DataX-On-Hadoop即使用hadoop的任务调度器，将DataX task(Reader->Channel->Writer)调度到hadoop执行集群上执行。这样用户的hadoop数据可以通过MR任务批量上传到MaxCompute、RDS等，不需要用户提前安装和部署DataX软件包，也不需要另外为DataX准备执行集群。但是可以享受到DataX已有的插件逻辑、流控限速、鲁棒重试等等。

1. DataX-On-Hadoop 运行方式

1.1 什么是DataX-On-Hadoop

DataX https://github.com/alibaba/DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现包括 MySQL、Oracle、HDFS、Hive、OceanBase、HBase、OTS、MaxCompute 等各种异构数据源之间高效的数据同步功能。 DataX同步引擎内部实现了任务的切分、调度执行能力，DataX的执行不依赖Hadoop环境。

DataX-On-Hadoop是DataX针对Hadoop调度环境实现的版本，使用hadoop的任务调度器，将DataX task(Reader->Channel->Writer)调度到hadoop执行集群上执行。这样用户的hadoop数据可以通过MR任务批量上传到MaxCompute等，不需要用户提前安装和部署DataX软件包，也不需要另外为DataX准备执行集群。但是可以享受到DataX已有的插件逻辑、流控限速、鲁棒重试等等。

目前DataX-On-Hadoop支持将Hdfs中的数据上传到公共云MaxCompute当中。

1.2 如何运行DataX-On-Hadoop

运行DataX-On-Hadoop步骤如下:

提阿里云工单申请DataX-On-Hadoop软件包，此软件包本质上也是一个Hadoop MR Jar；
通过hadoop客户端提交一个MR任务，您只需要关系作业的配置文件内容(这里是./bvt_case/speed.json，配置文件和普通的DataX配置文件完全一致)，提交命令是：
```
./bin/hadoop jar datax-jar-with-dependencies.jar 
com.alibaba.datax.hdfs.odps.mr.HdfsToOdpsMRJob ./bvt_case/speed.json
```

任务执行完成后，可以看到类似如下日志:

297ebb78fb13ffd96a51f80702bc06ae0a74aca6

本例子的Hdfs Reader 和Odps Writer配置信息如下:

{
    "core": {
        "transport": {
            "channel": {
                "speed": {
                    "byte": "-1",
                    "record": "-1"
                }
            }
        }
    },
    "job": {
        "setting": {
            "speed": {
                "byte": 1048576
            },
            "errorLimit": {
                "record": 0
            }
        },
        "content": [
            {
                "reader": {
                    "name": "hdfsreader",
                    "parameter": {
                        "path": "/tmp/test_datax/big_data*",
                        "defaultFS": "hdfs://localhost:9000",
                        "column": [
                            {
                                "index": 0,
                                "type": "string"
                            },
                            {
                                "index": 1,
                                "type": "string"
                            }
                        ],
                        "fileType": "text",
                        "encoding": "UTF-8",
                        "fieldDelimiter": ","
                    }
                },
                "writer": {
                    "name": "odpswriter",
                    "parameter": {
                        "project": "",
                        "table": "",
                        "partition": "pt=1,dt=2",
                        "column": [
                            "id",
                            "name"
                        ],
                        "accessId": "",
                        "accessKey": "",
                        "truncate": true,
                        "odpsServer": "http://service.odps.aliyun.com/api",
                        "tunnelServer": "http://dt.odps.aliyun.com",
                        "accountType": "aliyun"
                    }
                }
            }
        ]
    }
}

1.3 DataX-On-Hadoop 任务高级配置参数

针对上面的例子，介绍几个性能、脏数据的参数:

core.transport.channel.speed.byte 同步任务切分多多个mapper并发执行，每个mapper的同步速度比特Byte上限，默认为-1，负数表示不限速；如果是1048576表示单个mapper最大速度是1MB/s。
core.transport.channel.speed.record 同步任务切分多多个mapper并发执行，每个mapper的同步速度记录上限，默认为-1，负数表示不限速；如果是10000表示单个mapper最大记录速度每秒1万行。
job.setting.speed.byte 同步任务整体的最大速度，依赖hadoop 2.7.0以后的版本，主要是通过mapreduce.job.running.map.limit参数控制同一时间点mapper的并行度。
job.setting.errorLimit.record 脏数据记录现在，默认不配置表示不进行脏数据检查(有脏数据任务不会失败)；0表示允许脏数据条数最大为0条，如果任务执行时脏数据超过限制，任务会失败；1表示允许脏数据条数最大为1条，含义不言自明。一个由于脏数据原因失败的任务:

