一款强大的可视化分布式数据同步工具

2021-11-17 11:31:15 浏览数 (1)

DataX Web 是在 DataX 之上开发的分布式数据同步工具，提供简单易用的 操作界面，降低用户使用 DataX 的学习成本，缩短任务配置时间，避免配置过程中出错。用户可通过页面选择数据源即可创建数据同步任务，支持 RDBMS、Hive、HBase、ClickHouse、MongoDB 等数据源，RDBMS 数据源可批量创建数据同步任务，支持实时查看数据同步进度及日志并提供终止同步功能，集成并二次开发 xxl-job 可根据时间、自增主键增量同步数据。

任务"执行器"支持集群部署，支持执行器多节点路由策略选择，支持超时控制、失败重试、失败告警、任务依赖，执行器 CPU.内存.负载的监控等等。后续还将提供更多的数据源支持、数据转换 UDF、表结构同步、数据同步血缘等更为复杂的业务场景。

Github 地址 : https://github.com/WeiYe-Jing/datax-web

架构图

环境要求

  • Language: Java 8（jdk 版本建议 1.8.201 以上） Python2.7(支持 Python3 需要修改替换 datax/bin 下面的三个 python 文件，替换文件在 doc/datax-web/datax-python3 下)
  • Environment: MacOS, Windows,Linux
  • Database: Mysql5.7

特性

  • 1、通过 Web 构建 DataX Json；
  • 2、DataX Json 保存在数据库中，方便任务的迁移，管理；
  • 3、Web 实时查看抽取日志，类似 Jenkins 的日志控制台输出功能；
  • 4、DataX 运行记录展示，可页面操作停止 DataX 作业；
  • 5、支持 DataX 定时任务，支持动态修改任务状态、启动/停止任务，以及终止运行中任务，即时生效；
  • 6、调度采用中心式设计，支持集群部署；
  • 7、任务分布式执行，任务"执行器"支持集群部署；
  • 8、执行器会周期性自动注册任务, 调度中心将会自动发现注册的任务并触发执行；
  • 9、路由策略：执行器集群部署时提供丰富的路由策略，包括：第一个、最后一个、轮询、随机、一致性 HASH、最不经常使用、最近最久未使用、故障转移、忙碌转移等；
  • 10、阻塞处理策略：调度过于密集执行器来不及处理时的处理策略，策略包括：单机串行（默认）、丢弃后续调度、覆盖之前调度；
  • 11、任务超时控制：支持自定义任务超时时间，任务运行超时将会主动中断任务；
  • 12、任务失败重试：支持自定义任务失败重试次数，当任务失败时将会按照预设的失败重试次数主动进行重试；
  • 13、任务失败告警；默认提供邮件方式失败告警，同时预留扩展接口，可方便的扩展短信、钉钉等告警方式；
  • 14、用户管理：支持在线管理系统用户，存在管理员、普通用户两种角色；
  • 15、任务依赖：支持配置子任务依赖，当父任务执行结束且执行成功后将会主动触发一次子任务的执行, 多个子任务用逗号分隔；
  • 16、运行报表：支持实时查看运行数据，以及调度报表，如调度日期分布图，调度成功分布图等；
  • 17、指定增量字段，配置定时任务自动获取每次的数据区间，任务失败重试，保证数据安全；
  • 18、页面可配置 DataX 启动 JVM 参数；
  • 19、数据源配置成功后添加手动测试功能；
  • 20、可以对常用任务进行配置模板，在构建完 JSON 之后可选择关联模板创建任务；
  • 21、jdbc 添加 hive 数据源支持，可在构建 JSON 页面选择数据源生成 column 信息并简化配置；
  • 22、优先通过环境变量获取 DataX 文件目录，集群部署时不用指定 JSON 及日志目录；
  • 23、通过动态参数配置指定 hive 分区，也可以配合增量实现增量数据动态插入分区；
  • 24、任务类型由原来 DataX 任务扩展到 Shell 任务、Python 任务、PowerShell 任务；
  • 25、添加 HBase 数据源支持，JSON 构建可通过 HBase 数据源获取 hbaseConfig，column；
  • 26、添加 MongoDB 数据源支持，用户仅需要选择 collectionName 即可完成 json 构建；
  • 27、添加执行器 CPU、内存、负载的监控页面；
  • 28、添加 24 类插件 DataX JSON 配置样例
  • 29、公共字段（创建时间，创建人，修改时间，修改者）插入或更新时自动填充
  • 30、对 swagger 接口进行 token 验证
  • 31、任务增加超时时间，对超时任务 kill datax 进程，可配合重试策略避免网络问题导致的 datax 卡死。
  • 32、添加项目管理模块，可对任务分类管理；
  • 33、对 RDBMS 数据源增加批量任务创建功能，选择数据源，表即可根据模板批量生成 DataX 同步任务；
  • 34、JSON 构建增加 ClickHouse 数据源支持；
  • 35、执行器 CPU.内存.负载的监控页面图形化；
  • 36、RDBMS 数据源增量抽取增加主键自增方式并优化页面参数配置；
  • 37、更换 MongoDB 数据源连接方式,重构 HBase 数据源 JSON 构建模块；
  • 38、脚本类型任务增加停止功能；
  • 39、rdbms json 构建增加 postSql，并支持构建多个 preSql，postSql；
  • 40、数据源信息加密算法修改及代码优化；
  • 41、日志页面增加 DataX 执行结果统计数据；

