DataX（Doris同步数据到SelectDB）

server/2024/10/20 18:58:08/

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
在这里插入图片描述
在这里插入图片描述

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 selectdbwriterDataX (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.mdPlease refer to the selectdbwriter document:https://github.com/alibaba/DataX/blob/master/selectdbwriter/doc/selectdbwriter.mdPlease save the following configuration as a json file and  usepython {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
Longint, tinyint, smallint, int, bigint,Largint
Doublefloat, double, decimal
Stringvarchar, char, text, string, map, json, array, struct
Datedate, datetime
BooleanBoolean

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

http://www.ppmy.cn/server/107011.html

相关文章

Oracle goldengate部署（ogg-for-kafka）HP-UX BCLINUX-for-Eular

Oracle goldengate部署（ogg-for-kafka）HP-UX BCLINUX-for-Eular

Oracle goldengate部署（ogg-for-kafka） 1、环境信息 源端数仓系统环境如下： 组件名称版本信息操作系统环境HP-UX evansdb2 B.11.31 U ia64数据库版本11.2.0.4.180116OGG 版本12.3.0.1.190115KAFKA 目标端环境如下： 组件名称版本信息操作系统环境BigCloud Enterprise Linu…
阅读更多...
使用idea快速创建springbootWeb项目(springboot+springWeb+mybatis-Plus)

使用idea快速创建springbootWeb项目(springboot+springWeb+mybatis-Plus)

idea快速创建springbootWeb项目 详细步骤如下 1）创建项目 2）选择springboot版本 3）添加web依赖 4）添加Thymeleaf 5）添加lombok依赖 然后点击create进入下一步 双击pom.xml文件 6）添加mybatis-plus依赖 …
阅读更多...
C语言：科目二【基础知识】

C语言：科目二【基础知识】

文章目录 0x1 常见0x2 Lambda0x3 define typedef using0x4 基类 菱形继承(虚基类)0x5 构造0x6 智能指针（涉及RAII概念） todo0x7 类型推导[auto 与 decltype] todo0x8 多线程加锁问题0x9 C语言__attribute__0xA 错题辨析 0x1 常见 c 科目二 每日一题 类相…
阅读更多...
mac安装xmind

mac安装xmind

文章目录 介绍软件功能下载安装1.下载完成后打开downloads 双击进行安装2.将软件拖到应用程序中3.在启动台中搜索打开4.提示损坏问题解决5.执行完成关闭命令窗口6.打开成功，点击继续，跳过登录7.打开成功后，点击关于 小结 介绍 XMind 是一款流…
阅读更多...
Java项目中的分库分表实践指南

Java项目中的分库分表实践指南

摘要 随着互联网应用的快速发展，单一数据库实例越来越难以满足高并发和大数据量的需求。分库分表是一种有效的解决方案，它通过将数据分散存储到不同的数据库或表中来提高系统的扩展性和性能。本文将详细介绍Java项目中实现分库分表的策略、步骤和最佳实…
阅读更多...
计算机毕业设计选题推荐-高中素质评价档案系统-Java/Python项目实战

计算机毕业设计选题推荐-高中素质评价档案系统-Java/Python项目实战

✨作者主页：IT毕设梦工厂✨ 个人简介：曾从事计算机专业培训教学，擅长Java、Python、微信小程序、Golang、安卓Android等项目实战。接项目定制开发、代码讲解、答辩教学、文档编写、降重等。 ☑文末获取源码☑ 精彩专栏推荐⬇⬇⬇ Java项目 Py…
阅读更多...
inflight 守恒算法负反馈解析

inflight 守恒算法负反馈解析

终于说到这个话题了。 bbr 不好吗，我自己也做过很多关于 bbr 的仿真验证，现网数据分析以及数学建模，结论均指向 bbr 是一个公平高效且天然不会引发 bufferbloat 的算法，但细节值得商榷： 非理想哑铃拓扑下测量误差的叠…
阅读更多...
OpenCV几何图像变换（10）透视变换函数warpPerspective()的使用

OpenCV几何图像变换（10）透视变换函数warpPerspective()的使用

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述 warpPerspective 函数使用指定的矩阵对源图像进行透视变换： dst ( x , y ) src ( M 11 x M 12 y M 13 M 31 x M 32 y M 33 , M…
阅读更多...
最新文章

Copyright @ 2022~2023