A. DataX3.0 Overview
DataX is a heterogeneous data sources offline sync tool, including committed between the relational database (MySQL, Oracle, etc.), HDFS, Hive, ODPS, HBase, FTP , and other heterogeneous data sources stable and efficient data synchronization.
(This is a stand-alone multi-tasking ETL tool)
Download: http: //datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
design concept
In order to solve the synchronization problem heterogeneous data sources, DataX complex into a mesh-like star synchronous link data link, DataX intermediate as a delivery vehicle responsible for connecting various data sources. When you need access to a new data source, you can just source of this data to the DataX, will be able to do with existing data sources seamless data synchronization.
The current status of use
DataX is widely used in the Alibaba Group, it took off all the big data synchronization business, and has sustained and stable operation for six years. At present day to complete synchronization 8w multi-channel operation, the daily amount of data transferred over 300TB.
He had already DataX1.0 open source version of the open source cloud Ali introduced a new version of DataX3.0, with more and more powerful features and a better user experience. Github home page address: https: //github.com/alibaba/DataX
Two, DataX3.0 frame design
DataX itself as an offline data synchronization framework, the Framework + plugin architectural building. The source data reading and writing becomes abstract Reader / Writer plug into the entire sync frame.
Reader: Reader is a data acquisition module is responsible for data collection data source to send data to the Framework.
Writer: Writer data writing module, responsible for keeping the Framework fetch data, and writes the data to the destination.
Framework: Framework for connecting Writer and reader, both as a data transmission channel, and the processing buffer, flow control, concurrent, data conversion core technical issues.
Three. DataX3.0 plug-in system
DataX there is now more comprehensive plug-in architecture, mainstream RDBMS database, NOSQL, big data computing systems have access, now supports data below, please click: DataX data source reference guide
Four, DataX3.0 core architecture
DataX 3.0 open source version supports stand-alone multi-threaded mode complete synchronization job runs, this section according to a timing diagram DataX job life cycle, from the very brief description of the overall architecture of each module DataX relationship.
核心模块介绍：
DataX完成单个数据同步的作业，我们称之为Job，DataX接受到一个Job之后，将启动一个进程来完成整个作业同步过程。DataX Job模块是单个作业的中枢管理节点，承担了数据清理、子任务切分(将单一作业计算转化为多个子Task)、TaskGroup管理等功能。
DataXJob启动后，会根据不同的源端切分策略，将Job切分成多个小的Task(子任务)，以便于并发执行。Task便是DataX作业的最小单元，每一个Task都会负责一部分数据的同步工作。
切分多个Task之后，DataX Job会调用Scheduler模块，根据配置的并发数据量，将拆分成的Task重新组合，组装成TaskGroup(任务组)。每一个TaskGroup负责以一定的并发运行完毕分配好的所有Task，默认单个任务组的并发数量为5。
每一个Task都由TaskGroup负责启动，Task启动后，会固定启动Reader—>Channel—>Writer的线程来完成任务同步工作。
DataX作业运行起来之后， Job监控并等待多个TaskGroup模块任务完成，等待所有TaskGroup任务完成后Job成功退出。否则，异常退出，进程退出值非0
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：
DataXJob根据分库分表切分成了100个Task。
根据20个并发，DataX计算共需要分配4个TaskGroup。
4个TaskGroup平分切分好的100个Task，每一个TaskGroup负责以5个并发共计运行25个Task。
五、DataX 3.0六大核心优势
可靠的数据质量监控
完美解决数据传输个别类型失真问题
DataX旧版对于部分数据类型(比如时间戳)传输一直存在毫秒阶段等数据失真情况，新版本DataX3.0已经做到支持所有的强数据类型，每一种插件都有自己的数据类型转换策略，让数据可以完整无损的传输到目的端。
提供作业全链路的流量、数据量运行时监控
DataX3.0运行过程中可以将作业本身状态、数据流量、数据速度、执行进度等信息进行全面的展示，让用户可以实时了解作业状态。并可在作业执行过程中智能判断源端和目的端的速度对比情况，给予用户更多性能排查信息。
提供脏数据探测
在大量数据的传输过程中，必定会由于各种原因导致很多数据传输报错(比如类型转换错误)，这种数据DataX认为就是脏数据。DataX目前可以实现脏数据精确过滤、识别、采集、展示，为用户提供多种的脏数据处理模式，让用户准确把控数据质量大关！
丰富的数据转换功能
DataX作为一个服务于大数据的ETL工具，除了提供数据快照搬迁功能之外，还提供了丰富数据转换的功能，让数据在传输过程中可以轻松完成数据脱敏，补全，过滤等数据转换功能，另外还提供了自动groovy函数，让用户自定义转换函数。详情请看DataX3的transformer详细介绍。
精准的速度控制
还在为同步过程对在线存储压力影响而担心吗？新版本DataX3.0提供了包括通道(并发)、记录流、字节流三种流控模式，可以随意控制你的作业速度，让你的作业在库可以承受的范围内达到最佳的同步速度。
"speed": {
"channel": 8, ----并发数限速（根据自己CPU合理控制并发数）
"byte": 524288, ----字节流限速（根据自己的磁盘和网络合理控制字节数）
"record": 10000 ----记录流限速（根据数据合理空行数）
}
强劲的同步性能
DataX3.0每一种读插件都有一种或多种切分策略，都能将作业合理切分成多个Task并行执行，单机多线程执行模型可以让DataX速度随并发成线性增长。在源端和目的端性能都足够的情况下，单个作业一定可以打满网卡。另外，DataX团队对所有的已经接入的插件都做了极致的性能优化，并且做了完整的性能测试。性能测试相关详情可以参照每单个数据源的详细介绍：DataX数据源指南
健壮的容错机制
DataX作业是极易受外部因素的干扰，网络闪断、数据源不稳定等因素很容易让同步到一半的作业报错停止。因此稳定性是DataX的基本要求，在DataX 3.0的设计中，重点完善了框架和插件的稳定性。目前DataX3.0可以做到线程级别、进程级别(暂时未开放)、作业级别多层次局部/全局的重试，保证用户的作业稳定运行。
线程内部重试
DataX的核心插件都经过团队的全盘review，不同的网络交互方式都有不同的重试策略。
线程级别重试
目前DataX已经可以实现TaskFailover，针对于中间失败的Task，DataX框架可以做到整个Task级别的重新调度。
极简的使用体验
下载即可用，支持linux和windows，只需要按照模板填相应的参数即可
DataX3.0安装过程：https://blog.csdn.net/u014646662/article/details/82748055
DataX3.0 Oracle导入Oracle：https://blog.csdn.net/u014646662/article/details/82777966
DataX3.0 MySQL导入MySQL：https://blog.csdn.net/u014646662/article/details/82778067
---------------------
转自原文：https://blog.csdn.net/u014646662/article/details/82792725