通过DataX,您可以将MySQL数据库中的全量数据同步到表格存储(Tablestore)的数据表中。DataX只支持同步全量数据,不支持同步增量数据。
前提条件
- 已创建表格存储实例并在实例详情页面获取实例的服务地址(Endpoint)。具体操作,请参见创建实例。
- 已创建表格存储数据表,用于存放迁移数据。具体操作,请参见创建数据表。
说明 创建数据表时,建议使用MySQL原主键或唯一索引作为表格存储数据表的主键。
- 已获取AccessKey(包括AccessKey ID和AccessKey Secret),用于进行签名认证。具体操作,请参见获取AccessKey。
背景信息
DataX通过MySQL驱动使用Reader中的MySQL连接串配置,直接发送SQL语句获取到查询数据,这些数据会缓存在本地JVM中,然后Writer线程将这些数据写入到表格存储的表中。更多信息,请参见DataX。
步骤一:下载DataX
您可以选择下载DataX的源代码进行本地编译或者直接下载编译好的压缩包。
- 下载DataX的源代码并编译。
- 通过Git工具执行以下命令下载DataX源代码。
git clone https://github.com/alibaba/DataX.git
- 进入到下载的源代码目录后,执行以下命令进行Maven打包。
说明 此步骤会在本地编译各种数据源的Writer和Reader,会花费较长的时间,需要耐心等待。
mvn -U clean package assembly:assembly -Dmaven.test.skip=true
编译完成后,进入/target/datax/datax目录,查看相应的目录。各目录说明请参见下表。目录 说明 bin 存放可执行的datax.py文件,是DataX工具的入口。 plugin 存放支持各种类型数据源的Reader和Writer。 conf 存放core.json文件,文件中定义了一些默认参数值,例如channel流控、buffer大小等参数,建议使用默认值。
- 通过Git工具执行以下命令下载DataX源代码。
- 下载编译好的压缩包DataX压缩包。
步骤二:准备全量导出的JSON文件
在DataX中mysqlreader配置有querySQL模式和table模式两种模式,请根据实际选择。
- querySQL模式(单task)
一般用于有条件的数据导出。在此模式下,DataX不会按照指定的column、table参数进行SQL的拼接,而是会略过这些配置(如果有)直接执行querySQL语句。task数量固定为1,因此在此模式下channel的配置无多线程效果。
querySQL模式的数据导出示例如下:{ "job": { "content": [ { "reader": { "name": "mysqlreader", #指定使用mysqlreader读取数据。 "parameter": { "username": "username",#MySQL用户名。 "password": "password",#MySQL密码。 "connection": [ { "querySql": [ #指定执行的SQL语句。 "select bucket_name, delta , timestamp ,cdn_in, cdn_out ,total_request from vip_quota where bucket_name='xxx' " ], "jdbcUrl": ["jdbc:mysql://192.168.0.8:3306/db1?useUnicode=true&characterEncoding=UTF-8&autoReconnect=true" #jdbc连接串 ] } ] } }, "writer": { "name": "otswriter",#指定使用otswriter进行数据写入。 "parameter": {#数据源配置。 "endpoint":"https://smoke-test.xxxx.ots.aliyuncs.com",#表格存储实例的服务地址(Endpoint)。 "accessId":"xxxx", "accessKey":"xxxx", "instanceName":"smoke-test",#实例名。 "table":"vip_quota",#写入数据的目标table名称。 #以下为otswriter的限制项配置,默认可以不填,如果数据不符合以下规则,则数据会被当成脏数据过滤掉。 "requestTotalSizeLimitation": 1048576, #单行数据大小限制,默认配置为1 MB,可不配置。 "attributeColumnSizeLimitation": 2097152, #单个属性列大小限制,默认配置为2 MB,可不配置。 "primaryKeyColumnSizeLimitation": 1024, #单个主键列大小限制,默认配置为1 KB,可不配置。 "attributeColumnMaxCount": 1024, #属性列个数限制,默认配置为1024,可不配置。 "primaryKey":[# 主键名称和类型。 {"name":"bucket_name", "type":"string"}, {"name":"delta", "type":"int"}, {"name":"timestamp", "type":"int"} ], "column":[#其它column的名称和类型。 {"name":"cdn_in","type":"int"}, {"name":"cdn_out","type":"int"}, {"name":"total_request","type":"int"} ], "writeMode":"UpdateRow" #写入模式。 } } } ] } }
- table模式(多task)
在此模式下无需手动编写select语句,而是由DataX根据JSON中的column、table、splitPk配置项自行拼接SQL语句。观察执行日志如下:table模式的数据导出示例代码如下:
