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。
如果想进一步了解 DataX ,请进一步查看 DataX 详细介绍 。
关于增量更新
DataX 支持多种数据库的读写, json 格式配置文件很容易编写, 同步性能很好, 通常可以达到每秒钟 1 万条记录或者更高, 可以说是相当优秀的产品, 但是缺乏对增量更新的内置支持。
其实增量更新非常简单, 只要从目标数据库读取一个最大值的记录, 可能是 DateTime
或者 RowVersion
类型, 然后根据这个最大值对源数据库要同步的表进行过滤, 然后再进行同步即可。
由于 DataX 支持多种数据库的读写, 一种相对简单并且可靠的思路就是:
- 利用 DataX 的 DataReader 去目标数据库读取一个最大值;
- 将这个最大值用 TextFileWriter 写入到一个 CSV 文件;
- 用 Shell 脚本来读取 CSV 文件, 并动态修改全部同步的配置文件;
- 执行修改后的配置文件, 进行增量同步。
接下来就用 shell 脚本来一步一步实现增量更新。
增量更新的 shell 实现
我的同步环境是从 SQLServer 同步到 PostgreSQL , 部分配置如下:
- {
- "job": {
- "content": [
- {
- "reader": {
- "name": "sqlserverreader",
- "parameter": {
- "username": "...",
- "password": "...",
- "connection": [
- {
- "jdbcUrl": [
- "jdbc:sqlserver://[source_server];database=[source_db]"
- ],
- "querySql": [
- "SELECT DataTime, PointID, DataValue FROM dbo.Minutedata WHERE 1=1"
- ]
- }
- ]
- }
- },
- "writer": {
- "name": "postgresqlwriter",
- "parameter": {
- "username": "...",
- "password": "...",
- "connection": [
- {
- "jdbcUrl": "jdbc:postgresql://[target_server]:5432/[target_db]",
- "table": [
- "public.minute_data"
- ]
- }
- ],
- "column": [
- "data_time",
- "point_id",
- "data_value"
- ],
- "preSql": [
- "TRUNCATE TABLE @table"
- ]
- }
- }
- }
- ],
- "setting": { }
- }
- }
更多的配置可以参考 SqlServerReader 插件文档以及 PostgresqlWriter 插件文档。
要实现增量更新, 首先要 PostgresqlReader 从目标数据库读取最大日期, 并用 TextFileWriter 写入到一个 csv 文件, 这一步我的配置如下所示:
- {
- "job": {
- "content": [
- {
- "reader": {
- "name": "postgresqlreader",
- "parameter": {
- "connection": [
- {
- "jdbcUrl": [
- "jdbc:postgresql://[target_server]:5432/[target_db]"
- ],
- "querySql": [
- "SELECT max(data_time) FROM public.minute_data"
- ]
- }
- ],
- "password": "...",
- "username": "..."
- }
- },
- "writer": {
- "name": "txtfilewriter",
- "parameter": {
- "dateFormat": "yyyy-MM-dd HH:mm:ss",
- "fileName": "minute_data_max_time_result",
- "fileFormat": "csv",
- "path": "/scripts/",
- "writeMode": "truncate"
- }
- }
- }
- ],
- "setting": { }
- }
- }
更多的配置可以看考 PostgresqlDataReader 插件文档以及 TextFileWriter 插件文档
有了这两个配置文件, 现在可以编写增量同步的 shell 文件, 内容如下:
- #!/bin/bash
- ### every exit != 0 fails the script
- set -e
- # 获取目标数据库最大数据时间,并写入一个 csv 文件
- docker run --interactive --tty --rm --network compose --volume $(pwd):/scripts \
- beginor/datax:3.0 \
- /scripts/minute_data_max_time.json
- if [ $? -ne 0 ]; then
- echo "minute_data_sync.sh error, can not get max_time from target db!"
- exit 1
- fi
- # 找到 DataX 写入的文本文件,并将内容读取到一个变量中
- RESULT_FILE=`ls minute_data_max_time_result_*`
- MAX_TIME=`cat $RESULT_FILE`
- # 如果最大时间不为 null 的话, 修改全部同步的配置,进行增量更新;
- if [ "$MAX_TIME" != "null" ]; then
- # 设置增量更新过滤条件
- WHERE="DataTime > '$MAX_TIME'"
- sed "s/1=1/$WHERE/g" minute_data.json > minute_data_tmp.json
- # 将第 45 行的 truncate 语句删除;
- sed '45d' minute_data_tmp.json > minute_data_inc.json
- # 增量更新
- docker run --interactive --tty --rm --network compose --volume $(pwd):/scripts \
- beginor/datax:3.0 \
- /scripts/minute_data_inc.json
- # 删除临时文件
- rm ./minute_data_tmp.json ./minute_data_inc.json
- else
- # 全部更新
- docker run --interactive --tty --rm --network compose --volume $(pwd):/scripts \
- beginor/datax:3.0 \
- /scripts/minute_data.json
- fi
在上面的 shell 文件中, 使用我制作的 DataX docker 镜像, 使用命令 docker pull beginor/datax:3.0
即可获取该镜像, 当也可以修改这个 shell 脚本直接使用 datax 命令来执行。