7dc22676d71cb17bfb04f41ff4ea2fa2745159fe

作业级别的性能参数配置位置示例:

{
    "core": {
        "transport": {
            "channel": {
                "speed": {
                    "byte": "-1",
                    "record": "-1"
                }
            }
        }
    },
    "job": {
        "setting": {
            "speed": {
                "byte": 1048576
            },
            "errorLimit": {
                "record": 0
            }
        },
        "content": [
            {
                "reader": {},
                "writer": {}
            }
        ]
    }
}

另外，介绍几个变量替换、作业命名参数:

支持变量参数，比如作业配置文件json中有如下:

"path": "/tmp/test_datax/dt=${dt}/abc.txt"

任务执行时可以配置如下传参，使得一份配置代码可以多次使用:

./bin/hadoop jar datax-jar-with-dependencies.jar com.alibaba.datax.hdfs.odps.mr.HdfsToOdpsMRJob 
datax.json -p "-Ddt=20170427 -Dbizdate=123" -t hdfs_2_odps_mr

支持给作业命名，任务执行时的-t参数是作业的traceId，即作业的名字方便根据作业名字即知晓其意图，比如上面的-t hdfs_2_odps_mr

读写插件详细配置介绍，请见后续第2、3部分。

2. Hdfs 读取

2.1 快速介绍

Hdfs Reader提供了读取分布式文件系统数据存储的能力。在底层实现上，Hdfs Reader获取分布式文件系统上文件的数据，并转换为DataX传输协议传递给Writer。

Hdfs Reader实现了从Hadoop分布式文件系统Hdfs中读取文件数据并转为DataX协议的功能。textfile是Hive建表时默认使用的存储格式，数据不做压缩，本质上textfile就是以文本的形式将数据存放在hdfs中，对于DataX而言，Hdfs Reader实现上类比TxtFileReader，有诸多相似之处。orcfile，它的全名是Optimized Row Columnar file，是对RCFile做了优化。据官方文档介绍，这种文件格式可以提供一种高效的方法来存储Hive数据。Hdfs Reader利用Hive提供的OrcSerde类，读取解析orcfile文件的数据。目前Hdfs Reader支持的功能如下：

支持textfile、orcfile、rcfile、sequence file、csv和parquet格式的文件，且要求文件内容存放的是一张逻辑意义上的二维表。
支持多种类型数据读取(使用String表示)，支持列裁剪，支持列常量。
支持递归读取、支持正则表达式（"*"和"?"）。
支持orcfile数据压缩，目前支持SNAPPY，ZLIB两种压缩方式。
支持sequence file数据压缩，目前支持lzo压缩方式。
多个File可以支持并发读取。
csv类型支持压缩格式有：gzip、bz2、zip、lzo、lzo_deflate、snappy。

我们暂时不能做到：

单个File支持多线程并发读取，这里涉及到单个File内部切分算法。后续可以做到支持。

2.2 功能说明

2.2.1 配置样例

{
    "core": {
        "transport": {
            "channel": {
                "speed": {
                    "byte": "-1048576",
                    "record": "-1"
                }
            }
        }
    },
    "job": {
        "setting": {
            "speed": {
                "byte": 1048576
            },
            "errorLimit": {
                "record": 0
            }
        },
        "content": [
            {
                "reader": {
                    "name": "hdfsreader",
                    "parameter": {
                        "path": "/tmp/test_datax/*",
                        "defaultFS": "hdfs://localhost:9000",
                        "column": [
                            {
                                "index": 0,
                                "type": "string"
                            },
                            {
                                "index": 1,
                                "type": "string"
                            }
                        ],
                        "fileType": "text",
                        "encoding": "UTF-8",
                        "fieldDelimiter": ","
                    }
                },
                "writer": {}
            }
        ]
    }
}

