中的timestamp，这样HDFS Sink在落盘调度时候就可以通过数据产生的时间来落盘了。

拦截器见：

启动脚本f2_log.sh编写资料见：