datax 数据库同步

github：https://github.com/alibaba/DataX
安装时候需要注意 安装python2.7版本，
datax\plugin\writer\mysqlwriter\libs 目录替换mysql(插件升级新的)包mysql-connector-java-8.0.26.jar
目录

一、datax简介

1.1 原理简介

1.1.1 概览

1.1.2 框架设计

1.1.3 核心架构

1.2 特点

1.3 使用场景

二、data使用方式、注意点

2.1 基本使用

2.2 数据预处理

2.2.1 transformer例子

2.2.2 已有trasformer列表

2.2.3 扩展transformer方法

2.3 流控、并发调整

2.3.1 流控、并发配置项

2.3.2 限速策略

2.4 注意点

2.4.1 部署注意事项

2.4.2 功能注意事项

三、datax如何实现离线同步、实时同步

3.1 全量同步

3.1.1 全量同步

3.1.2 增量同步

3.2 实时同步

四、datax扩展其他数据源的reader和writer

一、datax简介

1.1 原理简介
1.1.1 概览
DataX 是一个异构数据源离线同步工具，致力于实现包括关系型数据库(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。

设计理念

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。

当前使用现状

DataX在阿里巴巴集团内被广泛使用，承担了所有大数据的离线同步业务，并已持续稳定运行了6年之久。目前每天完成同步8w多道作业，每日传输数据量超过300TB。

1.1.2 框架设计

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。

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。

1.1.3 核心架构

核心模块介绍

DataX完成单个数据同步的作业，我们称之为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。

DataXJob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DataX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，进程退出值非0

DataX调度流程

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odps里面。 DataX的调度决策思路是：

DataXJob根据分库分表切分成了100个Task。

根据20个并发，DataX计算共需要分配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。

目前支持的数据源

1.2 特点
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

DataX旧版对于部分数据类型(比如时间戳)传输一直存在毫秒阶段等数据失真情况，新版本DataX3.0已经做到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

DataX3.0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DataX认为就是脏数据。DataX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大关！

丰富的数据转换功能

DataX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DataX3的transformer详细介绍。

精准的速度控制

还在为同步过程对在线存储压力影响而担心吗？新版本DataX3.0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 }

"speed": {
"channel": 5,
"byte": 1048576,
"record": 10000
}
强劲的同步性能

DataX3.0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DataX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。另外，DataX团队对所有的已经接入的插件都做了极致的性能优化，并且做了完整的性能测试。性能测试相关详情可以参照每单个数据源的详细介绍：DataX数据源指南

健壮的容错机制

DataX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DataX的基本要求，在DataX 3.0的设计中，重点完善了框架和插件的稳定性。目前DataX3.0可以做到线程级别、进程级别(暂时未开放)、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。

线程内部重试

DataX的核心插件都经过团队的全盘review，不同的网络交互方式都有不同的重试策略。

线程级别重试

目前DataX已经可以实现TaskFailover，针对于中间失败的Task，DataX框架可以做到整个Task级别的重新调度。

极简的使用体验

易用

下载即可用，支持linux和windows，只需要短短几步骤就可以完成数据的传输。请点击：Quick Start

详细

DataX在运行日志中打印了大量信息，其中包括传输速度，Reader、Writer性能，进程CPU，JVM和GC情况等等。

传输过程中打印传输速度、进度等

传输过程中会打印进程相关的CPU、JVM等

在任务结束之后，打印总体运行情况

1.3 使用场景
datax适合在异构数据库/文件系统之间高速交换数据。 主要解决批量同步问题，无法满足多数增量同步和实时同步的需求(可以实现微批次的伪实时)，且不适合超大数据量的全量同步。

二、data使用方式、注意点
2.1 基本使用
python方式调用例子 ： python D:\JAVA\datax\bin\datax.py -j"-Xms1024m -Xmx1024m" D:\JAVA\datax\bin\json123.conf

java方式调用：java -server -Xms1g -Xmx1g -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=D:\JAVA\datax/log -Xms1024m -Xmx1024m -Dloglevel=info -Dfile.encoding=UTF-8 -Dlogback.statusListenerClass=ch.qos.logback.core.status.NopStatusListener -Djava.security.egd=file:///dev/urandom -Ddatax.home=D:\JAVA\datax -Dlogback.configurationFile=D:\JAVA\datax/conf/logback.xml -classpath D:\JAVA\datax/lib/* -Dlog.file.name=5ffabc799aec48f_conf com.alibaba.datax.core.Engine -mode standalone -jobid -1 -job D:\JAVA\datax\bin\json123.conf

json案例(mysql2mysql):

