数据同步-从MySQL到Tablestore
DataX是阿里集团广泛使用的离线数据导出工具， 本文将详细介绍如何从MySQL导出全量数据到Tablestore（OTS）中。
一、导出步骤
DataX工具目前已经在github上开源，可以从github上拉到源代码进行本地编译，也可以直接下载编译好的压缩包进行解压直接使用，这里选择本地编译方式。
1.下载源代码或压缩包
本机装好git工具后，直接执行以下操作：
git clone https://github.com/alibaba/DataX.git如果要选择下载压缩包的方式，可以从DataX的github地址上获得下载链接：
https://github.com/alibaba/DataX或者直接下载： DataX下载地址
下载完压缩包之后请直接解压缩，并直接进入步骤3。
2. Maven打包
cd到下载的源码目录，然后执行：
mvn -U clean package assembly:assembly -Dmaven.test.skip=true
编译完成后， 在/target/datax/datax目录下会观察到如下几个目录：
bin conf job lib log log_perf plugin script tmp
bin目录中存放着可执行的datax.py文件，是整个DataX工具的入口
plugin目录中是支持各种类型数据源的reader和writer
conf中主要是存放core.json文件，文件中定义了一些缺省参数值如channle流控、buffer大小等参数，一般不随意修改。
注意：此步骤会在本地编译各种数据源的writer和reader，会花费比较长的时间，需要耐心等待。
3. 准备全量导出的json文件
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader", #指定使用mysqlreader读取
"parameter": {
"username": "username",#mysql用户名
"password": "password",#mysql密码
"connection": [
{
"querySql": [ #指定执行的SQL语句
"select bucket_name, delta , timestamp ,cdn_in, cdn_out ,total_request from vip_quota where bucket_name='xxx' "
],
"jdbcUrl": ["jdbc:mysql://10.10.0.8:3306/db1?useUnicode=true&characterEncoding=UTF-8&autoReconnect=true" #jdbc连接串
]
}
]
}
},
"writer": {
"name": "otswriter",#指定使用otswriter进行写入
"parameter": {#数据源配置
"endpoint":"https://smoke-test.xxxx.ots.aliyuncs.com",#ots实例的endpoint
"accessId":"xxxx",
"accessKey":"xxxx",
"instanceName":"smoke-test",#实例名
"table":"vip_quota",#写入目标的table名称
"primaryKey":[#主键名称和类型
{"name":"bucket_name", "type":"string"},
{"name":"delta", "type":"int"}
{"name":"timestamp", "type":"int"}
],
"column":[#其它column的名称和类型
{"name":"cdn_in","type":"int"},
{"name":"cdn_out","type":"int"},
{"name":"total_request","type":"int"},
],
"writeMode":"UpdateRow"#写入模式
}
}
}
]
}
}以上为querySql模式导出。
或者，也可以配置成如下的table模式导出：
{
"job": {
"setting": {
"speed": {
"channel": 3 #指定channel个数，这个参数跟并发数密切相关
},
"errorLimit": {#容错限制
"record": 0,
"percentage": 0.02
}
},
"content": [
{
"reader": {
"name": "mysqlreader",#指定使用mysqlreader读取
"parameter": {
"username": "username",#mysql用户名
"password": "password",#mysql密码
"column": [ #table模式下可以指定需要查询哪些列
"bucket_name",
"timestamp" ,
"delta" ,
"cdn_in",
"cdn_out" ,
"total_request"
],
"splitPk": "timestamp",#指定split字段
"connection": [
{
"table": [#导出的表名
"vip_quota"
],
