文| 小木 on 大數(shù)據(jù)

一、需求

有贊大數(shù)據(jù)技術應用的早期，我們使用 Sqoop 作為數(shù)據(jù)同步工具，滿足了 MySQL 與 Hive 之間數(shù)據(jù)同步的日常開發(fā)需求。

隨著公司業(yè)務發(fā)展，數(shù)據(jù)同步的場景越來越多，主要是 MySQL、Hive 與文本文件之間的數(shù)據(jù)同步，Sqoop 已經不能完全滿足我們的需求。在2017年初，我們已經無法忍受 Sqoop 給我們帶來的折磨，準備改造我們的數(shù)據(jù)同步工具。當時有這么些很最痛的需求：

• 多次因 MySQL 變更引起的數(shù)據(jù)同步異常。MySQL 需要支持讀寫分離與分表分庫模式，而且要兼容可能的數(shù)據(jù)庫遷移、節(jié)點宕機以及主從切換

• 有不少異常是因為表結構變更導致。MySQL 或 Hive 的表結構都可能發(fā)生變更，需要兼容多數(shù)的表結構不一致情況

• MySQL 讀寫操作不要影響線上業(yè)務，不要觸發(fā) MySQL 的運維告警，不想天天被 DBA 噴

• 希望支持更多的數(shù)據(jù)源，如 HBase、ES、文本文件

作為數(shù)據(jù)平臺管理員，還希望收集到更多運行細節(jié)，方便日常維護：

• 統(tǒng)計信息采集，例如運行時間、數(shù)據(jù)量、消耗資源

• 臟數(shù)據(jù)校驗和上報

• 希望運行日志能接入公司的日志平臺，方便監(jiān)控

二、選型

基于上述的數(shù)據(jù)同步需求，我們計劃基于開源做改造，考察的對象主要是 DataX 和 Sqoop，它們之間的功能對比如下

功能DataXSqoop

運行模式	單進程多線程	MR
MySQL讀寫	單機壓力大；讀寫粒度容易控制	mr模式重，寫出錯處理麻煩
Hive讀寫	單機壓力大	很好
文件格式	orc支持	orc不支持，可添加
分布式	不支持，可以通過調度系統(tǒng)規(guī)避	支持
流控	有流控功能	需要定制
統(tǒng)計信息	已有一些統(tǒng)計，上報需定制	沒有，分布式的數(shù)據(jù)收集不方便
數(shù)據(jù)校驗	在core部分有校驗功能	沒有，分布式的數(shù)據(jù)收集不方便
監(jiān)控	需要定制	需要定制
社區(qū)	開源不久，社區(qū)不活躍	一直活躍，核心部分變動很少

DataX 主要的缺點在于單機運行，而這個可以通過調度系統(tǒng)規(guī)避，其他方面的功能均優(yōu)于 Sqoop，最終我們選擇了基于 DataX 開發(fā)。

三、前期設計

3.1 運行形態(tài)

使用 DataX 最重要的是解決分布式部署和運行問題，DataX 本身是單進程的客戶端運行模式，需要考慮如何觸發(fā)運行 DataX。

我們決定復用已有的離線任務調度系統(tǒng)，任務觸發(fā)由調度系統(tǒng)負責，DataX 只負責數(shù)據(jù)同步。這樣就復用的系統(tǒng)能力，避免重復開發(fā)。關于調度系統(tǒng)，可參考文章《大數(shù)據(jù)開發(fā)平臺(Data Platform)在有贊的最佳實踐》。

DataX在有贊大數(shù)據(jù)平臺的上下文

在每個數(shù)據(jù)平臺的 worker 服務器，都會部署一個 DataX 客戶端，運行時可同時啟動多個進程，這些都由調度系統(tǒng)控制。

3.2 執(zhí)行器設計

為了與已有的數(shù)據(jù)平臺交互，需要做一些定制修改：

• 符合平臺規(guī)則的狀態(tài)上報，如啟動/運行中/結束，運行時需上報進度，結束需上報成功失敗

• 符合平臺規(guī)則的運行日志實時上報，用于展示

• 統(tǒng)計、校驗、流控等子模塊的參數(shù)可從平臺傳入，并需要對結果做持久化

• 需要對異常輸入做好兼容，例如 MySQL 主從切換、表結構變更

3.3 開發(fā)策略

大致的運行流程是：

前置配置文件轉換、表結構校驗->(輸入->DataX核心+業(yè)務無關的校驗->輸出)->后置統(tǒng)計/持久化

盡量保證 DataX 專注于數(shù)據(jù)同步，盡量不隱含業(yè)務邏輯，把有贊特有的業(yè)務邏輯放到 DataX 之外，數(shù)據(jù)同步過程無法滿足的需求，才去修改源碼。

