数据同步-从MySQL到Tablestore

李一

程序猿/SAP技术关注者

DataX是阿里集团广泛使用的离线数据导出工具，本文将详细介绍如何从MySQL导出全量数据到Tablestore（OTS）中。

一、导出步骤

DataX工具目前已经在github上开源，可以从github上拉到源代码进行本地编译，也可以直接下载编译好的压缩包进行解压直接使用，这里选择本地编译方式。

1.下载源代码或压缩包

本机装好git工具后，直接执行以下操作：

git clone https://github.com/alibaba/DataX.git

如果要选择下载压缩包的方式，可以从DataX的github地址上获得下载链接：

https://github.com/alibaba/DataX

或者直接下载： DataX下载地址
下载完压缩包之后请直接解压缩，并直接进入步骤3。

2. Maven打包

cd到下载的源码目录，然后执行：

mvn -U clean package assembly:assembly -Dmaven.test.skip=true

编译完成后，在/target/datax/datax目录下会观察到如下几个目录：
bin conf job lib log log_perf plugin script tmp

bin目录中存放着可执行的datax.py文件，是整个DataX工具的入口
plugin目录中是支持各种类型数据源的reader和writer
conf中主要是存放core.json文件，文件中定义了一些缺省参数值如channle流控、buffer大小等参数，一般不随意修改。

注意：此步骤会在本地编译各种数据源的writer和reader，会花费比较长的时间，需要耐心等待。

3. 准备全量导出的json文件

{
    "job": {
        "content": [
                "reader": {
                    "name": "mysqlreader", #指定使用mysqlreader读取
                    "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://10.10.0.8:3306/db1?useUnicode=true&characterEncoding=UTF-8&autoReconnect=true" #jdbc连接串
                "writer": {
                    "name": "otswriter",#指定使用otswriter进行写入
                    "parameter": {#数据源配置
                        "endpoint":"https://smoke-test.xxxx.ots.aliyuncs.com",#ots实例的endpoint
                        "accessId":"xxxx",
                        "accessKey":"xxxx",
                        "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":"cdn_in","type":"int"},
                            {"name":"cdn_out","type":"int"},
                            {"name":"total_request","type":"int"},
                        "writeMode":"UpdateRow"#写入模式
}

以上为querySql模式导出。
或者，也可以配置成如下的table模式导出：

{
    "job": {
        "setting": {
            "speed": {
                 "channel": 3  #指定channel个数，这个参数跟并发数密切相关
            "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哪些列
                            "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://10.10.1.7:3306/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",#ots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
}

上述配置文件中，可以看到，该json文件定义了一次数据导出导入的数据源信息和少量系统配置。
配置主要分两部分：
setting部分：主要是speed（跟速率、并发相关）和errorLimit（容错限制）
content部分：主要是数据源信息，包含reader和writer两部分

同时，配置中的MySQL应该确保执行DataX任务的机器能够正常访问；目标Tablestore表，可以通过控制台或则SDK提前建好。本例中Tablestore的表名为vip_quota，定义了由3个column组成的PrimaryKey。

4. 执行同步命令

python datax.py  -j"-Xms4g -Xmx4g" mysql_to_ots.json

-j"-Xms4g -Xmx4g" 可以限制jvm占用内存的大小，如果不指定，将会使用conf/core.json中的配置，默认是1G。

二、原理介绍

DataX进行数据同步的过程主要包括三部分：

数据源读取
DataX中的数据交换
数据目标端写入

在MySQL导出到Tablestore的场景中，对于MySQL数据源来说，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，而后由writer线程将这些数据写入到Tablestore表中。

在DataX中，mysqlreader配置有两种模式，一种是table模式，另外一种是querySql模式，两种模式使用起来略有差别。

table模式

table模式的json配置文件请观察导出步骤的第3部分。
table模式下，用户不再需要自己写select语句，而是由DataX根据json中的的column、table、spliPk配置项，自行拼接SQL语句，观察执行日志如下：

