DataX（Doris同步数据到SelectDB）

背景

由于之前的doris数仓在本地的服务器，当数据量越来越大，服务器的性能达不到要求，查询数据经常超时，故需要把本地的doris数仓部署到云上，本文以阿里云为例，迁移工具使用的阿里开源的datax。
datax官方文档

准备

首先使用`navicat`连接上`源数据库`与`目标数据库`

在这里插入图片描述
阿里云数仓

在这里插入图片描述

在目标数据创建需要迁移的表

源数据库上面执行下面的语句得到建表语句

show CREATE TABLE your_table;

在这里插入图片描述

然后拿到建表语句去目标数据库执行。

datax工具安装

环境

Linux或者windows
JDK(1.8以上，推荐1.8)
Python(2或3都可以)
Apache Maven 3.x (Compile DataX)

方法一、直接下载DataX工具包：DataX下载地址

下载后解压至本地某个目录，进入bin目录，即可运行同步作业：

$ cd  {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}

自检脚本： python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json

方法二、下载DataX源码，自己编译：DataX源码

(1)、下载DataX源码：

$ git clone git@github.com:alibaba/DataX.git

(2)、通过maven打包：

$ cd  {DataX_source_code_home}
$ mvn -U clean package assembly:assembly -Dmaven.test.skip=true

打包成功，日志显示如下：

[INFO] BUILD SUCCESS
[INFO] -----------------------------------------------------------------
[INFO] Total time: 08:12 min
[INFO] Finished at: 2015-12-13T16:26:48+08:00
[INFO] Final Memory: 133M/960M
[INFO] -----------------------------------------------------------------

打包成功后的DataX包位于 {DataX_source_code_home}/target/datax/datax/，结构如下：

$ cd  {DataX_source_code_home}
$ ls ./target/datax/datax/
bin		conf		job		lib		log		log_perf	plugin		script		tmp

配置示例：从stream读取数据并打印到控制台

第一步、创建作业的配置文件（json格式）

可以通过命令查看配置模板： python datax.py -r {YOUR_READER} -w {YOUR_WRITER}

$ cd {YOUR_DATAX_HOME}/bin
$ python datax.py -r streamreader -w selectdbwriter

PS C:\Users\zhubayi\Downloads\datax\datax\bin> python datax.py -r streamreader -w selectdbwriter

DataX (DATAX-OPENSOURCE-3.0), From Alibaba !
Copyright (C) 2010-2017, Alibaba Group. All Rights Reserved.


Please refer to the streamreader document:
     https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md

Please refer to the selectdbwriter document:
     https://github.com/alibaba/DataX/blob/master/selectdbwriter/doc/selectdbwriter.md

Please save the following configuration as a json file and  use
     python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json
to run the job.

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "streamreader",
                    "parameter": {
                        "column": [],
                        "sliceRecordCount": ""
                    }
                },
                "writer": {
                    "name": "selectdbwriter",
                    "parameter": {
                        "column": [],
                        "connection": [
                            {
                                "jdbcUrl": "",
                                "selectedDatabase": "",
                                "table": []
                            }
                        ],
                        "loadProps": {},
                        "loadUrl": [],
                        "password": "",
                        "postSql": [],
                        "preSql": [],
                        "username": ""
                    }
                }
            }
        ],
        "setting": {
            "speed": {
                "channel": ""
            }
        }
    }
}

dorisreader和selectdbwriter配置

{
 "core":{
    "transport": {
      "channel": {
        "speed": {
          "byte": 536870912000,
          "record": 1000000
        }
      }
    }
  },
  "job": {
    "content": [{
      "reader": {
        "name": "dorisreader",
        "parameter": {
          "column": ["id", "name", "nick_name", "age"],
          "connection": [{
            "jdbcUrl": ["jdbc:mysql://127.0.0.1:9030/test?useSSL=false"],
            "table": ["t1"]
          }],
          "username": "root",
          "password": "123456",
          "splitPk": "id",
          "where": ""
        }
      },
      "writer": {
        "name": "selectdbwriter",
        "parameter": {
          "loadUrl": [
            "192.168.3.123:8080"
          ],
          "loadProps": {
            "file.type": "json",
            "file.strip_outer_array": true
          },
          "column": ["id", "name", "nick_name", "age"],
          "username": "admin",
          "password": "123456",
          "postSql": [