{
    "job": {
        "setting": {
            "speed": {
                "channel": 10           },
            "errorLimit": {
                "record": 0,
                "percentage": 0.02
            }
        },
        "content": [{
            "reader": {
                "name": "mysqlreader",
                "parameter": {
                    "username": "remote",
                    "password": "hangzhoumeiri",
                    "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                    "splitPk": "id",
                    "connection": [{
                        "table": ["task"],
                        "jdbcUrl": ["jdbc:mysql://192.168.5.191:3306/data_operation"]
                    }]
                }
            },
            "writer": {
                "name": "mysqlwriter",
                "parameter": {
                    "username": "remote",
                    "password": "hangzhoumeiri",
                    "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                    "preSql": [""],
                    "connection": [{
                        "table": ["task"],
                        "jdbcUrl": "jdbc:mysql://192.168.11.12:3306/test"
                    }]
                }
            }
        }]
    }
}

具体的规则请参考github

2.2 数据预处理
2.2.1 transformer例子

{
   "job": {
       "setting": {
           "speed": {
               "channel": 10           },
           "errorLimit": {
               "record": 0,
               "percentage": 0.02
           }
       },
       "content": [{
           "reader": {
               "name": "mysqlreader",
               "parameter": {
                   "username": "remote",
                   "password": "hangzhoumeiri",
                   "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                   "splitPk": "id",
                   "connection": [{
                       "table": ["task"],
                       "jdbcUrl": ["jdbc:mysql://192.168.5.191:3306/data_operation"]
                   }]
               }
           },
           "writer": {
               "name": "mysqlwriter",
               "parameter": {
                   "username": "remote",
                   "password": "hangzhoumeiri",
                   "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                   "preSql": [""],
                   "connection": [{
                       "table": ["task"],
                       "jdbcUrl": "jdbc:mysql://192.168.11.12:3306/test"
                   }]
               }
           },
               "transformer": [
                   {
                       "name": "dx_substr",
                       "parameter": 
                           {
                           "columnIndex":1,
                           "paras":["1","3"]
                           }  
                   }
               ]
       }]
   }
}

2.2.2 已有trasformer列表
1、dx_substr
参数：3个
第一个参数：字段编号，对应record中第几个字段。
第二个参数：字段值的开始位置。
第三个参数：目标字段长度。
返回： 从字符串的指定位置（包含）截取指定长度的字符串。如果开始位置非法抛出异常。如果字段为空值，直接返回（即不参与本transformer）
举例：

dx_substr(1,"2","5")  column 1的value为“dataxTest”=>"taxTe"
dx_substr(1,"5","10")  column 1的value为“dataxTest”=>"Test"

2、dx_pad
参数：4个
第一个参数：字段编号，对应record中第几个字段。
第二个参数："l","r", 指示是在头进行pad，还是尾进行pad。
第三个参数：目标字段长度。
第四个参数：需要pad的字符。
返回： 如果源字符串长度小于目标字段长度，按照位置添加pad字符后返回。如果长于，直接截断（都截右边）。如果字段为空值，转换为空字符串进行pad，即最后的字符串全是需要pad的字符
举例：

         dx_pad(1,"l","4","A"), 如果column 1 的值为 xyz=> Axyz， 值为 xyzzzzz => xyzz
         dx_pad(1,"r","4","A"), 如果column 1 的值为 xyz=> xyzA， 值为 xyzzzzz => xyzz

3、dx_replace
参数：4个
第一个参数：字段编号，对应record中第几个字段。
第二个参数：字段值的开始位置。
第三个参数：需要替换的字段长度。
第四个参数：需要替换的字符串。
返回： 从字符串的指定位置（包含）替换指定长度的字符串。如果开始位置非法抛出异常。如果字段为空值，直接返回（即不参与本transformer）
举例：

dx_replace(1,"2","4","****")  column 1的value为“dataxTest”=>"da****est"
dx_replace(1,"5","10","****")  column 1的value为“dataxTest”=>"data****"

4、dx_filter （关联filter暂不支持，即多个字段的联合判断，函参太过复杂，用户难以使用。）
参数：
第一个参数：字段编号，对应record中第几个字段。
第二个参数：运算符，支持一下运算符：like, not like, >, =, <, >=, !=, <=
第三个参数：正则表达式（java正则表达式）、值。
返回：
如果匹配正则表达式，返回Null，表示过滤该行。不匹配表达式时，表示保留该行。（注意是该行）。对于>=<都是对字段直接compare的结果.
like ， not like是将字段转换成String，然后和目标正则表达式进行全匹配。
, =, <, >=, !=, <= 对于DoubleColumn比较double值，对于LongColumn和DateColumn比较long值，其他StringColumn，BooleanColumn以及ByteColumn均比较的是StringColumn值。

