DataX：一个开源的离线数据同步工具

DataX 是一个异构数据源离线同步（ETL）工具，实现了包括关系型数据库(MySQL、Oracle 等)、HDFS、Hive、ODPS、HBase、FTP 等各种异构数据源之间稳定高效的数据同步功能。它也是阿里云 DataWorks 数据集成功能的开源版本。

为了解决异构数据源同步问题，DataX 将复杂的网状的同步链路变成了星型数据链路，DataX 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 DataX，便能跟已有的数据源做到无缝数据同步。

体系原理

DataX 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，如下图所示：

其中，

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 模块。
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。
Writer： Writer 为数据写入模块，负责不断地向 Framework 获取数据，并将数据写入到目的端。

DataX 开源版本支持单机多线程模式完成同步作业运行，以下是一个 DataX 作业生命周期的时序图：

其中涉及的核心模块和流程如下：

DataX 完成单个数据同步的作业称之为 Job，DataX 接受到一个 Job 之后，将启动一个进程来完成整个作业同步过程。DataX
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。
DataX 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 是作业的最小单元，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，DataX 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。
DataX 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，进程退出值为非零。

举例来说，用户提交了一个 DataX 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 MaxCompute 里面。 DataX 的调度决策思路是：DataX Job 根据分库分表切分成了 100 个子任务；根据 20 个并发，DataX 计算共需要分配 4 个 TaskGroup；4个任务组平分切分好的 100 个子任务，每一个任务组负责以 5 个并发共计运行 25 个子任务。

数据源

经过多年的积累，DataX 目前已经有了比较全面的插件体系，主流的 RDBMS 数据库、NOSQL、大数据计算系统都已经接入。DataX 目前支持数据如下：

关系型数据库：包括 MySQL、Oracle、OceanBase、SQL Server、PostgreSQL、DRDS、金仓、高斯以及通用的 RDBMS 等；
阿里云数仓数据存储：包括 MaxCompute、AnalyticDB for MySQL、ADS、OSS、OCS、Hologres、AnalyticDB for PostgreSQL 等；
阿里云中间件：数据总线 DataHub、日志服务 SLS；
图数据库：阿里云 Graph Database、Neo4j；
NoSQL：阿里云 OTS、Hbase、Phoenix、MongoDB、Cassandra 等；
数仓数据存储：StarRocks、Apache Doris、ClickHouse、Databend、Hive、SelectDB 等；
无结构化数据存储：TxtFile、FTP、HDFS、Elasticsearch；
时序数据库：OpenTSDB、TSDB、TDengine。

DataX 框架提供了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。插件开发可以参考以下文章：

https://github.com/alibaba/DataX/blob/master/dataxPluginDev.md

快速体验

通过 GitHub 或者直接输入以下网址下载 DataX 工具包：

http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz

解压之后进入 bin 目录即可运行作业，作业通过配置文件进行设置，可以通过以下命令查看配置模板：

bash 复制代码

$ cd  {YOUR_DATAX_HOME}/bin

$  python datax.py -r streamreader -w streamwriter
DataX (UNKNOWN_DATAX_VERSION), From Alibaba !
Copyright (C) 2010-2015, Alibaba Group. All Rights Reserved.
Please refer to the streamreader document:
    https://github.com/alibaba/DataX/blob/master/streamreader/doc/streamreader.md 

Please refer to the streamwriter document:
     https://github.com/alibaba/DataX/blob/master/streamwriter/doc/streamwriter.md 
 
Please save the following configuration as a json file and  use
     python {DATAX_HOME}/bin/datax.py {JSON_FILE_NAME}.json 
to run the job.

{
    "job": {
        "content": [
            {
                "reader": {
                    "name": "streamreader", 
                    "parameter": {
                        "column": [], 
                        "sliceRecordCount": ""
                    }
                }, 
                "writer": {
                    "name": "streamwriter", 
                    "parameter": {
                        "encoding": "", 
                        "print": true
                    }
                }
            }
        ], 
        "setting": {
            "speed": {
                "channel": ""
            }
        }
    }
}

其中，-r 用于指定 Reader，-w用于指定 Writer，示例中两个都是 streamreader。安装目录下的 plugin 子目录包含了所有的 Reader 和 Writer。

job 目录提供了一个默认的作业配置 job.json，使用以下命令运行示例作业：

bash 复制代码

$ python datax.py ../job/job.json

2025-05-17 15:00:02.135 [job-0] INFO  JobContainer - 
任务启动时刻                    : 2025-05-17 15:00:02
任务结束时刻                    : 2025-05-17 15:00:22
任务总计耗时                    :                 20s
任务平均流量                    :               545/s
记录写入速度                    :           5000rec/s
读出记录总数                    :              100000
读写失败总数                    :                   0

其他类型的数据源也可以按照相同的方式进行配置。

除了使用命令行和配置文件的方式运行作业之外，还可以通过图形化的调度工具（例如 DataX-Web、Apache DolphinScheduler）进行管理。