Dolphinscheduler调度DataX配置

黄元章
2023-12-01

一、Reader插件和Writer插件

“reader”: {
“name”: “mysqlreader”, #从mysql数据库获取数据(也支持sqlserverreader,oraclereader)
“name”: “txtfilereader”, #从本地获取数据
“name”: “hdfsreader”, #从hdfs文件、hive表获取数据
“name”: “streamreader”, #从stream流获取数据(常用于测试)
“name”: “httpreader”, #从http URL获取数据
}
“writer”: {
“name”:“hdfswriter”, #向hdfs,hive表写入数据
“name”:"mysqlwriter ", #向mysql写入数据(也支持sqlserverwriter,oraclewriter)
“name”:"streamwriter ", #向stream流写入数据。(常用于测试)
}

二、json配置文件模板

  1. 整个配置文件是一个job的描述;

  2. job下面有两个配置项,content和setting,其中content用来描述该任务的源和目的端的信息,setting用来描述任务本身的信息;

  3. content又分为两部分,reader和writer,分别用来描述源端和目的端的信息;

  4. setting中的speed项表示同时起几个并发去跑该任务。

  5. mysql_to_hive示例
    {
    “job”: {
    “content”: [
    {
    “reader”: {
    “name”: “mysqlreader”,
    “parameter”: {
    “querySql”: “”, #自定义sql,支持多表关联,当用户配置querySql时,直接忽略table、column、where条件的配置。
    “fetchSize”: “”, #默认1024,该配置项定义了插件和数据库服务器端每次批量数据获取条数,该值决定了DataX和服务器端的网络交互次数,能够较大的提升数据抽取性能,注意,该值过大(>2048)可能造成DataX进程OOM
    “splitPk”: “db_id”, #仅支持整形型数据切分;如果指定splitPk,表示用户希望使用splitPk代表的字段进行数据分片,如果该值为空,代表不切分,使用单通道进行抽取
    “column”: [], #"*“默认所有列,支持列裁剪,列换序
    “connection”: [
    {
    “jdbcUrl”: [“jdbc:mysql://IP:3306/database?useUnicode=true&characterEncoding=utf8”],
    “table”: [] #支持多张表同时抽取
    }
    ],
    “password”: “”,
    “username”: “”,
    “where”: “” #指定的column、table、where条件拼接SQL,可以指定limit 10,也可以增量数据同步,如果该值为空,代表同步全表所有的信息
    }
    },
    “writer”: {
    “name”: “hdfswriter”,
    “parameter”: {
    “column”: [], #必须指定字段名,字段类型,{“name”:”",“tpye”:""}
    “compress”: “”, #hdfs文件压缩类型,默认不填写意味着没有压缩。其中:text类型文件支持压缩类型有gzip、bzip2;orc类型文件支持的压缩类型有NONE、SNAPPY(需要用户安装SnappyCodec)。
    “defaultFS”: “”, #Hadoop hdfs文件系统namenode节点地址。
    “fieldDelimiter”: “”, #需要用户保证与创建的Hive表的字段分隔符一致
    “fileName”: “”, #HdfsWriter写入时的文件名,需要指定表中所有字段名和字段类型,其中:name指定字段名,type指定字段类型。
    “fileType”: “”, #目前只支持用户配置为”text”或”orc”
    “path”: “”, #存储到Hadoop hdfs文件系统的路径信息,hive表在hdfs上的存储路径
    “hadoopConfig”: {} #hadoopConfig里可以配置与Hadoop相关的一些高级参数,比如HA的配置。
    “writeMode”: “” #append,写入前不做任何处理,文件名不冲突;nonConflict,如果目录下有fileName前缀的文件,直接报错。
    }
    }
    }
    ],
    “setting”: {
    “speed”: { #流量控制
    “byte”: 1048576, #控制传输速度,单位为byte/s,DataX运行会尽可能达到该速度但是不超过它
    “channel”: “” #控制同步时的并发数
    }
    “errorLimit”: { #脏数据控制
    “record”: 0 #对脏数据最大记录数阈值(record值)或者脏数据占比阈值(percentage值,当数量或百分比,DataX Job报错退出
    }
    }
    }
    }