如果目标colunn为空（null），对于 = null的过滤条件，将满足条件，被过滤。！=null的过滤条件，null不满足过滤条件，不被过滤。 like，字段为null不满足条件，不被过滤，和not like，字段为null满足条件，被过滤。
举例：

dx_filter(1,"like","dataTest")  
dx_filter(1,">=","10")  

5、dx_groovy
参数。
第一个参数： groovy code
第二个参数（列表或者为空）：extraPackage
备注：
dx_groovy只能调用一次。不能多次调用。
groovy code中支持java.lang, java.util的包，可直接引用的对象有record，以及element下的各种column（BoolColumn.class,BytesColumn.class,DateColumn.class,DoubleColumn.class,LongColumn.class,StringColumn.class）。不支持其他包，如果用户有需要用到其他包，可设置extraPackage，注意extraPackage不支持第三方jar包。
groovy code中，返回更新过的Record（比如record.setColumn(columnIndex, new StringColumn(newValue));），或者null。返回null表示过滤此行。
用户可以直接调用静态的Util方式（GroovyTransformerStaticUtil），目前GroovyTransformerStaticUtil的方法列表 (按需补充)：
举例:

groovy 实现的subStr:

        String code = "Column column = record.getColumn(1);\n" +
                " String oriValue = column.asString();\n" +
                " String newValue = oriValue.substring(0, 3);\n" +
                " record.setColumn(1, new StringColumn(newValue));\n" +
                " return record;";
        dx_groovy(record);

groovy 实现的Replace

String code2 = "Column column = record.getColumn(1);\n" +
                " String oriValue = column.asString();\n" +
                " String newValue = \"****\" + oriValue.substring(3, oriValue.length());\n" +
                " record.setColumn(1, new StringColumn(newValue));\n" +
                " return record;";
                
groovy 实现的Pad
String code3 = "Column column = record.getColumn(1);\n" +
                " String oriValue = column.asString();\n" +
                " String padString = \"12345\";\n" +
                " String finalPad = \"\";\n" +
                " int NeedLength = 8 - oriValue.length();\n" +
                "        while (NeedLength > 0) {\n" +
                "\n" +
                "            if (NeedLength >= padString.length()) {\n" +
                "                finalPad += padString;\n" +
                "                NeedLength -= padString.length();\n" +
                "            } else {\n" +
                "                finalPad += padString.substring(0, NeedLength);\n" +
                "                NeedLength = 0;\n" +
                "            }\n" +
                "        }\n" +
                " String newValue= finalPad + oriValue;\n" +
                " record.setColumn(1, new StringColumn(newValue));\n" +
                " return record;";

2.2.3 扩展transformer方法
1、在com.alibaba.datax.core.transport.transformer下新增Transformer类继承Transformer抽象类并实现evaluate方法以及构造方法确认transformerName;
2、在com.alibaba.datax.core.transport.transformer下的TransformerRegistry类的static方法中将刚刚新增的transformer类的对象注册到registedTransformer中;

例子如下：
1、新增一个JqkTransformer类，将特定下标列的字段改写成jqk这个字符串

public class JqkTransformer extends Transformer {
 
    public JqkTransformer() {
        setTransformerName("dx_jqk");
    }
    @Override
    public Record evaluate(Record record, Object... paras) {
 
        int columnIndex;
        try {
            if (paras.length != 1) {
                throw new RuntimeException("dx_jqk paras must be 4");
            }
 
            columnIndex = (Integer) paras[0];
        } catch (Exception e) {
            throw DataXException.asDataXException(TransformerErrorCode.TRANSFORMER_ILLEGAL_PARAMETER, "paras:" + Arrays.asList(paras).toString() + " => " + e.getMessage());
        }
 
 
        record.setColumn(columnIndex, new StringColumn("jqk"));
        return record;
    }
}

2、将JqkTransformer类的对象注册到registedTransformer中

static {
        /**
         * add native transformer
         * local storage and from server will be delay load.
         */
 
        // JqkTransformer注册进去
        registTransformer(new JqkTransformer());
        registTransformer(new SubstrTransformer());
        registTransformer(new PadTransformer());
        registTransformer(new ReplaceTransformer());
        registTransformer(new FilterTransformer());
        registTransformer(new GroovyTransformer());
 