表結構、表命名規(guī)則、地址轉換這些運行時前置校驗邏輯，以及運行結果的持久化，放在元數(shù)據(jù)系統(tǒng)(參考《有贊數(shù)據(jù)倉庫元數(shù)據(jù)系統(tǒng)實踐》)，而運行狀態(tài)的監(jiān)控放在調度系統(tǒng)。

四、源碼改造之路

4.1 支持 Hive 讀寫

DataX 并沒有自帶 Hive 的 reader 和 writer，而只有 HDFS 的 reader 和 writer。我們選擇在 DataX 之外封裝，把 Hive 讀寫操作的配置文件，轉換為 HDFS 讀寫的配置文件，另外輔助上 Hive DDL 操作。具體的，我們做了如下改造：

4.1.1 Hive 讀操作

• 根據(jù)表名，拼接出 HDFS 路徑。有贊的數(shù)據(jù)倉庫規(guī)范里有一條，禁止使用外部表，這使得 HDFS 路徑拼接變得容易。若是外部表，就需要從元數(shù)據(jù)系統(tǒng)獲取相應的路徑

• Hive 的表結構獲取，需要依賴元數(shù)據(jù)系統(tǒng)。還需對 Hive 表結構做校驗，后面會詳細說明

4.1.2 Hive 寫操作

• 寫 Hive 的配置里不會指定 Hive 的文件格式、分隔符，需要讀取元數(shù)據(jù)，獲取這些信息填入 HDFS 的寫配置文件

• 支持新建不存在的 Hive 表或分區(qū)，能構建出符合數(shù)據(jù)倉庫規(guī)范的建表語句

4.2 MySQL -> Hive 兼容性

按 DataX 的設計理念，reader 和 writer 相互不用關心，但實際使用經常需要關聯(lián)考慮才能避免運行出錯。MySQL 加減字段，或者字段類型變更，都會導致 MySQL 和 Hive 的表結構不一致，需要避免這種不一致的運行出錯。

4.2.1 MySQL -> Hive 非分區(qū)表

非分區(qū)表都是全量導入，以 mysqlreader 配置為準。如果 MySQL 配置字段與 Hive 實際結構不一致，則把 Hive 表 drop 掉后重建。表重建可能帶來下游 Hive SQL 出錯的風險，這個靠 SQL 的定時檢查規(guī)避。

Hive 表重建時，需要做 MySQL 字段轉換為 Hive 類型，比如 MySQL 的 varchar 轉為 Hive 的 string。這里有坑，Hive 沒有無符號類型，注意 MySQL 的 int unsigned 的取值范圍，需要向上轉型，轉為 Hive 的 bigint；同理，MySQL 的 bigint unsigned 也需要向上轉型，我們根據(jù)實際業(yè)務情況大膽轉為 bigint。而 Hive 的 string 是萬能類型，如果不知道怎么轉，用 string 是比較保險的。

4.2.1 MySQL -> Hive 分區(qū)表

Hive 分區(qū)表不能隨意變更表結構，變更可能會導致舊分區(qū)數(shù)據(jù)讀取異常。所以寫Hive 分區(qū)表時，以 Hive 表結構為準，表結構不一致則直接報錯。我們采取了如下的策略

MySQL字段Hive實際字段處理方法

a,b	a,b	正常
a,b,c	a,b	忽略MySQL的多余字段，以Hive為準
b,a	a,b	順序不對，調整
a	a,b	MySQL少一個，報錯
a,c	a,b	不匹配, 報錯
未指定字段	a,b	以Hive為準

這么做偏保守，對于無害的 Hive 分區(qū)表變更，其實可以大膽去做，比如 int 類型改 bigint、orc 表加字段。

4.3 適配 MySQL 集群

有贊并沒有獨立運行的 MySQL 實例，都是由 RDS 中間件管理著 MySQL 集群，有讀寫分離和分表分庫兩種模式。讀寫 MySQL 有兩種選擇，通過 RDS 中間件讀寫，以及直接讀寫 MySQL 實例。