在table模式下， channel个数决定了reader和writer的个数上限，假设为m个：
如果指定了splitPk字段，DataX会将mysql表中数据按照splitPk切分成n段，n大致为5倍的channel个数（有兴趣的同学可以去阅读一下DataX的源码）。splitPk的字段限制了必需是整型或者字符串类型。由于DataX的实现方式是按照spliPk字段分段查询数据库表，那么spliPk字段的选取应该尽可能的选择分布均匀且有索引的字段，比如主键id、唯一键等字段。DataX会启动m个reader线程，消费DataX切分好的n个查询sql语句（task），对应的会有m个writer线程将查询出来的数据写入OTS表中，并行度为m（也就是配置的channel个数）。
如果不指定splitPk字段，DataX将不会进行数据的切分，并行度直接退化成1。

需要指出的是，table模式下，如果用户指定了spliPk将数据切分成了n段，由于这些task不是在同一个事务下进行select，那么最终取出的全量数据很有可能是不一致的。为了拿到一致性数据，要么不要配置spliPk使用单线程，要么确保mysql中要导出的数据不会再发生变化。

querySql模式

querySql模式一般用于有条件的数据导出。准备步骤中的第一个json文件就是一个典型的querySql模式配置。
在此模式下，DataX不会再按照指定的column、table参数进行sql的拼接，而是会直接略过这些配置（如果有），直接执行querySql语句，task数量总是1，因此在此模式下channel的配置不再有多线程的效果。

三、性能调优

有人肯定会有疑问，有什么办法可以尽可能加速数据的导出呢？
一般来说，大家首先想到的是提高并发度。在DataX中channel的个数决定了并发数量，但是要使channel参数生效，并不是简单配一下channel就完事了。在MySQL导入Tablestore表的场景下，channel生效仅在能够split出多个SQL语句的场景下，也就是table模式+spliPk下有用。

前面提到，DataX的数据同步涉及三部分：
1.数据读取
2.数据交换
3.数据写入
对于以上三个环节，都有不同的优化方式，分析如下。

1.数据读取

对于数据源读取，导出的两种模式：table模式和sqlQuery模式前面做了阐述，这里不再重复。

2. 数据交换

对于数据交换，前面提到，发送给MySQL数据库SQL语句后会得到查询的数据集，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，channel的个数越多，也会需要更多的内存。因此首先需要考虑的是jvm的内存大小参数，在导出步骤这一节中， -j参数可以用来指定jvm的内存大小。
除此之外，有几个控制channel的关键参数：

以上配置位于conf/core.json中：
capacity限制了channel中队列的大小（也就是最多缓存record的个数）
byteCapacity限制了record占用的内存大小，core.json中的默认配置是64MB，若不指定将会被配置为8MB
这两个参数决定了每个channel能buffer的记录数量和内存占用情况，如果有需要调整，用户应该按照DataX实际的运行环境予以配置。例如MySQL中每个record都比较大，那么可以考虑适当调高byteCapacity，当然调整这个参数还要考虑机器的内存情况。

一般情况下，channel队列本身配置的调整并不会很常见，但是对于另外几个流控参数，在使用DataX的时候应该注意。有两个常用的流控参数：
a. byte 限制通道的默认传输速率， -1表示不限制
b. record 限制通道的传输记录数，-1表示不限制
这两个参数都是在flowControlInterval间隔里采样后根据采样值来决定是否流控的。

{
    "core": {  #定义了全局的系统参数，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
}

3.数据写入

对于数据写入，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，都会被切分成很多的数据分区，分布在不同的服务器上，吞吐能力十分强悍。如果写入能够打散在所有的服务器上面，就能够利用所有服务器的服务能力，更高速地写入，也就是说表分区数量和吞吐能力是正相关的。正常情况下，新建的表默认分区数量都是1，这个数目会随着表的不断写入自动分裂不断增长，但是自动分裂的周期较长，对于新建表马上进行数据导入的情况，单分区很可能不够用导致导入不够顺畅。推荐的做法，一般是在建表的时候，对表进行预分区，这样可以在一开始导入的时候就获得极好的性能，而不用等自动分裂。
另外适当的提高批量写入的批次大小（batchWriteCount），也可以有效地提高吞吐率。相关关键配置如下：

{
    "job": {
        "setting": {
           ....#省略
        "content": [
                "reader": {
                      .....#省略
                "writer": {
                    "name": "otswriter",
                    "parameter": {
                            .......
                        "writeMode":"UpdateRow",
                        "batchWriteCount":100