"jdbcUrl": ["jdbc:mysql://10.10.1.7:3306/db1"#jdbc连接串
]
}
]
}
},
"writer": {
"name": "otswriter",#指定使用otswriter进行写入
"parameter": {#数据源配置
"endpoint":"https://smoke-test.xxxx.ots.aliyuncs.com",#ots实例的endpoint
"accessId":"xxx",
"accessKey":"xxx",
"instanceName":"smoke-test",#实例名
"table":"vip_quota",#写入目标的table名称
"primaryKey":[#主键名称和类型
{"name":"bucket_name", "type":"string"},
{"name":"delta", "type":"int"}
{"name":"timestamp", "type":"int"}
],
"column":[#其它column的名称和类型
{"name":"haha","type":"int"},
{"name":"hahah","type":"int"},
{"name":"kengdie","type":"int"},
],
"writeMode":"UpdateRow"#写入模式
}
}
}
]
}
}
上述配置文件中，可以看到，该json文件定义了一次数据导出导入的数据源信息和少量系统配置。
配置主要分两部分：
setting部分： 主要是speed（跟速率、并发相关）和errorLimit（容错限制）
content部分：主要是数据源信息， 包含reader和writer两部分
同时，配置中的MySQL应该确保执行DataX任务的机器能够正常访问；目标Tablestore表，可以通过控制台或则SDK提前建好。本例中Tablestore的表名为vip_quota， 定义了由3个column组成的PrimaryKey。
4. 执行同步命令
python datax.py -j"-Xms4g -Xmx4g" mysql_to_ots.json
-j"-Xms4g -Xmx4g" 可以限制jvm占用内存的大小，如果不指定，将会使用conf/core.json中的配置，默认是1G。
二、原理介绍
DataX进行数据同步的过程主要包括三部分：
- 数据源读取
- DataX中的数据交换
- 数据目标端写入
在MySQL导出到Tablestore的场景中，对于MySQL数据源来说，DataX通过MySQL驱动使用reader中的MySQL连接串配置，直接发送SQL语句获取到查询数据，这些数据会缓存在本地jvm中，而后由writer线程将这些数据写入到Tablestore表中。
在DataX中，mysqlreader配置有两种模式，一种是table模式，另外一种是querySql模式，两种模式使用起来略有差别。
- table模式
table模式的json配置文件请观察导出步骤的第3部分。
table模式下，用户不再需要自己写select语句，而是由DataX根据json中的的column、table、spliPk配置项，自行拼接SQL语句，观察执行日志如下：
在table模式下， channel个数决定了reader和writer的个数上限，假设为m个：
如果指定了splitPk字段，DataX会将mysql表中数据按照splitPk切分成n段，n大致为5倍的channel个数（有兴趣的同学可以去阅读一下DataX的源码）。splitPk的字段限制了必需是整型或者字符串类型。由于DataX的实现方式是按照spliPk字段分段查询数据库表，那么spliPk字段的选取应该尽可能的选择分布均匀且有索引的字段，比如主键id、唯一键等字段。DataX会启动m个reader线程，消费DataX切分好的n个查询sql语句（task）， 对应的会有m个writer线程将查询出来的数据写入OTS表中，并行度为m（也就是配置的channel个数）。
如果不指定splitPk字段，DataX将不会进行数据的切分，并行度直接退化成1。
需要指出的是，table模式下，如果用户指定了spliPk将数据切分成了n段，由于这些task不是在同一个事务下进行select，那么最终取出的全量数据很有可能是不一致的。为了拿到一致性数据，要么不要配置spliPk使用单线程，要么确保mysql中要导出的数据不会再发生变化。
- querySql模式
querySql模式一般用于有条件的数据导出。准备步骤中的第一个json文件就是一个典型的querySql模式配置。
在此模式下，DataX不会再按照指定的column、table参数进行sql的拼接，而是会直接略过这些配置（如果有），直接执行querySql语句，task数量总是1，因此在此模式下channel的配置不再有多线程的效果。
三、性能调优
有人肯定会有疑问，有什么办法可以尽可能加速数据的导出呢？
一般来说，大家首先想到的是提高并发度。在DataX中channel的个数决定了并发数量，但是要使channel参数生效，并不是简单配一下channel就完事了。在MySQL导入Tablestore表的场景下，channel生效仅在能够split出多个SQL语句的场景下，也就是table模式+spliPk下有用。