  6. hive_to_mysql示例
    {
    “job”: {
    “content”: [
    {
    “reader”: {
    “name”: “hdfsreader”,
    “parameter”: {
    “column”: [], #"“默认所有列,指定Column信息时,type必须填写,index/value必须选择其一。
    “defaultFS”: “”, #hdfs文件系统namenode节点地址
    “encoding”: “UTF-8”, #默认UTF-8
    “nullFormat”: “”, #文本文件中无法使用标准字符串定义null(空指针),例如:nullFormat:”\N”,那么如果源头数据是”\N”
    “compress”: “”, #orc文件类型下无需填写
    “hadoopConfig”: {}, #hadoopConfig里可以配置与Hadoop相关的一些高级参数,比如HA的配置。
    “fieldDelimiter”: “,”, #默认”,";读取textfile数据时,需要指定字段分割符,HdfsReader在读取orcfile时,用户无需指定字段分割符
    “fileType”: “orc”, #文件的类型,目前只支持用户配置为”text”、”orc”、”rc”、”seq”、”csv”。
    “path”: “” #文件路径,支持多文件读取,可以使用"
    ",也可以指定通配符遍历多文件,单文件只能单线程,多文件可以多线程,线程并发数通过通道数指定
    }
    },
    “writer”: {
    “name”: “mysqlwriter”,
    “parameter”: {
    “column”: [], #必须指定,不能留空;如果要依次写入全部列,使用表示, 例如: “column”: [""],强烈不建议
    “batchSize”: “”, #默认值1024 一次性批量提交的记录数大小,该值可以极大减少DataX与Mysql的网络交互次数,并提升整体吞吐量。但是该值设置过大可能会造成DataX运行进程OOM情况。
    “connection”: [
    {
    “jdbcUrl”: “jdbc:mysql://IP:3306/database?useUnicode=true&characterEncoding=utf8”,
    “table”: [] #支持写入一个或者多个表。当配置为多张表时,必须确保所有表结构保持一致。
    }
    ],
    “password”: “”,
    “preSql”: [], #写入数据到目的表前,会先执行这里的标准语句。例在导入表前先进行删除操作:[“delete from 表名”]
    “postSql”:[], #写入数据到目的表后,会执行这里的标准语句。(原理同 preSql )
    “session”: [], #DataX在获取Mysql连接时,执行session指定的SQL语句,修改当前connection session属性
    “username”: “”,
    “writeMode”: “” #默认insert ,可选insert/replace/update
    }
    }
    }
    ],
    “setting”: {
    “speed”: {
    “channel”: “”
    }
    “errorLimit”: { #脏数据控制
    “record”: 0 #对脏数据最大记录数阈值(record值)或者脏数据占比阈值(percentage值,当数量或百分比,DataX Job报错退出
    }
    }
    }
    }

三、Datax3.0使用

trail_pigeon导入hive

#hive里面建表
CREATE TABLE ods_db_bidata.trail_pigeon ( order_id int , order_apply_time string )stored as orc tblproperties (“orc.compress”=“ZLIB”);

#建shell脚本,执行python脚本前先清空目标表
#!/bin/bash
hive_db=ods_db_bidatahive_table=trail_pigeon

hive -e “truncate table h i v e d b . {hive_db}. hivedb.{hive_table}”
python /opt/app/datax/bin/datax.py /opt/app/datax/job/mysql2hive/trail_pigeon.json

#写json配置文件{“job”: {“content”: [{“reader”: {“name”: “mysqlreader”,“parameter”: {“column”: ["*"],“splitPk”: “order_id”,“connection”: [{“jdbcUrl”: [“jdbc:mysql://ip:3306/bidata?useUnicode=true&characterEncoding=utf8”],“table”: [“trail_pigeon”]}],“password”: “password”,“username”: “username”,“where”: “”}},“writer”: {“name”: “hdfswriter”,“parameter”: {“column”: [{“name”: “order_id”,“type”: “int”},{“name”: “order_apply_time”,“type”: “string”}],“compress”: “SNAPPY”,“defaultFS”: “hdfs://192.168.0.127:8020”,“fieldDelimiter”: “\u0001”,“fileName”: “trail_pigeon”,“fileType”: “orc”,“path”: “/hive/warehouse/ods_db_bidata.db/trail_pigeon”,“writeMode”: “nonConflict”}}}],“setting”: {“speed”: {“channel”: “5”}}}}

 类似资料: