项目背景
前期已经写过几篇用datax实现异构数据迁移的文章，面对复杂的上游数据，无法用一种通用的方式来实现所有业务表的迁移，比如一个大业务表中rowid字段与表记录差异特别大（一个表有3亿条记录，里面的最大rowid为30亿），这种情况下通过rowid切片也能实现迁移，但切片后的数据分布不均匀，这时基于时间字段来迁移则要顺利得多。
系统环境
gbase8a 16节点集群
mysql5.6.46主从
迁移策略
迁移数据有几种方式，需要根据实际的情况来决定采用哪一钟，面对复杂的业务数据，很难有标准的方式来实现所有业务数据的迁移，现把我遇到的迁移策略整理如下：
1、对于小表（百万级）进行批量迁移
2、大表无时间字段（千万以及亿级），通过rowid字段切片
3、大表有时间字段，但rowid比表记录大几倍甚至几十倍的情况 ，基于时间字段切片迁移
通过几上三种方式组合，完美的解决了目前项目遇到的数据迁移问题
实现脚本
datax配置文件
{
"job": {
"setting": {
"speed": {
"byte": 1048576
},
"errorLimit": {
"record": 0,
"percentage": 0.02
}
},
"content": [
{
"reader": {
"name": "$source_reader",
"parameter": {
"username": "$source_db_user",
"password": "$source_db_pwd",
"connection": [
{
"querySql": [
"select * from $source_table_name where $date_column>='$start_time' and $date_column<'$end_time';"
],
"jdbcUrl": [
"$source_db_conn"
]
}
],
"fetchSize": 1024
}
},
"writer": {
"name": "$target_reader",
"parameter": {
"username": "$target_db_user",
"password": "$target_db_pwd",
"session": [],
"preSql": [],
"column": ["REC_ID","PRO_ORG_NO","TG_ID","ORG_NO","TG_NO","TG_NAME","STAT_DATE","CONS_NUM","TG_CAP","PPQ","UPQ","LOSS_PQ","LINELOSS_RATE","ABNORMAL_LL_TYPE","METER_SUM","METER_COVER_SUM","COVER_RATE","IS_COVER","METER_SUCC_SUM","SUCC_RATE","IS_MONITOR","COLL_TYPE","IS_CALC","EVAL_TYPE","BUF_UPDATETIME","PUBLIC_MET_CNT","LOW_MET_CNT","DISTRIBUTED_MET_CNT","RESP_EMP_NO"],
"connection": [
{
"table": [
"$target_table_name"
],
"jdbcUrl": "$target_db_conn"
}
]
}
}
}
]
}
}
迁移脚本文件/data/datax/job/gbasetomysql.json
#!/bin/bash
#function:
#version:0.3
#author:lineqi
#crt_time:2020-04-26
#大表同步思路
#1、从gbase8a数据库里获取大表的名称和时间字段，按天生成同步记录，存储在table_name.txt文件中，格式为buf_aa.t_xx_pb_aayjl:in_xx_gbase_aa.t_xx_pb_aayjl:fssj:2020-06-01:2020-06-02，该步骤先通过手动实现，可以一天、两天，甚至一周为单位进行切分
#2、循环读取table_name.txt中的内容
#3、以天为单位抽取数据
#datax命令调用案例
#eg:/opt/datax/bin/datax.py -p "-Dsource_reader=${
v_gbase_reader}" /opt/datax/job/mysqltest.json >> /opt/datax/log/table_name_2020-04-26.log
#定义文件与命令执行路径
v_table_list='/data/datax/job/table_name.txt'
v_exec_command='/data/datax/bin/datax.py'
v_path_json='/data/datax/job/gbasetomysql.json'
v_path_log='/data/datax/log/'
#定义常用参数
v_source_table_name=''
v_target_table_name=''
v_sync_start_time=`date -d "today" +"%Y-%m-%d-%H-%M-%S"`
v_start_time=''
v_end_time=''
v_append_time=" 00:00:00"
v_date_column=''
#定义源数据库的连接方式
v_gbase_user='qyw_qjqx'
v_gbase_pwd='qyw12_19QJQX#'
v_gbase_conn='jdbc:gbase://10.xx.xx.28:15258/xx_amr'
v_gbase_reader='rdbmsreader'
#定义目标数据库的连接方式
v_mysql_user='qjqx'
v_mysql_pwd='Whayer1234'
v_mysql_reader='mysqlwriter'
v_mysql_conn='jdbc:mysql://25.xx.xx.68:13306/xx_gbase8a_xx_amr'
#从table_name.txt获取表名、表记录数并计算分片
for table_name in `cat $v_table_list`
do
#get table_name
v_source_table_name=`echo $table_name|awk -F ":" '{
print $1}'`
v_target_table_name=`echo $table_name|awk -F ":" '{
print $2}'`
v_date_column=`echo $table_name|awk -F ":" '{
print $3}'`
v_start_time=`echo $table_name|awk -F ":" '{
print $4}'`"$v_append_time"
v_end_time=`echo $table_name|awk -F ":" '{
print $5}'`"$v_append_time"
$v_exec_command -p "\
-Dsource_reader=${
v_gbase_reader} \
-Dsource_db_user=${
v_gbase_user} \
-Dsource_db_pwd=${
v_gbase_pwd} \
-Dsource_db_conn=${
v_gbase_conn} \
-Dsource_table_name=${
v_source_table_name} \
-Ddate_column=${
v_date_column} \
-Dstart_time='${
v_start_time}' \
-Dend_time='${
v_end_time}' \
-Dtarget_reader=${
v_mysql_reader} \
-Dtarget_db_user=${
v_mysql_user} \
-Dtarget_db_pwd=${
v_mysql_pwd} \
-Dtarget_db_conn=${
v_mysql_conn} \
-Dtarget_table_name=${
v_target_table_name} \
" $v_path_json >>"$v_path_log"$v_source_table_name"$v_sync_start_time".log 2>&1
# echo $v_table_name,$v_start_num,$v_end_num
done
表配置文件table_name.txt
buf_aa.t_xx_pb_aayjl:in_xx_gbase_aa.t_xx_pb_aayjl:fssj:2020-06-03:2020-06-04
buf_aa.t_xx_pb_aayjl:in_xx_gbase_aa.t_xx_pb_aayjl:fssj:2020-06-02:2020-06-03
buf_aa.t_xx_pb_aayjl:in_xx_gbase_aa.t_xx_pb_aayjl:fssj:2020-06-01:2020-06-02
说明：表配置文件中的第一行由7个部分组成，分别代表的含义如下
buf_aa：代表源库的数据库名或schema名
t_xx_pb_aayjl:代表源库的业务表名与目标下的业务表名一致
in_xx_gbase_aa：目标库数据库名或schema名
fssj:源库业务表中的时间字段
2020-06-01:源库业务表同步的起始时间
2020-06-02：源库业务表同步的结束时间
总结：
1、不管是基于时间切分、rowid切分、小表批量迁移，只要一次处理的数据不超过datax的遇到内存即可
2、表配置文件table_name.txt文件的时间没有带时、分、秒，这里是在shell脚本定义变量来实现的
3、当时基于时间切分迁移数据时，表配置文件table_name.txt里有500多条记录，当运行到400多条记录时，datax运行出问题了，将已经同步完成的400多条记录从table_name.txt清除后，继续则没有出现问题，有点奇怪。