2.2.2 参数说明

path
- 描述：要读取的文件路径，如果要读取多个文件，可以使用正则表达式"*"，注意这里可以支持填写多个路径。
  
  当指定通配符，HdfsReader尝试遍历出多个文件信息。例如: 指定/*代表读取/目录下所有的文件，指定/yixiao/*代表读取yixiao目录下所有的文件。HdfsReader目前只支持"*"和"?"作为文件通配符。
  
  特别需要注意的是，DataX会将一个作业下同步的所有的文件视作同一张数据表。用户必须自己保证所有的File能够适配同一套schema信息。并且提供给DataX权限可读。
- 必选：是
- 默认值：无
defaultFS
- 描述：Hadoop hdfs文件系统namenode节点地址。
- 必选：是
- 默认值：无
fileType
- 描述：文件的类型，目前只支持用户配置为"text"、"orc"、"rc"、"seq"、"csv"。
  
  text表示textfile文件格式
  
  orc表示orcfile文件格式
  
  rc表示rcfile文件格式
  
  seq表示sequence file文件格式
  
  csv表示普通hdfs文件格式（逻辑二维表）
  
  特别需要注意的是，HdfsReader能够自动识别文件是orcfile、rcfile、sequence file还是textfile或csv类型的文件，该项是必填项，HdfsReader在做数据同步之前，会检查用户配置的路径下所有需要同步的文件格式是否和fileType一致，如果不一致则会抛出异常
  
  另外需要注意的是，由于textfile和orcfile是两种完全不同的文件格式，所以HdfsReader对这两种文件的解析方式也存在差异，这种差异导致hive支持的复杂复合类型(比如map,array,struct,union)在转换为DataX支持的String类型时，转换的结果格式略有差异，比如以map类型为例：
  
  orcfile map类型经hdfsreader解析转换成datax支持的string类型后，结果为"{job=80, team=60, person=70}"
  
  textfile map类型经hdfsreader解析转换成datax支持的string类型后，结果为"job:80,team:60,person:70"
  
  从上面的转换结果可以看出，数据本身没有变化，但是表示的格式略有差异，所以如果用户配置的文件路径中要同步的字段在Hive中是复合类型的话，建议配置统一的文件格式。
  
  如果需要统一复合类型解析出来的格式，我们建议用户在hive客户端将textfile格式的表导成orcfile格式的表
column
- 描述：读取字段列表，type指定源数据的类型，index指定当前列来自于文本第几列(以0开始)，value指定当前类型为常量，不从源头文件读取数据，而是根据value值自动生成对应的列。
  
  默认情况下，用户可以全部按照string类型读取数据，配置如下：
  
  用户可以指定column字段信息，配置如下：
  
  对于用户指定column信息，type必须填写，index/value必须选择其一。
- ```
"column": ["*"]
```
- ```
{
"type": "long",
"index": 0    //从本地文件文本第一列获取int字段
},
{
"type": "string",
"value": "alibaba"  //HdfsReader内部生成alibaba的字符串字段作为当前字段
}
```
- 必选：是
- 默认值：全部按照string类型读取
fieldDelimiter
- 描述：读取的字段分隔符
另外需要注意的是，HdfsReader在读取textfile数据时，需要指定字段分割符，如果不指定默认为','，HdfsReader在读取orcfile时，用户无需指定字段分割符，hive本身的默认分隔符为 "\u0001"；若你想将每一行作为目的端的一列，分隔符请使用行内容不存在的字符，比如不可见字符"\u0001" ，分隔符不能使用\n
- 必选：否
- 默认值：,
encoding
- 描述：读取文件的编码配置。
- 必选：否
- 默认值：utf-8
nullFormat
- 描述：文本文件中无法使用标准字符串定义null(空指针)，DataX提供nullFormat定义哪些字符串可以表示为null。
  