{ "job": { "setting": { "speed": { "channel": 3 #指定channel个数,该参数与并发数密切相关。 }, "errorLimit": {#容错限制。 "record": 0, "percentage": 0.02 } }, "content": [ { "reader": { "name": "mysqlreader",#指定使用mysqlreader读取。 "parameter": { "username": "username",#MySQL用户名。 "password": "password",#MySQL密码。 "column": [ #table模式下可以指定需要查询的列。 "bucket_name", "timestamp" , "delta" , "cdn_in", "cdn_out" , "total_request" ], "splitPk": "timestamp",#指定split字段。 "connection": [ { "table": [#导出的表名。 "vip_quota" ], "jdbcUrl": ["jdbc:mysql://192.168.1.7:3306/db1"#jdbc连接串。 ] } ] } }, "writer": { "name": "otswriter",#指定使用otswriter进行写入。 "parameter": {#数据源配置。 "endpoint":"https://smoke-test.xxxx.ots.aliyuncs.com",#表格存储实例的Endpoint。 "accessId":"xxx", "accessKey":"xxx", "instanceName":"smoke-test",#实例名。 "table":"vip_quota",#写入目标的table名称。 "primaryKey":[#主键名称和类型。 {"name":"bucket_name", "type":"string"}, {"name":"delta", "type":"int"}, {"name":"timestamp", "type":"int"} ], "column":[#其它column的名称和类型。 {"name":"haha","type":"int"}, {"name":"hahah","type":"int"}, {"name":"kengdie","type":"int"} ], "writeMode":"UpdateRow"#写入模式。 } } } ] } }
上述JSON文件中定义了一次数据导出导入的数据源信息和部分系统配置。配置主要包括如下两部分:- setting:主要是speed(与速率、并发相关)和errorLimit(容错限制)。
- channel:个数决定了reader和writer的个数上限。
- splitPk:指定了splitPk字段,DataX会将MySQL表中数据按照splitPk切分成n段。splitPk的字段必须是整型或者字符串类型。
由于DataX的实现方式是按照splitPk字段分段查询数据库表,那么splitPk字段的选取应该尽可能选择分布均匀且有索引的字段,例如主键ID、唯一键等字段。如果不指定splitPk字段,则DataX将不会进行数据的切分,并行度会变为1。
说明 为了保证同步数据的一致性,要么不配置splitPk字段使用单线程迁移数据,要么确保数据迁移期间停止该MySQL数据库的服务。
- content:主要是数据源信息,包含reader和writer两部分。
说明 配置中的MySQL应该确保执行DataX任务的机器能够正常访问。 - setting:主要是speed(与速率、并发相关)和errorLimit(容错限制)。
步骤三:执行同步命令
执行以下命令同步数据。
python datax.py -j"-Xms4g -Xmx4g" mysql_to_ots.json
其中-j"-Xms4g -Xmx4g"
可以限制占用JVM内存的大小。如果不指定,则DataX将使用conf/core.json
中的配置,默认为1 GB。
步骤四:全量同步加速
- 数据读取
数据源读取有table模式和querySQL模式两种模式,选择table模式可以实现加速读取。具体操作,请参见步骤二:准备全量导出的JSON文件。
- 数据交换
在数据交换部分,您可以通过以下方面进行同步优化。
- JVM的内存
发送给MySQL数据库SQL语句后会得到查询的数据集,并缓存在DataX的buffer中。除此之外,每个channel也维护了自己的record队列。如果存在并发,则channel的个数越多,也会需要更多的内存。因此您可以考虑指定JVM的内存大小参数,即在步骤三:执行同步命令中通过
-j
参数来指定JVM的内存大小。 - channel的个数和流控参数
在conf/core.json中,控制channel的关键参数如下图所示。说明
- 一般情况下,channel队列本身配置的调整并不常见,但是在使用DataX时应该注意byte和record流控参数。这两个参数都是在flowControlInterval间隔中采样后根据采样值来决定是否进行流控。
- 为了提升同步效率,您可以适当提高channel的个数来提高并发数,以及调高每个channel的byte和record限制来提高DataX的吞吐量。
- 请综合考虑channel的个数和流控参数,保证理论峰值不会对服务器产生过高的压力。
详细参数说明请参见下表。参数 描述 capacity 限制channel中队列的大小,即最多缓存的record个数。 byteCapacity 限制record占用的内存大小,单位为字节。默认值为64 MB,如果不指定此参数,则占用内存大小会被配置为8 MB。 byte 控流参数,限制通道的默认传输速率,-1表示不限制。 record 控流参数,限制通道的传输记录个数,-1表示不限制。 capacity和byteCapacity两个参数决定了每个channel能缓存的记录数量和内存占用情况。如果要调整相应参数,您需要按照DataX实际的运行环境进行配置。例如MySQL中每个record都比较大,那么可以考虑适当调高byteCapacity,调整该参数时还请同时考虑机器的内存情况。
{ "core": { #定义了全局的系统参数,如果不指定会使用默认值。 "transport": { "channel": { "speed": { "record": 5000, "byte": 102400 } } } }, "job": { "setting": { "speed": { #定义了单个channel的控制参数。 "record": 10000, }, "errorLimit": { "record": 0, "percentage": 0.02 } }, "content": [ { "reader": { .....#省略 }, "writer": { .....#省略 } } ] } }
- JVM的内存
- 数据写入
Tablestore是基于LSM设计的高性能高吞吐的分布式数据库产品,每一张表都会被切分为很多数据分区,数据分区分布在不同的服务器上,拥有极强的吞吐能力。如果写入能够分散在所有服务器上,则能够利用所有服务器的服务能力,更高速地写入数据,即表分区数量和吞吐能力正相关。
新建的表默认分区数量都是1,分区数量会随着表不断写入数据而自动分裂不断增长,但是自动分裂的周期较长。对于新建表,如果需要马上进行数据导入,由于单分区很可能不够用导致数据导入不够顺畅,因此建议在新建表时对表进行预分区,在开始导入数据时即可获得极好的性能,而不用等待自动分裂。
{ "job": { "setting": { ....#省略 }, "content": [ { "reader": { .....#省略 }, "writer": { "name": "otswriter", "parameter": { ....... "writeMode":"UpdateRow", "batchWriteCount":100 } } } ] } }