一、Datax簡介
DataX 是一個異構數據源離線同步工具，致力於實現包括關系型數據庫(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各種異構數據源之間穩定高效的數據同步功能。
二、框架設計
DataX本身作為離線數據同步框架，采用Framework + plugin架構構建。將數據源讀取和寫入抽象成為Reader/Writer插件，納入到整個同步框架中。
- Reader：Reader為數據采集模塊，負責采集數據源的數據，將數據發送給Framework。
- Writer： Writer為數據寫入模塊，負責不斷向Framework取數據，並將數據寫入到目的端。
- Framework：Framework用於連接reader和writer，作為兩者的數據傳輸通道，並處理緩沖，流控，並發，數據轉換等核心技術問題。
三、簡單的調研
前段時間，簡單的調研了一下datax，主要通過抽取速度、抽取數據的穩定性，抽取日志，增量抽取等方面進行了datax和kettle之間的對比
3.1抽取速度
先后采用datax和kettle抽取382萬左右的數據：從oracle抽取到mysql
datax需要2分30秒：
kettle需要21分鍾：
而將數據量增加至千萬級別時：大概1864萬左右的數據
datax需要21分鍾左右：
kettle需要2小時58分：
以上datax是在channel為1的情況下測試的，即單線程抽取
3.2抽取日志
日志方面，datax和kettle的日志都是比較好的。不過，當datax的job失敗時，他的日志更加人性化一點：
提供了任務失敗的可能原因：
3.3抽取穩定性
當我們使用kettle從mysql抽取數據導入到hdfs上時，存在丟數據的情況。
對於datax，目前我們處於調研階段，只是運行了個demo，並不能確定是否存在丟數據的情況。目前未發現網上有說丟數據的情況
3.4增量抽取
增量抽取一般會先從我們自己的數據庫中查詢出最大的增量標識（一般為id或時間）,再從數據源中抽取大於最大標識的數據。
在增量方面，kettle還是支持的很好，但datax缺乏對增量更新的內置支持
kettle可以使用工作流的形式，先查詢出目標表的最大值，把這個值作為一個變量傳入下一個階段中。
datax：因為datax的job是一個json文件來描述的，增量抽取的where條件需要動態傳入，動態修改json文件不是很方便。所以網上的解決辦法是在json中的where條件使用占位符，並通過shell腳本來動態傳入最大值。
具體可以參考以下兩篇博文：
https://blog.csdn.net/quadimodo/article/details/82186788
http://ju.outofmemory.cn/entry/360202
3.5動態感知namenode的切換
使用kettle往hdfs上導數據時，namenode的地址是在kettle.properties配置文件中配的，所以當我們的集群重啟時，namenode有可能發生切換，導致kettle導數據任務失敗
而datax往hdfs上導數據時，可以配置namenode 的HA：
3.6其他
當然kettle還有一個優勢是有一個可視化界面，我們在服務器中通過vnc可以界面化操作
四、增量更新的思路
網上提供了一種思路是通過shell腳本來實現的，當然，更重要的是我們已有的增量更新中，不僅有用時間來做增量的，還有通過自增id來抽取的，不同的任務不一樣
所以最好是讓用戶直接配置他們想要的增量字段，通過用戶的配置字段確認需要更新的數據范圍，實現kettle的那一套。
我在網上找了一個開源項目，雖然跟我們的需求有點不一樣，但改改就可以了
https://github.com/Jawf/DataX-Migration
這個項目我大致看了一下，它是將一個庫中的表抽取到另一個庫中，里面有些是需要改動的地方：
1.在配置文件中，他會取imformation.scheme庫中，通過Table表和Column表去查詢源數據庫的對應表的元數據信息，但里面的查詢sql語句是在配置文件中配的，所以在程序中需要動態維護需要導的表名，即執行sql時，需要replace對應的字符串
2.目標數據庫中的表是不會自動創建的，需要手動提前創建好