  例如如果用户配置: nullFormat:"\N"，那么如果源头数据是"\N"，DataX视作null字段。
- 必选：否
- 默认值：无
compress
- 描述：当fileType（文件类型）为csv下的文件压缩方式，目前仅支持 gzip、bz2、zip、lzo、lzo_deflate、hadoop-snappy、framing-snappy压缩；值得注意的是，lzo存在两种压缩格式：lzo和lzo_deflate，用户在配置的时候需要留心，不要配错了；另外，由于snappy目前没有统一的stream format，datax目前只支持最主流的两种：hadoop-snappy（hadoop上的snappy stream format）和framing-snappy（google建议的snappy stream format）;orc文件类型下无需填写。
- 必选：否
- 默认值：无
csvReaderConfig
- 描述：读取CSV类型文件参数配置，Map类型。读取CSV类型文件使用的CsvReader进行读取，会有很多配置，不配置则使用默认值。
- 必选：否
- 默认值：无
  
  常见配置：
```
"csvReaderConfig":{
"safetySwitch": false,
"skipEmptyRecords": false,
"useTextQualifier": false
}
```
  所有配置项及默认值,配置时 csvReaderConfig 的map中请严格按照以下字段名字进行配置：

hadoopConfig

描述：hadoopConfig里可以配置与Hadoop相关的一些高级参数，比如HA的配置。

"hadoopConfig":{
        "dfs.nameservices": "testDfs",
        "dfs.ha.namenodes.testDfs": "namenode1,namenode2",
        "dfs.namenode.rpc-address.youkuDfs.namenode1": "",
        "dfs.namenode.rpc-address.youkuDfs.namenode2": "",
        "dfs.client.failover.proxy.provider.testDfs": 
"org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
}

必选：否
默认值：无

minInputSplitSize
- 描述：Hadoop hdfs部分文件类型支持文件内部切分，这样一个文件可以被切分到多个mapper里面并发执行，每个mapper读取这个文件的一部分。这边测试环境验证确实可以做到速度的线性扩展。注意:由于切分的粒度更细了，启动mapper数量多可能占用的机器资源也多一些。目前支持文件内部切分的文件类型有: rc、text、csv、parquet
- 必选：否
- 默认值：无限大

2.3 类型转换

2.3.1 RCFile

如果用户同步的hdfs文件是rcfile，由于rcfile底层存储的时候不同的数据类型存储方式不一样，而HdfsReader不支持对Hive元数据数据库进行访问查询，因此需要用户在column type里指定该column在hive表中的数据类型，比如该column是bigint型。那么type就写为bigint，如果是double型，则填写double，如果是float型，则填写float。注意：如果是varchar或者char类型，则需要填写字节数，比如varchar(255)，char(30)等，跟hive表中该字段的类型保持一致，或者也可以填写string类型。

如果column配置的是*，会读取所有column，那么datax会默认以string类型读取所有column，此时要求column中的类型只能为String,CHAR,VARCHAR中的一种。

RCFile中的类型默认会转成DataX支持的内部类型，对照表如下：

RCFile在Hive表中的数据类型	DataX 内部类型
TINYINT,SMALLINT,INT,BIGINT	Long
FLOAT,DOUBLE,DECIMAL	Double
String,CHAR,VARCHAR	String
BOOLEAN	Boolean
Date,TIMESTAMP	Date
Binary	Binary

2.3.2 ParquetFile

如果column配置的是*, 会读取所有列; 此时Datax会默认以String类型读取所有列. 如果列中出现Double等类型的话, 全部将转换为String类型。如果column配置读取特定的列的话, DataX中的类型和Parquet文件类型的对应关系如下:

Parquet格式文件的数据类型	DataX 内部类型
int32, int64, int96	Long
float, double	Double
binary	Binary
boolean	Boolean
fixed_len_byte_array	String

textfile,orcfile,sequencefile:

由于textfile和orcfile文件表的元数据信息由Hive维护并存放在Hive自己维护的数据库（如mysql）中，目前HdfsReader不支持对Hive元数据数据库进行访问查询，因此用户在进行类型转换的时候，必须指定数据类型，如果用户配置的column为"*"，则所有column默认转换为string类型。HdfsReader提供了类型转换的建议表如下：

DataX 内部类型	Hive表数据类型
Long	TINYINT,SMALLINT,INT,BIGINT
Double	FLOAT,DOUBLE
String	String,CHAR,VARCHAR,STRUCT,MAP,ARRAY,UNION,BINARY
Boolean	BOOLEAN
Date	Date,TIMESTAMP

其中：

Long是指Hdfs文件文本中使用整形的字符串表示形式，例如"123456789"。
Double是指Hdfs文件文本中使用Double的字符串表示形式，例如"3.1415"。
Boolean是指Hdfs文件文本中使用Boolean的字符串表示形式，例如"true"、"false"。不区分大小写。
Date是指Hdfs文件文本中使用Date的字符串表示形式，例如"2014-12-31"。

特别提醒：

Hive支持的数据类型TIMESTAMP可以精确到纳秒级别，所以textfile、orcfile中TIMESTAMP存放的数据类似于"2015-08-21 22:40:47.397898389"，如果转换的类型配置为DataX的Date，转换之后会导致纳秒部分丢失，所以如果需要保留纳秒部分的数据，请配置转换类型为DataX的String类型。

2.4 按分区读取

Hive在建表的时候，可以指定分区partition，例如创建分区partition(day="20150820",hour="09")，对应的hdfs文件系统中，相应的表的目录下则会多出/20150820和/09两个目录，且/20150820是/09的父目录。了解了分区都会列成相应的目录结构，在按照某个分区读取某个表所有数据时，则只需配置好json中path的值即可。

比如需要读取表名叫mytable01下分区day为20150820这一天的所有数据，则配置如下：

"path": "/user/hive/warehouse/mytable01/20150820/*"

3. MaxCompute写入

3.1 快速介绍

ODPSWriter插件用于实现往ODPS(即MaxCompute)插入或者更新数据，主要提供给etl开发同学将业务数据导入MaxCompute，适合于TB,GB数量级的数据传输。在底层实现上，根据你配置的项目 / 表 / 分区 / 表字段等信息，通过 Tunnel写入 MaxCompute 中。支持MaxCompute中以下数据类型：BIGINT、DOUBLE、STRING、DATATIME、BOOLEAN。下面列出ODPSWriter针对MaxCompute类型转换列表:

DataX 内部类型	MaxCompute 数据类型
Long	bigint
Double	double
String	string
Date	datetime
Boolean	bool

3.2 实现原理

在底层实现上，ODPSWriter是通过MaxCompute Tunnel写入MaxCompute系统的，有关MaxCompute的更多技术细节请参看 MaxCompute主站: https://www.aliyun.com/product/odps

3.3 功能说明

3.3.1 配置样例

这里使用一份从内存产生到MaxCompute导入的数据。

{
    "core": {
        "transport": {
            "channel": {
                "speed": {
                    "byte": "-1048576",
                    "record": "-1"
                }
            }
        }
    },
    "job": {
        "setting": {
            "speed": {
                "byte": 1048576
            },
            "errorLimit": {
                "record": 0
            }
        },
        "content": [
            {
                "reader": {},
                "writer": {
                    "name": "odpswriter",
                    "parameter": {
                        "project": "",
                        "table": "",
                        "partition": "pt=1,dt=2",
                        "column": [
                            "col1",
                            "col2"
                        ],
                        "accessId": "",
                        "accessKey": "",
                        "truncate": true,
                        "odpsServer": "http://service.odps.aliyun.com/api",
                        "tunnelServer": "http://dt.odps.aliyun.com",
                        "accountType": "aliyun"
                    }
                }
            }
        ]
    }
}

