技术编程|图解 DataX 核心设计原理技术编程

DataX 是阿里巴巴开源的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。
前段时间我在 K8s 相关文章中有提到过数据同步的项目，该项目就是基于 DataX 内核构建的，由于公司数据同步的需求，还需要在 DataX 原有的基础上支持增量同步功能，同时支持分布式调度，在「使用 K8s 进行作业调度实战分享」这篇文章中已经详细描述其中的实现。
基于我在项目中对 DataX 的实践过程，给大家分享我所理解的 DataX 核心设计原理。设计理念
异构数据源离线同步是将源端数据同步到目的端，但是端与端的数据源类型种类繁多，在没有 DataX 之前，端与端的链路将组成一个复杂的网状结构，非常零散无法将同步核心逻辑抽象出来， DataX 的理念就是作为一个同步核心载体连接连接各类数据源，当我们需要数据同步时，只需要以插件的形式接入到 DataX 即可，将复杂的网状结构链路变成了一个星型结构，如下图所示：

文章图片
架构设计
用过 IDEA 的小伙都知道， IDEA 有很多非常棒的插件，用户可根据自身编程需求，下载相关的插件， DataX 也是使用这种可插拔的设计，采用了 Framework + Plugin 的架构设计，如下图所示：

文章图片
有了插件， DataX 可支持任意数据源到数据源，只要实现了 Reader/Writer Plugin ，官方已经实现了主流的数据源插件，比如 MySQL、Oracle、SQLServer 等，当然我们也可以开发一个 DataX 插件。核心概念
DataX 核心主要由 Job、Task Group、Task、Channel 等概念组成：
1、Job
在 DataX 中用来描述一个源端到一个目的端的同步作业，是 DataX 数据同步面向用户的最小业务单元。一个Job 对应一个 JobContainer ， JobContainer 负责 Job 的全局切分、调度、前置语句和后置语句等工作。
2、Task Group
一组 Task 的集合，根据 DataX 的公平分配策略，公平地分配 Task 到对应的 TaskGroup 中。一个 TaskGroup 对应一个 TaskGroupContainer ，负责执行一组 Task 。
3、Task
Job 的最小执行单元，一个 Job 可根据 Reader 端切分策略，且分成若干个 Task ，以便于并发执行。
【技术编程|图解 DataX 核心设计原理】Job、Task Group、Task 三者之间的关系可以用如下图表示：

文章图片
根据切分策略将一个 Job 切分成多个 Task ，根据分配策略将多个 Task 组成一个 TaskGroup 。
4、Channel
DataX 会单独启动一条线程运行运行一个 Task ，而 Task 会持有一个 Channel ，用作 Reader 与 Writer 的数据传输媒介， DataX 的数据流向都是按照 Reader—>Channel—>Writer 的方向流转，用如下图表示：

文章图片
Channel 作为传输通道，即能充当缓冲层，同时还能对数据传输进行限流操作。
5、Transformer
DataX 的 transformer 模式同时还提供了强大的数据转换功能， DataX 默认提供了丰富的数据转换实现类，用户还可以根据项目自身需求，扩展数据转换。

文章图片
调度流程
DataX 将用户的 job.json 同步作业配置解析成一个 Job ， DataX 通过 JobContainer 完成全局切分、调度、前置语句和后置语句等工作，整体调度流程用如下图表示：

文章图片
1、切分策略
1）计算并发量（即 needChannelNumber 大小）
DataX有流控模式，其中，可以设置 bps 限速， tps 限速：