StarRocks数据同步的能力支持情况_大数据开发治理平台 DataWorks(DataWorks)-阿里云帮助中心

StarRocks数据源为您提供读取和写入StarRocks的双向通道，本文为您介绍DataWorks对StarRocks数据同步的能力支持情况。

支持的版本

支持EMR Serverless StarRocks 2.5和3.1版本。
支持EMR on ECS：StarRocks 2.1版本。详情请参见：StarRocks概述。
支持社区版StarRocks。社区版StarRocks请参见：StarRocks官方网站。
说明
- 由于DataWorks仅支持内网连接StarRocks，社区版StarRocks需部署在EMR on ECS上。
- 社区版StarRocks的开放性较强，若在数据源使用过程中出现适配性问题，欢迎提交工单反馈。

支持的字段类型

支持大部分StarRocks类型，包括数值类型、字符串类型、日期类型。

数据同步前准备

为保证资源组网络连通性，您需要提前将后续要使用的DataWorks资源组的IP地址添加至EMR Serverless StarRocks实例的内网白名单中，同时，还需要允许该网段访问9030、8030、8040端口。

DataWorks资源组的白名单IP地址请参见：添加白名单。
添加EMR Serverless StarRocks实例白名单的操作入口如下。

创建数据源

在进行数据同步任务开发时，您需要在DataWorks上创建一个对应的数据源，操作流程请参见创建并管理数据源，详细的配置参数解释可在配置界面查看对应参数的文案提示。

请根据您的网络环境选择StarRocks连接模式：

场景一：内网连接（推荐）

内网链路延迟低、数据传输更安全，无需额外配置公网权限。

适用场景：您的StarRocks实例与Serverless资源组处于同一VPC内。
支持使用阿里云实例模式和连接串模式：
- 选择阿里云实例模式：直接选择同VPC下的StarRocks实例，系统自动获取连接信息，无需手动配置。
- 选择连接串模式：手动输入实例的内网地址/IP、端口、Load URL。

场景二：公网连接

公网传输存在安全风险，建议搭配白名单、IP鉴权等安全策略。

适用场景：需要通过公网访问StarRocks实例（如跨地域、本地环境访问）。
支持使用连接串模式（请确保StarRocks实例已开启公网访问权限。）：
- 选择连接串模式：手动填写实例的公网地址/IP、端口、Load URL。

说明

Serverless资源组默认不具备公网访问能力，使用公网地址连接StarRocks实例时，需要为绑定的VPC配置公网NAT网关和EIP后，才支持公网访问数据源。

如果您使用的是阿里云EMR StarRocks Serverless，主机地址/IP使用内网地址或公网地址，端口使用查询端口。

FE信息：您可以在实例详情页获取。
数据库：使用EMR StarRocks Manager连接实例后，可以在SQL Editor或者元数据管理查看到对应的数据库。
说明
如果需要创建数据库，可以直接在SQL Editor里执行SQL命令进行创建。

数据同步任务开发

数据同步任务的配置入口和通用配置流程可参见下文的配置指导。

单表离线同步任务配置指导

操作流程请参见通过向导模式配置离线同步任务、通过脚本模式配置离线同步任务。
脚本模式配置的全量参数和脚本Demo请参见下文的附录：脚本Demo与参数说明。

附录：脚本Demo与参数说明

离线任务脚本配置方式

如果您配置离线任务时使用脚本模式的方式进行配置，您需要按照统一的脚本格式要求，在任务脚本中编写相应的参数，详情请参见通过脚本模式配置离线同步任务，以下为您介绍脚本模式下数据源的参数配置详情。

Reader脚本Demo

{
    "stepType": "starrocks",
    "parameter": {
        "selectedDatabase": "didb1",
        "datasource": "starrocks_datasource",
        "column": [
            "id",
            "name"
        ],
        "where": "id>100",
        "table": "table1",
        "splitPk": "id"
    },
    "name": "Reader",
    "category": "reader"
}

Reader脚本参数

参数	描述	是否必选	默认值

参数	描述	是否必选	默认值
datasource	StarRocks数据源名称。	是	无
selectedDatabase	StarRocks数据库名称。	否	StarRocks数据源内配置的数据库名称。
column	所配置的表中需要同步的列名集合。	是	无
where	筛选条件，在实际业务场景中，往往会选择当天的数据进行同步，将where条件指定为`gmt_create>$bizdate`。 where条件可以有效地进行业务增量同步。 where语句，包括不提供where的key或value，数据同步均视作同步全量数据。	否	无
table	选取的需要同步的表名称。	是	无
splitPk	StarRocks Reader进行数据抽取时，如果指定splitPk，表示您希望使用splitPk代表的字段进行数据分片，数据同步因此会启动并发任务进行数据同步，提高数据同步的效能。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。	否	无

Writer脚本Demo

{
    "stepType": "starrocks",
    "parameter": {
        "selectedDatabase": "didb1",
        "loadProps": {
            "row_delimiter": "\\x02",
            "column_separator": "\\x01"
        },
        "datasource": "starrocks_public",
        "column": [
            "id",
            "name"
        ],
        "loadUrl": [
            "1.1.X.X:8030"
        ],
        "table": "table1",
        "preSql": [
            "truncate table table1"
        ],
        "postSql": [
        ],
        "maxBatchRows": 500000,
        "maxBatchSize": 5242880
    },
    "name": "Writer",
    "category": "writer"
}

Writer脚本参数

参数	描述	是否必选	默认值

参数	描述	是否必选	默认值
datasource	StarRocks数据源名称。	是	无
selectedDatabase	StarRocks数据库名称。	否	StarRocks数据源内配置的数据库名称。
loadProps	StarRocks StreamLoad请求参数。使用StreamLoad CSV导入，此处可选择配置导入参数。如果无特殊配置则使用{}。可配置参数包括： column_separator：CSV导入列分隔符，默认\t。 row_delimiter：CSV导行分隔符，默认\n。如果您的数据中本身包含\t、\n，则需自定义使用其他字符作为分隔符，使用特殊字符示例如下： `{ "column_separator": "\\x01", "row_delimiter": "\\x02"}`	是	无
column	所配置的表中需要同步的列名集合。	是	无
loadUrl	填写StarRocks FrontEnd IP、Http Port（一般默认是8030），如果有多个FrontEnd节点，可全部配置上，并使用逗号（，）分隔。	是	无
table	选取的需要同步的表名称。	是	无
preSql	执行数据同步任务之前率先执行的SQL语句。例如，执行前清空表中的旧数据（truncate table tablename）。	否	无
postSql	执行数据同步任务之后执行的SQL语句。	否	无
maxBatchRows	最大每次写入行数。	否	500000
maxBatchSize	最大每次写入字节数。	否	5242880