datax--分库分表mysql同步数据到hive中_datax 分库分表

作者：Gausst松鼠会 | 2024-02-25 13:44:58

踩

datax 分库分表

分库分表mysql同步数据到hive中

一、背景及问题
- 背景概括
- 修改前datax代码简化参考
二、解决

一、背景及问题

背景概括

分表100张
数据量8.6亿
需要使用datax从mysql同步至hdfs（hive）
之前是100个datax任务写入ods层的一张合并表，构建二级分区，一级是加载日期，二级是分表的编号
之前是每日全量
${}为传参
char(9) \t 水平制表符
char(10) \r 回车
char(13) \n 换行

修改前datax代码简化参考

{
    "job": { 
        "setting": {
            "speed": {
                "channel": 5
            },
                "errorLimit":{
                "record":0,
                "percentage":0
            }
        },
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "username": "${SRC_MYSQL_业务名称_USR}",
                        "password": "${SRC_MYSQL_业务名称_PWD}",
                        "connection": [
                            {
                                "querySql": [
                                    "select  
                                         id, 
                                         pro_id, 
                                         rtrim(ltrim(replace(replace(replace(device_id,char(9),''),char(10),''),char(13),''))), 
                                         '${CURRENT_FLOW_START_DAY}',
                                         ${EXECUTION_ID} 
                                    from ${SRC_MYSQL_业务名称_DB_库名称}.表名称_98"
                                ],
                                "jdbcUrl": [
                                    "${SRC_MYSQL_业务名称_URL}"
                                ]
                            }
                        ]
                    }
                },
                "writer": {
                    "name": "hdfswriter",                              
                    "parameter": { 
                        "column": [
                            {
                                "name": "id",
                                "type": "bigint"
                            },

                            {
                                "name": "pro_id",
                                "type": "bigint"
                            },

                            {
                                "name": "device_id",
                                "type": "string"
                            },

                            {
                                "name": "op_time",
                                "type": "string"
                            },
                            {
                                "name": "execution_id",
                                "type": "string"
                            }
                        ],
                        "defaultFS": "${HDFS_ROOT_URI}",
                        "fieldDelimiter": "\t",
                        "fileName": "表名称",
                        "fileType": "orc",
                        "path": "${HDFS_HV_EXTTB_ROOT}/${HIVE_DB_ODS_业务名称}/表名称/load_date=${CURRENT_FLOW_START_DAY}/record_id=98",
                        "writeMode": "append"
                    },
                    "extendScript": {
                        "post": [
                            {
                                "type":"hql",
                                "script":"ALTER TABLE ${HIVE_DB_ODS_业务名称}.表名称 ADD IF NOT EXISTS PARTITION(load_date='${CURRENT_FLOW_START_DAY}',record_id='98')"
                            }
                        ]
                    }
                }
            }
        ]
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84

二、解决

快速上手

本质：将"querysql"拆分成"column","where","table"，MysqlReader根据指定的column、table、where条件拼接SQL

改动一
- "channel"由5改为20并发task数。看自己需求调整
改动二
- 将"querySql"中的列挑选出来，放入"column"中,与"connection"同一层级记得加双引号
改动三
- 新增"where",与"connection"同一层级,将全量改为增量抽取
改动四
- 将"querySql"中的表挑选出来,放入"table"中,在"connection"下,与"jdbcUrl"同一层级将100张表放入一个脚本
改动五
- 改写hdfswriter的 “path"和"script”,去掉二级分区(原分表编号)

修改后datax代码简化参考

{
    "job": { 
        "setting": {
            "speed": {
                "channel": 20
            },
                "errorLimit":{
                "record":0,
                "percentage":0
            }
        },
        
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "username": "${SRC_MYSQL_业务名称_USR}",
                        "password": "${SRC_MYSQL_业务名称_PWD}",
                        "column": [
                           "id",
                            "pro_id",
                            "rtrim(ltrim(replace(replace(replace(device_id,char(9),''),char(10),''),char(13),'')))",
                           "update_time",
                           "${CURRENT_FLOW_START_DAY}",
                            "${EXECUTION_ID}"
                        ],
                        "where": "date_format(update_time,'%Y-%m-%d') >='${START_DATEKEY}'",
                        "connection": [
                            {
                            "table": [
                                "${SRC_MYSQL_业务名称_DB_库名称}.表名称_0",
                                。。。。。。。此处省略。。。。。。。。。
                                "${SRC_MYSQL_业务名称_DB_库名称}.表名称_99"
                                ],

                                
                                "jdbcUrl": [
                                    "${SRC_MYSQL_业务名称_URL}"
                                ]
                            }
                        ]
                    }
                },
                "writer": {
                    "name": "hdfswriter",                              
                    "parameter": { 
                        "column": [
                            {
                                "name": "id",
                                "type": "bigint"
                            },

                            {
                                "name": "pro_id",
                                "type": "bigint"
                            },

                            {
                                "name": "device_id",
                                "type": "string"
                            },

                             {
                                "name": "update_time",
                                "type": "string"
                             },
                            
