1.Datax简介&核心架构
DataX 是阿里云 DataWorks数据集成 的开源版本,在阿里巴巴集团内被广泛使用的离线数据同步工具/平台。DataX 实现了包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等等各种异构数据源之间高效的数据同步功能
job:datax完成单个的数据同步作业,被称之为job,其为整个单例数据同步流程的管理节点,承载了数据清理、子任务切分(将单一作业计算转化为多个子Task)、TaskGroup管理等功能。
Split:DataXJob启动后,会根据不同的源端切分策略,对将要同步的数据进行切分,称之为Split。
Task:DataX作业的最小单元,每一个Task都会负责一部分数据的同步工作。
Schedule:切分多个Task之后,DataX Job会调用Scheduler模块,根据配置的并发数据量,将拆分成的Task重新组合,组装成TaskGroup(任务组)。
TaskGroup:每一个Task都由TaskGroup负责启动,Task启动后,会固定启动Reader—>Channel—>Writer的线程来完成任务同步工作。每个TaskGroup任务组中的Task并发执行,默认配置为5个并发。