Addax 介绍¶
概览¶
Addax 是一个异构数据源离线同步工具,最初来源于阿里的 DataX ,致力于实现包括关系型数据库(MySQL、Oracle 等)、HDFS、Hive、HBase、FTP 等各种异构数据源之间稳定高效的数据同步功能。
为了解决异构数据源同步问题,Addax 将复杂的网状的同步链路变成了星型数据链路,Addax 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 Addax,便能跟已有的数据源做到无缝数据同步。
框架设计¶
graph LR
MySQL
subgraph Addax
direction LR
subgraph reader["Reader Plugin"]
mr["MySQLReader"]
end
subgraph writer["Writer Plugin"]
hw["HDFSWriter"]
end
Framework
mr --> Framework --> writer
end
MySQL ==> Addax ==> HDFS
Addax 本身作为离线数据同步框架,采用 Framework + plugin 架构构建。将数据源读取和写入抽象成为 Reader/Writer 插件,纳入到整个同步框架中。
- Reader:Reader 为数据采集模块,负责采集数据源的数据,将数据发送给 Framework。
- Writer: Writer 为数据写入模块,负责不断向 Framework 取数据,并将数据写入到目的端。
- Framework:Framework 用于连接 reader 和 writer,作为两者的数据传输通道,并处理缓冲,流控,并发,数据转换等核心技术问题。
Addax 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。
核心架构¶
本小节按一个 Addax 作业生命周期的时序图,从整体架构设计非常简要说明各个模块相互关系。
graph TB
subgraph Job
end
subgraph task
direction TB
t1["Task"]
t2["Task"]
t3["Task"]
t4["Task"]
t5["Task"]
t6["Task"]
end
subgraph taskgroup[" "]
direction TB
subgraph tg1["TaskGroup"]
subgraph tg1_Task["Task"]
tg1_r["Reader"]
tg1_c["Channel"]
tg1_w["Writer"]
end
t7["Task"]
t8["Task"]
end
subgraph tg2["TaskGroup"]
subgraph tg2_Task["Task"]
direction LR
tg2_r["Reader"]
tg2_c["Channel"]
tg2_w["Writer"]
end
t9["Task"]
t10["Task"]
end
subgraph tg3["TaskGroup"]
direction LR
subgraph tg3_Task["Task"]
tg3_r["Reader"]
tg3_c["Channel"]
tg3_w["Writer"]
end
t11["Task"]
t12["Task"]
end
end
Job == split ==> task
task == Schedule ==> taskgroup
核心模块介绍¶
- Addax 完成单个数据同步的作业,我们称之为 Job,Addax 接收到一个 Job 之后,将启动一个进程来完成整个作业同步过程。Addax 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。
- Addax Job 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 Addax 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。
- 切分多个 Task 之后,Addax 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。
- 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。 - Addax 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 0
调度流程¶
举例来说,用户提交了一个作业,并且配置了 20 个并发,目的是将一个 100 张分表的 MySQL 数据同步到 Oracle 里面。 调度决策思路是:
- Addax Job 根据分库分表切分成了 100 个 Task。
- 根据 20 个并发,计算共需要分配
20/5 = 4
个 TaskGroup。 - 4 个 TaskGroup 平分切分好的 100 个 Task,每一个 TaskGroup 负责以 5 个并发共计运行 25 个 Task。
核心优势¶
可靠的数据质量监控¶
- 完美解决数据传输个别类型失真问题
支持所有的强数据类型,每一种插件都有自己的数据类型转换策略,让数据可以完整无损的传输到目的端。
- 提供作业全链路的流量、数据量运行时监控
运行过程中可以将作业本身状态、数据流量、数据速度、执行进度等信息进行全面的展示,让用户可以实时了解作业状态。并可在作业执行过程中智能判断源端和目的端的速度对比情况,给予用户更多性能排查信息。
- 提供脏数据探测
在大量数据的传输过程中,必定会由于各种原因导致很多数据传输报错(比如类型转换错误),这种数据 Addax 认为就是脏数据。Addax 目前可以实现脏数据精确过滤、识别、采集、展示,为用户提供多种的脏数据处理模式,让用户准确把控数据质量关!
丰富的数据转换功能¶
作为一个服务于大数据的 ETL 工具,除了提供数据快照搬迁功能之外,还提供了丰富数据转换的功能,让数据在传输过程中可以轻松完成数据脱敏,补全,过滤等数据转换功能,另外还提供了自动 groovy
函数,让用户自定义转换函数。详情请看 transformer 详细介绍。
精准的速度控制¶
提供了包括通道(并发)、记录流、字节流三种流控模式,可以随意控制你的作业速度,让你的作业在库可以承受的范围内达到最佳的同步速度。
{
"speed": {
"channel": 5,
"byte": 1048576,
"record": 10000
}
}
强劲地同步性能¶
每一种读插件都有一种或多种切分策略,都能将作业合理切分成多个 Task 并行执行,单机多线程执行模型可以让速度随并发成线性增长。 在源端和目的端性能都足够的情况下,单个作业一定可以打满网卡。
健壮的容错机制¶
作业是极易受外部因素的干扰,网络闪断、数据源不稳定等因素很容易让同步到一半的作业报错停止。因此稳定性是 Addax 的基本要求,在 Addax 的设计中,重点完善了框架和插件的稳定性。 目前 Addax 可以做到线程级别、作业级别多层次局部/全局的重试,保证用户的作业稳定运行。