datax使用小记

DataX

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、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。

详细介绍见 https://github.com/alibaba/DataX/blob/master/introduction.md ，本文不对DataX的基本情况进行介绍，主要记录几个注意事项

应用

本次在公司项目中主要用来进行oracle到oracle的数据同步工作，将研究过程记录于此。

OracleReader插件详细介绍：https://github.com/alibaba/DataX/blob/master/oraclereader/doc/oraclereader.md

OracleWriter插件详细介绍：https://github.com/alibaba/DataX/blob/master/oraclewriter/doc/oraclewriter.md

注意事项

1、Oracle同步不支持更新操作，因为OracleWriter只支持insert into…(当主键/唯一性索引冲突时会写不进去冲突的行)，mysql支持replace into(也就是更新)，也就是Mysql支持更新，Oracle不支持更新。那么增量同步在Oracle这里只能是流水型数据。

2、preSql说明：job对应的json文件中，connection中的table必须是数据库存在的表，否则连接错误。执行顺序是先连表，再执行preSql，因此如果全量同步时，如果需要临时表，则需要额外编写程序完成操作。

3、postSql说明：在同步任务完成后可以进行的操作，如删除原表，更新临时表名为原表名，实现全量同步的同时，尽可能减小对原系统的影响。

4、可以配置出错限制条件，当数据出错超过限制条件时，程序会结束执行，但已开启的同步通道还会继续执行到完成

"errorLimit": {
    //先选择record
    "record": 0,
    //百分比  1表示100%
    "percentage": 0.02
}

5、splitPk：OracleReader插件中会有此参数，如果指定splitPk，表示用户希望使用splitPk代表的字段进行数据分片，DataX因此会启动并发任务进行数据同步，这样可以大大提供数据同步的效能。
推荐splitPk用户使用表主键，因为表主键通常情况下比较均匀，因此切分出来的分片也不容易出现数据热点。目前splitPk仅支持整形、字符串型数据切分，splitPk如果不填写，将视作用户不对单表进行切分，OracleReader使用单通道同步全量数据。
该处由于业务需求，想知道具体是如何根据 splitPk 进行数据切分的，看源码得知：

• 首先计算需要将数据切分的份数，对单表会根据设置的 channel数 * 5 得到
  源码在 DataX-master\plugin-rdbms-util\src\main\java\com\alibaba\datax\plugin\rdbms\reader\util\ReaderSplitUtil.java 类中doSplit 方法内，eachTableShouldSplittedNumber = eachTableShouldSplittedNumber * 5;

• 会首先根据指定的 splitPk 和 上一步得到的切分份数 进行抽样，sql如下：
  SELECT * FROM ( SELECT ID FROM REG_MARPRIPINFO SAMPLE (0.1) WHERE (ID IS NOT NULL) ORDER BY DBMS_RANDOM.VALUE) WHERE ROWNUM <= 40 ORDER by ID ASC;
  ID是设置的splitPk，40是设置了 channel=8计算得到。
  从这里可以看出对表的切割不是均分，而是随机抽样的结果，无论是整形、字符串型都是该方式划分区间。
  暂不确定SAMPLE是否对视图生效

6、日志输出问题，日志文件名的设置方式在 datax.py 中，具体代码如下：

# jobResource 可能是 URL，也可能是本地文件路径（相对,绝对）
jobResource = args[0]
if not isUrl(jobResource):
    jobResource = os.path.abspath(jobResource)
    if jobResource.lower().startswith("file://"):
        jobResource = jobResource[len("file://"):]

jobParams = ("-Dlog.file.name=%s") % (jobResource[-20:].replace('/', '_').replace('.', '_'))

可以看到取了路径的后20个字符作为日志名，因此就会发现默认生成的日志名是混乱的，另外日志文件名后的时间戳是在由java代码控制的，配置文件在datax/conf/logback.xml内。见下图

图中我将控制台的日志输出进行了关闭，同时日志文件的时间戳不再由java代码控制，改为python代码控制

如果要以job对应的json名作为日志文件名，并添加时间戳，可参考下边代码：

jobResource = args[0]
if not isUrl(jobResource):
    jobResource = os.path.abspath(jobResource)
    if jobResource.lower().startswith("file://"):
        jobResource = jobResource[len("file://"):]
# print(jobResource)
o_file_name = jobResource.split("/")[-1].replace('.', '_')
timestamp = datetime.datetime.now().strftime("%H_%M_%S.%f")[:-3]  # 注意导包 import datetime
file_name = o_file_name + "-" + timestamp
print(file_name)
# 给文件后缀添加时间戳
jobParams = ("-Dlog.file.name=%s") % (file_name)

生成的日志文件名如下图所示：

7、python3启动datax.py，参考：https://github.com/WeiYe-Jing/datax-web/tree/master/doc/datax-web/datax-python3 将其中的三个文件替换原始的 datax/bin目录下的三个即可

8、datax的程序是通过datax.py启动的，是通过python的开启子进程调用执行的

9、idea中远程调试代码方法参考该文：https://www.kanzhun.com/jiaocheng/167192.html

10、读取oracle的数据，并非采用分页方式，而是通过指定jdbc的fetchSize参数来实现，可参考 https://www.cnblogs.com/baimingqian/p/11761942.html 的介绍，查询数据的源码如下：

	rs = DBUtil.query(conn, querySql, fetchSize); 
	// query 底层代码如下：
    public static ResultSet query(Connection conn, String sql, int fetchSize, int queryTimeout)
            throws SQLException {
        // make sure autocommit is off
        conn.setAutoCommit(false);
        Statement stmt = conn.createStatement(ResultSet.TYPE_FORWARD_ONLY,
                ResultSet.CONCUR_READ_ONLY);
        stmt.setFetchSize(fetchSize);
        stmt.setQueryTimeout(queryTimeout);
        return query(stmt, sql);
    }
    // 不断获取数据，transportOneRecord 用来生成一条记录并交给writer执行写入操作
    while (rs.next()) {
        rsNextUsedTime += (System.nanoTime() - lastTime);
        this.transportOneRecord(recordSender, rs,
                metaData, columnNumber, mandatoryEncoding, taskPluginCollector);
        lastTime = System.nanoTime();
    }