    }
    
3、transformer使用
{
    "job": {
        "setting": {
            "speed": {
                "channel": 10           
                },
            "errorLimit": {
                "record": 0,
                "percentage": 0.02
            }
        },
        "content": [{
            "reader": {
                "name": "mysqlreader",
                "parameter": {
                    "username": "remote",
                    "password": "hangzhoumeiri",
                    "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                    "splitPk": "id",
                    "connection": [{
                        "table": ["task"],
                        "jdbcUrl": ["jdbc:mysql://192.168.5.191:3306/data_operation"]
                    }]
                }
            },
            "writer": {
                "name": "mysqlwriter",
                "parameter": {
                    "username": "remote",
                    "password": "hangzhoumeiri",
                    "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                    "preSql": [""],
                    "connection": [{
                        "table": ["task"],
                        "jdbcUrl": "jdbc:mysql://192.168.11.12:3306/test"
                    }]
                }
            },
                "transformer": [
                    {
                        "name": "dx_substr",
                        "parameter": 
                            {
                            "columnIndex":1,
                            "paras":["1","3"]
                            }  
                    },{
                        "name": "dx_jqk",
                        "parameter": 
                            {
                            "columnIndex":3                            
                            }  
                    }
                ]
        }]
    }
}

2.3 流控、并发调整
2.3.1 流控、并发配置项

job.setting.speed.channel : channel并发数 
 
job.setting.speed.record : 全局配置channel的record限速(默认值为100000) 
 
job.setting.speed.byte：全局配置channel的byte限速 (默认值为10M)
 
core.transport.channel.speed.record：单channel的record限速 
 
core.transport.channel.speed.byte：单channel的byte限速

ChannelNum =${job.setting.speed.byte} / ${core.transport.channel.speed.byte} = ${job.setting.speed.record} / ${core.transport.channel.speed.record} = ${job.setting.speed.channel}

这里涉及到2个文件，一个是../datax/conf/core.json，这个文件种可以配置core.transport.channel.speed.record和core.transport.channel.speed.byte这两个参数；另一个是用户自己提交的datax执行的json文件，里面可以配置job.setting.speed.channel、job.setting.speed.record、job.setting.speed.byte三个参数。

2.3.2 限速策略
channelNum 优先根据byte和record的配置决定，其次由channel配置决定，逻辑伪码如下

int needChannelNumberByByte = Integer.MAX_VALUE;
int needChannelNumberByRecord = Integer.MAX_VALUE;
 
needChannelNumberByByte =
        (int) (globalLimitedByteSpeed / channelLimitedByteSpeed);
        
needChannelNumberByRecord =
                    (int) (globalLimitedRecordSpeed / channelLimitedRecordSpeed);
                    
// 取较小值
this.needChannelNumber = needChannelNumberByByte < needChannelNumberByRecord ?
                needChannelNumberByByte : needChannelNumberByRecord;
 
if (this.needChannelNumber < Integer.MAX_VALUE) {
            return;
}
 
this.needChannelNumber = this.configuration.getInt(
                    CoreConstant.DATAX_JOB_SETTING_SPEED_CHANNEL);

举个例子(这里配置了全局byte限速是200K，单个channel限速在core.json里配了是100K)

{
    "job": {
        "setting": {
            "speed": {
                "byte": 204800
                },
            "errorLimit": {
                "record": 0,
                "percentage": 0.02
            }
        },
        "content": [{
            "reader": {
                "name": "mysqlreader",
                "parameter": {
                    "username": "remote",
                    "password": "hangzhoumeiri",
                    "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                    "splitPk": "id",
                    "connection": [{
                        "table": ["task"],
                        "jdbcUrl": ["jdbc:mysql://192.168.5.191:3306/data_operation"]
                    }]
                }
            },
            "writer": {
                "name": "mysqlwriter",
                "parameter": {
                    "username": "remote",
                    "password": "hangzhoumeiri",
                    "column": ["`id`", "`taskName`", "`templateId`", "`paramJson`", "`userId`", "`status`", "`jobs`", "`stage`", "`progress`", "`dataFilePath`", "`is_deleted`", "`create_time`", "`last_update_time`", "`result`", "`job_ids`", "`syn`", "`end_run_time`", "`start_run_time`", "`expect_execute_time`", "`task_info`", "`scheduler_task_id`"],
                    "preSql": [""],
                    "connection": [{
                        "table": ["task"],
                        "jdbcUrl": "jdbc:mysql://192.168.11.12:3306/test"
                    }]
                }
            }
        }]
    },
        "core": {
        "dataXServer": {
            "address": "http://localhost:7001/api",
            "timeout": 10000,
            "reportDataxLog": false,
            "reportPerfLog": false
        },
        "transport": {
            "channel": {
                "class": "com.alibaba.datax.core.transport.channel.memory.MemoryChannel",
                "speed": {
                    "byte": 102400                
                    },
                "flowControlInterval": 20,
                "capacity": 512,
                "byteCapacity": 67108864
            },
            "exchanger": {
                "class": "com.alibaba.datax.core.plugin.BufferedRecordExchanger",
                "bufferSize": 32
            }
        },
        "container": {
            "job": {
                "reportInterval": 10000
            },
            "taskGroup": {
                "channel": 5
            },
            "trace": {
                "enable": "true"
            }
 
