DataX深度剖析：解读数据传输工具的设计理念与架构特点

DataX 简介

DataX 是阿里云 DataWorks 数据集成 的开源版本，在阿里巴巴集团内被广泛使用的离线数据同步工具/平台。DataX 实现了包括 MySQL、Oracle、OceanBase、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、Hologres、DRDS, databend 等各种异构数据源之间高效的数据同步功能。

DataX 本身作为数据同步框架，将不同数据源的同步抽象为从源头数据源读取数据的 Reader 插件，以及向目标端写入数据的 Writer 插件，理论上 DataX 框架可以支持任意数据源类型的数据同步工作。同时 DataX 插件体系作为一套生态系统，每接入一套新数据源该新加入的数据源即可实现和现有的数据源互通。

DataX 在阿里巴巴集团内被广泛使用，承担了所有大数据的离线同步业务，并已持续稳定运行了 6 年之久。目前每天完成同步 8W 多道作业，每日传输数据量超过 300TB。

DataX 官网仓库：https://github.com/alibaba/DataX

DataX 下载地址：https://datax-opensource.oss-cn-hangzhou.aliyuncs.com/202308/datax.tar.gz

DataX 快速方法：https://github.com/alibaba/DataX/blob/master/userGuid.md

DataX 概述

为了解决异构数据源同步问题，DataX 将复杂的网状的同步链路变成了星型数据链路，DataX 作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候，只需要将此数据源对接到 DataX，便能跟已有的数据源做到无缝数据同步。

支持的数据源

DataX 目前已经有了比较全面的插件体系，主流的 RDBMS 数据库、NOSQL、大数据计算系统都已经接入，目前支持数据如下图，详情请点击：DataX 数据源参考指南。

DataX 框架设计

• Reader：数据采集模块，负责采集数据源的数据，将数据发送给 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。
• Writer：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。

DataX 运行原理

DataX 3.0 开源版本支持单机多线程模式完成同步作业运行，本小节按一个 DataX 作业生命周期的时序图，从整体架构设计，非常简要说明 DataX 各个模块相互关系。

1. 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，承担了数据清洗、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。
2. DataX Job 启动之后，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 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。
3. 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 负责以一定的并发度运行分配好的所有 Task，默认单个任务组的并发数量为 5。
4. 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。
5. 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。

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 Oracle 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. 根据 20 个并发，单个任务组的并发数量为 5，DataX 计算共需要分配 4 个 TaskGroup。
3. 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。

根据上面的过程，理论上每一个 TaskGroup 要运行 25 个 Task，但实际上通常不是这样，每个 Task 的数据量不同，执行耗时自然也不同。执行快的组，运行的任务自然也就多些。