数据同步工具Sqoop和DataX

在日常大数据生产环境中，经常会有集群数据集和关系型数据库互相转换的需求，在需求选择的初期解决问题的方法————数据同步工具就应运而生了。此次我们选择两款生产环境常用的数据同步工具进行讨论

Sqoop

通常数据开发岗位的朋友都会较早的接触这款工具，因为Sqoop的设计初衷就是在Hadoop和DB(关系型数据库)、大型机(Oracle服务机)之间搭建桥梁，斩断数据同步的隔阂。该项目起步于2009年，最早是Hadoop的一个三方模块的存在，后来社区开发者为了能够快速部署和使用,同时也为了开发人员能够更快速的迭代开发，最终成为Apache基金会的顶级项目。

核心机制

Sqoop是基于MR的分布式数据同步工具，使用MR完成数据的导入和导出，依赖计算框架的能力，可以实现并行操作以及容错能力

• 导入

  在读取数据库文件时，sqoop底层逐行读取，导入过程的输出是一组文件，其中包含导入的表或数据集副本，因为

  底层使用的是MR并行处理，所以这一过程会产生多个文件(序列化二进制文件或逗号分割的文本文件)。导入的过程

  由JAVA类控制，此类可将数据与序列化文件进行序列化和反序列化。同时开放的接口可以使用其他工具解析分隔记录

  数据。

• 导出

  当MR或Hive生成的查询处理结果生成结果集时，可以使用其导入关系型数据库。Sqoop将HDFS文件并行读取一组文本文件，将它们解析记录，并将它们插入到数据库表中作为新行，供外部程序或用户进行查询。

特点

• 分布式可水平扩展
• 运行模式基于MR
• 依赖hadoop生态圈，某些业务场景下限制多
• 负载默认均匀分布，若不人为修改，某些状况下会导致负载倾斜
• 对压缩文件支持不友好
• 启动速度相对较慢

DataX

DataX是阿里开源的一个异构数据源离线同步工具，用于在关系型数据库、HDFS、Hive、ODPS(阿里云组件)、HBase、DRDS、ADS、TableStore(OTS)、FTP等各种异构数据源之间做稳定高效的数据同步。从官方给出的定义不难看出这一数据同步框架面向更多数据场景，目前离线同步数据源已支持DB2、Kafka等工具。

由上图可知，DataX将复杂的网状的同步链路变成了星型数据链路，DataX作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候，只需要将此数据源对接到DataX，便能跟已有的数据源做到无缝数据同步。

框架设计

DataX在设计之初就将同步理念抽象成框架+插件的形式.框架负责内部的序列化传输，缓冲，并发，转换等而核心技术问题，数据的采集(Reader)和落地(Writer)完全交给插件执行

DataX Framework提供了简单的接口与插件交互，提供简单的插件接入机制，只需要任意加上一种插件，就能无缝对接其他数据源。经过不停的迭代，当前DataX已经有了比较全面的插件体系，包括主流的RDBMS，NOSQL以及大数据计算系统

核心模块介绍：

1.DataX完成单个数据同步的作业，我们称之为Job，DataX接受到一个Job之后，将启动一个进程来完成整个作业同步过程。DataX Job模块是单个作业的中枢管理节点，承担了数据清理、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。

2.DataXJob启动后，会根据不同的源端切分策略，将Job切分成多个小的Task(子任务)，以便于并发执行。Task便是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。

3.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)。每一个TaskGroup负责以一定的并发运行完毕分配好的所有Task，默认单个任务组的并发数量为5。

4.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。

5.DataX作业运行起来之后， Job监控并等待多个TaskGroup模块任务完成，等待所有TaskGroup任务完成后Job成功退出。否则，异常退出，进程退出值非

特点

• 单线程多进程，不支持分布式
• 数据转换功能丰富，可在传输过程中脱敏、过滤
• 传输速度可控，具备信息统计功能
• 可以进行数据校验

总结

对比两者的特点，不难发现Sqoop依赖于Hadoop生态对HDFS、Hive支持友善，在处理数仓大表的速度相对较快，但不具备统计和校验能力。而DataX无法分布式部署，可以在传输过程中进行过滤，并且可以统计传输数据的信息，因此在业务场景复杂(表结构变更)更适用，同时对于不同的数据源支持更好。且DataX的开源版本目前只支持单机部署，需要依赖调度系统实现多客户端，同时不支持自动创建表和分区。