3.3.2 参数说明

accessId
- 描述：MaxCompute系统登录ID
- 必选：是
- 默认值：无
accessKey
- 描述：MaxCompute系统登录Key
- 必选：是
- 默认值：无
project
- 描述：MaxCompute表所属的project，注意:Project只能是字母+数字组合，请填写英文名称。在云端等用户看到的MaxCompute项目中文名只是显示名，请务必填写底层真实地Project英文标识名。
- 必选：是
- 默认值：无
table
- 描述：写入数据的表名，不能填写多张表，因为DataX不支持同时导入多张表。
- 必选：是
- 默认值：无
partition
- 描述：需要写入数据表的分区信息，必须指定到最后一级分区。把数据写入一个三级分区表，必须配置到最后一级分区，例如pt=20150101/type＝1/biz=2。
- 必选：如果是分区表，该选项必填，如果非分区表，该选项不可填写。
- 默认值：空
column
- 描述：需要导入的字段列表，当导入全部字段时，可以配置为"column": ["*"], 当需要插入部分MaxCompute列填写部分列，例如"column": ["id", "name"]。ODPSWriter支持列筛选、列换序，例如表有a,b,c三个字段，用户只同步c,b两个字段。可以配置成["c","b"], 在导入过程中，字段a自动补空，设置为null。
- 必选：否
- 默认值：无
truncate
- 描述：ODPSWriter通过配置"truncate": true，保证写入的幂等性，即当出现写入失败再次运行时，ODPSWriter将清理前述数据，并导入新数据，这样可以保证每次重跑之后的数据都保持一致。
  
  truncate选项不是原子操作！MaxCompute SQL无法做到原子性。因此当多个任务同时向一个Table/Partition清理分区时候，可能出现并发时序问题，请务必注意！针对这类问题，我们建议尽量不要多个作业DDL同时操作同一份分区，或者在多个并发作业启动前，提前创建分区。
- 必选：是
- 默认值：无
odpsServer
- 描述：MaxCompute的server，详细可以参考文档https://help.aliyun.com/document_detail/34951.html
线上公网地址为 http://service.cn.maxcompute.aliyun.com/api
- 必选：是
- 默认值：无
tunnelServer
- 描述：MaxCompute的tunnelserver，详细可以参考文档https://help.aliyun.com/document_detail/34951.html
线上公网地址为 http://dt.cn-beijing.maxcompute.aliyun-inc.com
- 必选：是
- 默认值：无
blockSizeInMB
- 描述：为了提高数据写出MaxCompute的效率ODPSWriter会攒数据buffer，待数据达到一定大小后会进行一次数据提交。blockSizeInMB即为攒数据buffer的大小，默认是64MB。
- 必选：否
- 默认值：64

Hadoop迁移MaxCompute神器之DataX-On-Hadoop使用指南

1. DataX-On-Hadoop 运行方式

1.1 什么是DataX-On-Hadoop

1.2 如何运行DataX-On-Hadoop

1.3 DataX-On-Hadoop 任务高级配置参数

2. Hdfs 读取

2.1 快速介绍

2.2 功能说明

2.2.1 配置样例

2.2.2 参数说明

2.3 类型转换

2.3.1 RCFile

2.3.2 ParquetFile

2.4 按分区读取

3. MaxCompute写入

3.1 快速介绍

3.2 实现原理

3.3 功能说明

3.3.1 配置样例

3.3.2 参数说明

阿里巴巴大数据计算

热门文章

最新文章

相关产品

相关课程

相关电子书

相关实验场景

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

Hadoop迁移MaxCompute神器之DataX-On-Hadoop使用指南

1. DataX-On-Hadoop 运行方式

1.1 什么是DataX-On-Hadoop

1.2 如何运行DataX-On-Hadoop

1.3 DataX-On-Hadoop 任务高级配置参数

2. Hdfs 读取

2.1 快速介绍

2.2 功能说明

2.2.1 配置样例

2.2.2 参数说明

2.3 类型转换

2.3.1 RCFile

2.3.2 ParquetFile

2.4 按分区读取

3. MaxCompute写入

3.1 快速介绍

3.2 实现原理

3.3 功能说明

3.3.1 配置样例

3.3.2 参数说明

阿里巴巴大数据计算

热门文章

最新文章

相关产品

相关课程

相关电子书

相关实验场景