方案優(yōu)先缺點

連實例	性能好；不影響線上業(yè)務	當備庫維護或切換地址時，需要修改配置；開發(fā)者不知道備庫地址
連 RDS	與普通應用一致；屏蔽了后端維護	對 RDS 造成額外壓力，有影響線上業(yè)務的風險；需要完全符合公司 SQL 規(guī)范

對于寫 MySQL，寫入的數(shù)據(jù)量一般不大，DataX 選擇連 RDS，這樣就不用額外考慮主從復制。

對于讀 MySQL，考慮到有大量的全表同步任務，特別是凌晨離線任務高峰流量特別大，避免大流量對 RDS 中間件的沖擊，DataX 選擇直連到 MySQL 實例去讀取數(shù)據(jù)。為了規(guī)避 MySQL 維護帶來的地址變更風險，我們又做了幾件事情：

• 元數(shù)據(jù)維護了標準的 RDS 中間件地址

• 主庫、從庫、RDS 中間件三者地址可以關聯(lián)和任意轉換

• 每次 DataX 任務啟動時，獲取最新的主庫和從庫地址

• 定期的 MySQL 連通性校驗

• 與 DBA 建立協(xié)作關系，變更提前通知

讀取 MySQL 時，對于讀寫分離，每次獲取其中一個從庫地址并連接；對于分表分庫，我們有1024分片，就要轉換出1024個從庫地址，拼接出 DataX 的配置文件。

4.4 MySQL 運維規(guī)范的兼容

4.4.1 避免慢 SQL

前提是有贊的 MySQL 建表規(guī)范，規(guī)定了建表必須有 int 自增主鍵。另一條運維規(guī)范，SQL 運行超過2s會被強行 kill 掉。

以讀取 MySQL 全表為例，我們把一條全表去取的 SQL，拆分為很多條小 SQL，而每條小 SQL 只走主鍵 id 的聚簇索引，代碼如下 select ... from table_name where id>? by id asc limit ?

4.4.2 避免過快讀寫影響其他業(yè)務

執(zhí)行完一條 SQL 后會強制 sleep 一下，讓系統(tǒng)不能太忙。無論是 insert 的 batchSize，還是 select 每次分頁大小，我們都是動態(tài)生成的，根據(jù)上一條運行的時間，運行太快就多 sleep，運行太慢就少 sleep，同時調整下一個批次的數(shù)量。

這里還有改進的空間，可以根據(jù)系統(tǒng)級的監(jiān)控指標動態(tài)調整速率，比如磁盤使用率、CPU 使用率、binlog 延遲等。實際運行中，刪數(shù)據(jù)很容易引起 binlog 延遲，僅從 delete 語句運行時間無法判斷是否刪的太快，具體原因尚未去深究。

4.5 更多的插件

除了最常用的 MySQL、Hive，以及邏輯比較簡單的文本，我們還對 HBase 的讀寫根據(jù)業(yè)務情況做了簡單改造。

我們還全新開發(fā)了 eswriter，以及有贊 kvds 的 kvwriter，這些都是由相關存儲的開發(fā)者負責開發(fā)和維護插件。

4.6 與大數(shù)據(jù)體系交互

4.6.1 上報運行統(tǒng)計數(shù)據(jù)

DataX 自帶了運行結果的統(tǒng)計數(shù)據(jù)，我們希望把這些統(tǒng)計數(shù)據(jù)上報到元數(shù)據(jù)系統(tǒng)，作為 ETL 的過程元數(shù)據(jù)存儲下來。

基于我們的開發(fā)策略，不要把有贊元數(shù)據(jù)系統(tǒng)的 api 嵌入 DataX 源碼，而是在 DataX 之外獲取 stdout，截取出打印的統(tǒng)計信息再上報。

4.6.2 與數(shù)據(jù)平臺的交互

數(shù)據(jù)平臺提供了 DataX 任務的編輯頁面，保存后會留下 DataX 運行配置文件以及調度周期在平臺上。調度系統(tǒng)會根據(jù)調度周期和配置文件，定時啟動 DataX 任務，每個 DataX 任務以獨立進程的方式運行，進程退出后任務結束。運行中，會把 DataX 的日志實時傳輸并展示到頁面上。