          ],
          "preSql": [

          ],
          "connection": [{
            "jdbcUrl": "jdbc:mysql://192.168.3.123:9030/test?useSSL=false",
            "table": [
              "t1"
            ],
            "selectedDatabase": "test"
          }],
          "maxBatchRows": 1000000,
          "maxBatchByteSize": 536870912000
        }
      }
    }],
    "setting": {
      "speed": {
        "channel": "1"
      },
      "errorLimit": {
        "record": 0,
        "percentage": 0
      }
    }
  }
}

这个任务配置文件包含了一个名为“job”的任务，它有两个子节点：setting和content。其中，setting节点包含了任务的一些设置，例如并发通道数；content节点则包含了数据读取和写入的详细配置信息。

core与job参数介绍

配置	说明
core.transport.channel.speed.byte	单个channel容纳最多的字节数
core.transport.channel.speed.record	单个channel容纳最多的record数
job.setting.speed.channel	该job所需要的channel的个数
job.setting.speed.byte	该job最大的流量
job.setting.speed.record	该job最大的record流量

reader参数说明

官方dorisreader配置地址

jdbcUrl
- 描述：描述的是到对端数据库的JDBC连接信息，使用JSON的数组描述，并支持一个库填写多个连接地址。之所以使用JSON数组描述连接信息，是因为阿里集团内部支持多个IP探测，如果配置了多个，DorisReader可以依次探测ip的可连接性，直到选择一个合法的IP。如果全部连接失败，DorisReader报错。注意，jdbcUrl必须包含在connection配置单元中。对于阿里集团外部使用情况，JSON数组填写一个JDBC连接即可。
- 必选：是
- 默认值：无
username
- 描述：数据源的用户名
- 必选：是
- 默认值：无
password
- 描述：数据源指定用户名的密码
- 必选：是
- 默认值：无
table
- 描述：所选取的需要同步的表。使用JSON的数组描述，因此支持多张表同时抽取。当配置为多张表时，用户自己需保证多张表是同一schema结构，DorisReader不予检查表是否同一逻辑表。注意，table必须包含在connection配置单元中。
- 必选：是
- 默认值：无
column
- 描述：所配置的表中需要同步的列名集合，使用JSON的数组描述字段信息。用户使用代表默认使用所有列配置，例如['']。
  支持列裁剪，即列可以挑选部分列进行导出。
  支持列换序，即列可以不按照表schema信息进行导出。
  支持常量配置，用户需要按照Doris SQL语法格式: [“id”, “table”, “1”, “‘bazhen.csy’”, “null”, “to_char(a + 1)”, “2.3” , “true”] id为普通列名，table为包含保留字的列名，1为整形数字常量，'bazhen.csy’为字符串常量，null为空指针，to_char(a + 1)为表达式，2.3为浮点数，true为布尔值。
- 必选：是
- 默认值：无
splitPk
- 描述：DorisReader进行数据抽取时，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仅支持整形数据切分，不支持浮点、字符串、日期等其他类型。如果用户指定其他非支持类型，DorisReader将报错！
  如果splitPk不填写，包括不提供splitPk或者splitPk值为空，DataX视作使用单通道同步该表数据。
- 必选：否
- 默认值：空
where
- 描述：筛选条件，DorisReader根据指定的column、table、where条件拼接SQL，并根据这个SQL进行数据抽取。在实际业务场景中，往往会选择当天的数据进行同步，可以将where条件指定为gmt_create > $bizdate 。注意：不可以将where条件指定为limit 10，limit不是SQL的合法where子句。
  where条件可以有效地进行业务增量同步。如果不填写where语句，包括不提供where的key或者value，DataX均视作同步全量数据。
- 必选：否
- 默认值：无
querySql
- 描述：在有些业务场景下，where这一配置项不足以描述所筛选的条件，用户可以通过该配置型来自定义筛选SQL。当用户配置了这一项之后，DataX系统就会忽略table，column这些配置型，直接使用这个配置项的内容对数据进行筛选，例如需要进行多表join后同步数据，使用select a,b from table_a join table_b on table_a.id = table_b.id
  当用户配置querySql时，DorisReader直接忽略table、column、where条件的配置，querySql优先级大于table、column、where选项。
- 必选：否
- 默认值：无

类型转换
目前DorisReader支持大部分Doris类型，但也存在部分个别类型没有支持的情况，请注意检查你的类型。

下面列出DorisReaderr针对Doris类型转换列表:

DataX 内部类型	doris 数据类型
Long	int, tinyint, smallint, int, bigint,Largint
Double	float, double, decimal
String	varchar, char, text, string, map, json, array, struct
Date	date, datetime
Boolean	Boolean

请注意:

tinyint(1) DataX视作为整形。

writer配置参数说明

官方selectdbwriter配置地址

jdbcUrl
- 描述：selectdb 的 JDBC 连接串，用户执行 preSql 或 postSQL。
- 必选：是
- 默认值：无
loadUrl
- 描述：作为 selecdb 的连接目标。格式为 “ip:port”。其中 IP 是 selectdb的private-link，port 是selectdb 集群的 http_port
- 必选：是
- 默认值：无
username
- 描述：访问selectdb数据库的用户名
- 必选：是
- 默认值：无
password
- 描述：访问selectdb数据库的密码
- 必选：否
- 默认值：空
connection.selectedDatabase
- 描述：需要写入的selectdb数据库名称。
- 必选：是
- 默认值：无
connection.table
- 描述：需要写入的selectdb表名称。
  - 必选：是
  - 默认值：无
column
- 描述：目的表需要写入数据的字段，这些字段将作为生成的 Json 数据的字段名。字段之间用英文逗号分隔。例如: “column”: [“id”,“name”,“age”]。
- 必选：是
- 默认值：否
preSql
- 描述：写入数据到目的表前，会先执行这里的标准语句。
- 必选：否
- 默认值：无
postSql
- 描述：写入数据到目的表后，会执行这里的标准语句。
- 必选：否
- 默认值：无
maxBatchRows
- 描述：每批次导入数据的最大行数。和 batchSize 共同控制每批次的导入数量。每批次数据达到两个阈值之一，即开始导入这一批次的数据。
- 必选：否
- 默认值：500000
batchSize
- 描述：每批次导入数据的最大数据量。和 maxBatchRows 共同控制每批次的导入数量。每批次数据达到两个阈值之一，即开始导入这一批次的数据。
- 必选：否
- 默认值：90M
maxRetries
- 描述：每批次导入数据失败后的重试次数。
- 必选：否
- 默认值：3
labelPrefix
- 描述：每批次上传文件的 label 前缀。最终的 label 将有 labelPrefix + UUID 组成全局唯一的 label，确保数据不会重复导入
- 必选：否
- 默认值：datax_selectdb_writer_
loadProps
- 描述：COPY INOT 的请求参数
  
  这里包括导入的数据格式：file.type等，导入数据格式默认我们使用csv，支持JSON，具体可以参照下面类型转换部分
- 必选：否
- 默认值：无
clusterName
- 描述：selectdb could 集群名称
- 必选：否
- 默认值：无
flushQueueLength
- 描述：队列长度
- 必选：否
- 默认值：1
flushInterval
- 描述：数据写入批次的时间间隔，如果maxBatchRows 和 batchSize 参数设置的有很大，那么很可能达不到你这设置的数据量大小，会执行导入。
- 必选：否
- 默认值：30000ms

类型转换
默认传入的数据均会被转为字符串，并以\t作为列分隔符，\n作为行分隔符，组成csv文件进行Selectdb导入操作。

默认是csv格式导入，如需更改列分隔符，则正确配置 loadProps 即可：

"loadProps": {
    "file.column_separator": "\\x01",
    "file.line_delimiter": "\\x02"
}

如需更改导入格式为json，则正确配置 loadProps 即可：

"loadProps": {
    "file.type": "json",
    "file.strip_outer_array": true
}

启动DataX

$ cd {YOUR_DATAX_DIR_BIN}
$ python datax.py ./doris2selecdb.json

同步结束，显示日志如下：

2024-08-26 17:10:18.721 [job-0] INFO  JobContainer - PerfTrace not enable!
2024-08-26 17:10:18.721 [job-0] INFO  StandAloneJobContainerCommunicator - Total 12976386 records, 1444190303 bytes | Speed 2.33MB/s, 21993 records/s | Error 0 records, 0 bytes |  All Task WaitWriterTime 28.820s |  All Task WaitReaderTime 308.386s | Percentage 100.00%
2024-08-26 17:10:18.722 [job-0] INFO  JobContainer -
任务启动时刻                    : 2024-08-26 17:00:24
任务结束时刻                    : 2024-08-26 17:10:18
任务总计耗时                    :                593s
任务平均流量                    :            2.33MB/s
记录写入速度                    :          21993rec/s
读出记录总数                    :            12976386
读写失败总数                    :                   0