                            {
                                "name": "op_time",
                                "type": "string"
                            },
                            {
                                "name": "execution_id",
                                "type": "string"
                            }
                        ],
                        "defaultFS": "${HDFS_ROOT_URI}",
                        "fieldDelimiter": "\t",
                        "fileName": "表名称",
                        "fileType": "orc",
                        "path": "${HDFS_HV_EXTTB_ROOT}/${HIVE_DB_ODS_业务名称}/表名称/load_date=${CURRENT_FLOW_START_DAY}",
                        "writeMode": "append"
                    },
                    "extendScript": {
                        "post": [
                            {
                                "type":"hql",
                                "script":"ALTER TABLE ${HIVE_DB_ODS_业务名称}.表名称 ADD IF NOT EXISTS PARTITION(load_date='${CURRENT_FLOW_START_DAY}')"
                            }
                        ]
                    }
                }
            }
        ]
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97

修改后ods层到dwd层简化参考sql

原先的全量变增量

use ${HIVE_DB_DWD_业务名称};
insert overwrite table dwd_表名称 
select 
  t.id,
  t.pro_id,
  t.device_id,

  t.update_time,
  t.op_time,
  t.execution_id,
  '${CURRENT_FLOW_START_DAY}' as load_date 
from (
        select --取当天增量数据/重跑的全部数据
            ods.id,
            ods.pro_id,
            ods.device_id,

            ods.update_time,
            ods.op_time,
            ods.execution_id
        from (select *
             from ${HIVE_DB_ODS_业务名称}.表名称
             where load_date = '${CURRENT_FLOW_START_DAY}'
               ) ods

        union all

        select --如果是增量数据,取原数据,否则,不取
            dwd.id,
            dwd.pro_id,
            dwd.device_id,
            
            dwd.update_time,
            dwd.op_time,
            dwd.execution_id
        from (select *
             from ${HIVE_DB_DWD_业务名称}.表名称
               ) dwd
        left join (select *
                       from ${HIVE_DB_ODS_业务名称}.表名称
                       where load_date = '${CURRENT_FLOW_START_DAY}' 
                    )ods
         on dwd.id=ods.id
       where ods.id is null

)t
;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

修改点参数说明

table

描述：所选取的需要同步的表。使用JSON的数组描述，因此支持多张表同时抽取。当配置为多张表时，用户自己需保证多张表是同一schema结构，MysqlReader不予检查表是否同一逻辑表。注意，table必须包含在connection配置单元中。
必选：是
默认值：无

column

描述：所配置的表中需要同步的列名集合，使用JSON的数组描述字段信息。用户使用代表默认使用所有列配置，例如[’’]。
支持列裁剪，即列可以挑选部分列进行导出。
支持列换序，即列可以不按照表schema信息进行导出。
支持常量配置，用户需要按照Mysql SQL语法格式: [“id”, “table”, “1”, “‘bazhen.csy’”, “null”, “to_char(a + 1)”, “2.3” , “true”] id为普通列名，table为包含保留在的列名，1为整形数字常量，'bazhen.csy’为字符串常量，null为空指针，to_char(a + 1)为表达式，2.3为浮点数，true为布尔值。
必选：是
默认值：无

splitPk

描述：MysqlReader进行数据抽取时，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，DataX因此会启动并发任务进行数据同步，这样可以大大提供数据同步的效能。
推荐splitPk用户使用表主键，因为表主键通常情况下比较均匀，因此切分出来的分片也不容易出现数据热点。
目前splitPk仅支持整形数据切分，不支持浮点、字符串、日期等其他类型。如果用户指定其他非支持类型，MysqlReader将报错！
如果splitPk不填写，包括不提供splitPk或者splitPk值为空，DataX视作使用单通道同步该表数据。
必选：否
默认值：空

where

描述：筛选条件，MysqlReader根据指定的column、table、where条件拼接SQL，并根据这个SQL进行数据抽取。在实际业务场景中，往往会选择当天的数据进行同步，可以将where条件指定为gmt_create > $bizdate。注意：不可以将where条件指定为limit 10，limit不是SQL的合法where子句。
where条件可以有效地进行业务增量同步。如果不填写where语句，包括不提供where的key或者value，DataX均视作同步全量数据。
必选：否
默认值：无

querySql

描述：在有些业务场景下，where这一配置项不足以描述所筛选的条件，用户可以通过该配置型来自定义筛选SQL。当用户配置了这一项之后，DataX系统就会忽略table，column这些配置型，直接使用这个配置项的内容对数据进行筛选，例如需要进行多表join后同步数据，使用select a,b from table_a join table_b on table_a.id = table_b.id
当用户配置querySql时，MysqlReader直接忽略table、column、where条件的配置，querySql优先级大于table、column、where选项。
必选：否
默认值：无

参考地址:

https://github.com/alibaba/DataX/blob/master/mysqlreader/doc/mysqlreader.md

声明：本文内容由网友自发贡献，转载请注明出处：【wpsshop】