4.7 考慮更多異常

DataX 代碼中多數(shù)場景暴力的使用 catchException，缺乏對各異常場景的兼容或重試，一個大任務執(zhí)行過程中出現(xiàn)網絡、IO等異常容易引起任務失敗。最常見的異常就是 SQLException，需要對異常做分類處理，比如 SQL 異常考慮重試，批量處理異常改走單條依次處理，網絡異常考慮數(shù)據(jù)庫連接重建。

HDFS 對異常容忍度較高，DataX 較少捕獲異常。

4.8 測試場景改造

4.8.1 持續(xù)集成

為了發(fā)現(xiàn)低級問題，例如表遷移了但任務還在、普通表改成了分區(qū)表，我們每天晚上20點以后，會把當天運行的所有重要 DataX 任務“重放”一遍。

這不是原樣重放，而是在配置文件里加入了一個測試的標識，DataX 啟動后，reader 部分只會讀取一行數(shù)據(jù)，而 writer 會把目標地址指向一個測試的空間。這個測試能保證 DataX基本功能沒問題，以及整個運行環(huán)境沒有問題。

4.8.2 全鏈路壓測場景

有贊全鏈路壓測系統(tǒng)通過 Hive 來生成數(shù)據(jù)，通過 DataX 把生成好的數(shù)據(jù)導入影子庫。影子庫是一種建在生產 MySQL 里的 database，對普通應用不可見，加上 SQL 的特殊 hint 才可以訪問。

生產環(huán)境的全鏈路壓測是個高危操作，一旦配置文件有誤可能會破壞真實的生產數(shù)據(jù)。DataX 的 MySQL 讀寫參數(shù)里，加上了全鏈路壓測的標記時，只能讀寫特定的 MySQL 和 Hive 庫，并配置數(shù)據(jù)平臺做好醒目的提醒。

五、線上運行情況

DataX 是在2017年二季度正式上線，到2017年Q3完成了上述的大部分特性開發(fā)，后續(xù)僅做了少量修補。到2019年Q1，已經穩(wěn)定運行了超過20個月時間，目前每天運行超過6000個 DataX 任務，傳輸了超過100億行數(shù)據(jù)，是數(shù)據(jù)平臺里比較穩(wěn)定的一個組件。

期間出現(xiàn)過一些小問題，有一個印象深刻。原生的 hdfsreader 讀取超大 orc 文件有 bug，orc 的讀 api 會把大文件分片成多份，默認大于256MB會分片，而 datax 僅讀取了第一個分片，修改為讀取所有分片解決問題。因為256MB足夠大，這個問題很少出現(xiàn)很隱蔽。除此之外沒有發(fā)現(xiàn)大的 bug，平時遇到的問題，多數(shù)是運行環(huán)境或用戶理解的問題，或是可以克服的小問題。

六、下一步計劃

對于 DataX 其實并沒有再多的開發(fā)計劃。在需求列表里積累了十幾條改進需求，而這些需求即便1年不去改進，也不會影響線上運行，諸如臟數(shù)據(jù)可讀性改進、支持 HDFS HA。這些不重要不緊急的需求，暫時不會再投入去做。

DataX 主要解決批量同步問題，無法滿足多數(shù)增量同步和實時同步的需求。對于增量同步我們也有了成熟方案，會有另一篇文章介紹我們自研的增量同步產品。

擴展閱讀

大數(shù)據(jù)開發(fā)平臺(Data Platform)在有贊的最佳實踐

有贊數(shù)據(jù)倉庫元數(shù)據(jù)系統(tǒng)實踐

How we redesigned the NSQ - 其他特性及未來計劃

HBase 寫吞吐場景資源消耗量化分析及優(yōu)化

有贊大數(shù)據(jù)平臺安全建設實踐

Flink 在有贊實時計算的實踐

SparkSQL 在有贊的實踐

Druid 在有贊的實踐

實時計算在有贊的實踐-效率提升之路

-The End-

Vol.171

有贊技術團隊

為 300 萬商家，150 個行業(yè)，200 億電商交易額

提供技術支持

微商城｜零售｜美業(yè)

微信公眾號：有贊coder? ? 微博：@有贊技術

技術博客：tech.youzan.com

The bigger the dream,?

the more important the team.

總結

以上是生活随笔為你收集整理的datax 导入数据中文乱码_DataX在有赞大数据平台的实践的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。