实战

  • Quick Start
  • Linux：一键部署

1.执行器配置(使用开源项目 xxl-job)

1、"调度中心 OnLine:"右侧显示在线的"调度中心"列表, 任务执行结束后, 将会以 failover 的模式进行回调调度中心通知执行结果, 避免回调的单点风险;

2、"执行器列表" 中显示在线的执行器列表, 可通过"OnLine 机器"查看对应执行器的集群机器;

执行器属性说明 ：

1、AppName : （与 datax-executor 中 application.yml 的 datax.job.executor.appname 保持一致） 每个执行器集群的唯一标示 AppName, 执行器会周期性以 AppName 为对象进行自动注册。可通过该配置自动发现注册成功的执行器, 供任务调度时使用;2、名称 : 执行器的名称, 因为 AppName 限制字母数字等组成,可读性不强, 名称为了提高执行器的可读性;3、排序 : 执行器的排序, 系统中需要执行器的地方,如任务新增, 将会按照该排序读取可用的执行器列表;4、注册方式 ：调度中心获取执行器地址的方式；自动注册：执行器自动进行执行器注册，调度中心通过底层注册表可以动态发现执行器机器地址；手动录入：人工手动录入执行器的地址信息，多地址逗号分隔，供调度中心使用；5、机器地址 ："注册方式"为"手动录入"时有效，支持人工维护执行器的地址信息；

2.创建数据源

第四步使用

3.创建任务模版

4. 构建 JSON 脚本

1.步骤一，步骤二，选择第二步中创建的数据源，JSON 构建目前支持的数据源有 hive,mysql,oracle,postgresql,sqlserver,hbase,mongodb,clickhouse 其它数据源的 JSON 构建正在开发中,暂时需要手动编写。

2.字段映射

3.点击构建，生成 json,此时可以选择复制 json 然后创建任务，选择 datax 任务，将 json 粘贴到文本框。也可以点击选择模版，直接生成任务。

5.批量创建任务

6.任务创建介绍（关联模版创建任务不再介绍，具体参考 4. 构建 JSON 脚本）

支持 DataX 任务,Shell 任务，Python 任务，PowerShell 任务

  • 阻塞处理策略：调度过于密集执行器来不及处理时的处理策略；
    • 单机串行：调度请求进入单机执行器后，调度请求进入 FIFO 队列并以串行方式运行；
    • 丢弃后续调度：调度请求进入单机执行器后，发现执行器存在运行的调度任务，本次请求将会被丢弃并标记为失败；
    • 覆盖之前调度：调度请求进入单机执行器后，发现执行器存在运行的调度任务，将会终止运行中的调度任务并清空队列，然后运行本地调度任务；
  • 增量增新建议将阻塞策略设置为丢弃后续调度或者单机串行
    • 设置单机串行时应该注意合理设置重试次数(失败重试的次数*每次执行时间<任务的调度周期)，重试的次数如果设置的过多会导致数据重复，例如任务 30 秒执行一次，每次执行时间需要 20 秒，设置重试三次，如果任务失败了，第一个重试的时间段为 1577755680-1577756680，重试任务没结束，新任务又开启，那新任务的时间段会是 1577755680-1577758680
  • 增量参数设置
  • 分区参数设置

7. 任务列表

8. 可以点击查看日志，实时获取日志信息,终止正在执行的 datax 进程

9.任务资源监控

10. admin 可以创建用户，编辑用户信息

UI

前端 github 地址：https://github.com/WeiYe-Jing/datax-web-ui

linux json python hbase 全文检索

0 人点赞