        },
        "statistics": {
            "collector": {
                "plugin": {
                    "taskClass": "com.alibaba.datax.core.statistics.plugin.task.StdoutPluginCollector",
                    "maxDirtyNumber": 10
                }
            }
        }
    }
}

2.4 注意点
2.4.1 部署注意事项
1、使用的python版本目前必须为2.x，最好是2.6.x；当python版本为3.x时，会报错(主要是print语法)

2.4.2 功能注意事项
1、目前开源版本只支持单机模式，需要依赖调度系统（后面会有文章介绍依赖azkaban调度的方式，在每个节点上部署客户端）

2、写入hdfs时，写入的hdfs路径必须存在（可以后期修改源代码，或者使用脚本生成）

3、同一个配置文件中不支持同时写入不同的数据源

三、datax如何实现离线同步、实时同步
3.1 全量同步
3.1.1 全量同步
datax默认支持的方式就是全量同步

3.1.2 增量同步
datax目前仅对部分数据源支持了增量同步，以mysql为例，需要表存在create_time字段，例子如下

{
  "job": {
    "setting": {
      "speed": {
        "channel": 16
      }
    },
    "content": [
      {
        "reader": {
          "name": "oraclereader",
          "parameter": {
            "splitPk": "id",
            "username": "yibo",
            "password": "yibo123",
            "column": [
              "*"
 
            ],
            "connection": [
              {
                
                "jdbcUrl": [
                  "jdbc:oracle:thin:@10.91.1.5:1521:gzfy"
                ],
                "querySql": [
        "select * from tb_lis_indicators where trunc(create_date) > to_date(${createdate}, 'yyyy/mm/dd') "
                                ]
              }
            ]
          }
        },
        "writer": {
          "name": "mysqlwriter",
          "parameter": {
           
            "username": "root",
            "password": "123456",
            "column": [
              "*"
            ],
            "batchSize": "4096",
            "connection": [
              {
                "jdbcUrl": "jdbc:mysql://10.91.1.4:3306/yibo",
                "table": [
                  "TB_LIS_INDICATORS"
                ]
              }
            ]
          }
        }
      }
    ]
  }
}

调用：python datax.py -p "-Dcreatedate='2019/03/1'" datax.json

3.2 实时同步
第一种方案 ： Mysql binlog -> Canal -> Kafka → datax KafkaReader -> datax Writer -> other source

缺点比较明显，只支持mysql到其他数据源的同步

KafkaReader 参考：https://github.com/crabo/kafka-sqlreader-datax

第二种方案：借助FlinkX（https://github.com/DTStack/flinkx）

优点：

支持实时采集 MySQL binlog 和 Kafka
类似于 DataX 插件化开发，支持异构数据源
支持断点续传
支持脏数据管理
分布式
缺点

需要 Flink 集群
FlinkX 开源社区维护

四、datax扩展其他数据源的reader和writer
参考：

https://blog.csdn.net/lw277232240/article/details/90903251

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

总结：

1、github下载datax源码。

2、本地解压导入IDEA。

3、按照他原有的module创建需要的module，比如redisHashreader。

4、将任意原有模块的plugin.json和plugin_job_template.json拷贝到redisHashreader的resource目录下,并进行修改。

5、修改pom.xml，新增要实现的数据库或文件系统需要的依赖。

6、修改redisHashreader中的package.xml，将其中的reader改成redisHashreader。

7、在最外层的package.xml加上redisHashreader相应的fileSet元素。

8、定义好自己的reader需要用户传哪些参数进行处理，并实现redisHashreader类继承Reader抽象类,重写init()和split()方法，新增静态内部Task类继承Reader.Task抽象类，重写init()和startRead()方法

9、maven命令打包项目模块

10、打包后将相应的包上传到集群的datax对应的plugin下的相应目录

11、写好配置json并通过python命令或者java命令运行