前面提到，DataX的数据同步涉及三部分：
1.数据读取
2.数据交换
3.数据写入
对于以上三个环节，都有不同的优化方式，分析如下。
1.数据读取
对于数据源读取，导出的两种模式：table模式和sqlQuery模式前面做了阐述，这里不再重复。
2. 数据交换
对于数据交换，前面提到，发送给MySQL数据库SQL语句后会得到查询的数据集，缓存在DataX的buffer中；除此之外，每个channel也维护了自己的record队列，如果存在并发，channel的个数越多，也会需要更多的内存。因此首先需要考虑的是jvm的内存大小参数，在导出步骤这一节中， -j参数可以用来指定jvm的内存大小。
除此之外，有几个控制channel的关键参数：
以上配置位于conf/core.json中：
capacity限制了channel中队列的大小（也就是最多缓存record的个数）
byteCapacity限制了record占用的内存大小，core.json中的默认配置是64MB，若不指定将会被配置为8MB
这两个参数决定了每个channel能buffer的记录数量和内存占用情况，如果有需要调整，用户应该按照DataX实际的运行环境予以配置。例如MySQL中每个record都比较大，那么可以考虑适当调高byteCapacity，当然调整这个参数还要考虑机器的内存情况。
一般情况下，channel队列本身配置的调整并不会很常见，但是对于另外几个流控参数，在使用DataX的时候应该注意。有两个常用的流控参数：
a. byte 限制通道的默认传输速率， -1表示不限制
b. record 限制通道的传输记录数，-1表示不限制
这两个参数都是在flowControlInterval间隔里采样后根据采样值来决定是否流控的。
{
"core": { #定义了全局的系统参数，不指定会使用默认值
"transport": {
"channel": {
"speed": {
"record": 5000,
"byte": 102400
}
}
}
},
"job": {
"setting": {
"speed": { #定义了单个channel的控制参数
"record": 10000,
},
"errorLimit": {
"record": 0,
"percentage": 0.02
}
},
"content": [
{
"reader": {
.....#省略
},
"writer": {
.....#省略
}
}
]
}
}
3.数据写入
对于数据写入，Tablestore是基于LSM设计的高性能高吞吐的分布式数据库产品，每一张表，都会被切分成很多的数据分区，分布在不同的服务器上，吞吐能力十分强悍。如果写入能够打散在所有的服务器上面，就能够利用所有服务器的服务能力，更高速地写入，也就是说表分区数量和吞吐能力是正相关的。正常情况下，新建的表默认分区数量都是1，这个数目会随着表的不断写入自动分裂不断增长，但是自动分裂的周期较长，对于新建表马上进行数据导入的情况，单分区很可能不够用导致导入不够顺畅。 推荐的做法，一般是在建表的时候，对表进行预分区，这样可以在一开始导入的时候就获得极好的性能，而不用等自动分裂。
另外适当的提高批量写入的批次大小（batchWriteCount），也可以有效地提高吞吐率。相关关键配置如下：
{
"job": {
"setting": {
....#省略
},
"content": [
{
"reader": {
.....#省略
},
"writer": {
"name": "otswriter",
"parameter": {
.......
"writeMode":"UpdateRow",
"batchWriteCount":100
}
}
}
]
}
}
4.总结
综合以上叙述，调优可以从以下几个方面着手：
1.在可能的情况下，无论是table模式还是sqlQuery模式，选好spliPk，写好where条件， 保证SQL的高效执行
2.jvm的内存大小要考虑进来，尤其在多channel生效的情况下，内存分配太小会严重限制DataX的吞吐
3.为了保证安全，可以综合考量channel的个数和流控参数，保证理论峰值不会对服务器产生过高的压力；
4.为了提升效率，可以适当提高channel的个数从而提高并发数，调高每个channel的byte和record限制，从而提高DataX的吞吐
5.对目标端Tablestore的表进行预分区，充分利用分布式存储的特点，将写入压力分散到多台机器上，提高写入速度;提高写入batch的大小也可以明显提高吞吐。
四、注意事项
- reader和writer的字段映射关系是通过字段位置一一对应的，而非字段名
- writer中的parameter中primaryKey的描述必须和Tablestore中定义的字段名、类型一一匹配，事实上DataX在启动的时候，也会去目标数据源中拉取表定义信息，如果对应不上，会直接抛异常
- writer中的parameter中column中字端的数量和类型应该和querySql中select的字段一致，字段名可以不一样；如果没有指定querySql，而是通过table名表示全表导出，writer中的column也应该和table表中的字段对应
