深入理解DataX与SeaTunnel的核心架构_seatunnel项目架构
赞
踩
1. 引言
本文主要以 图文 的形式来总结 DataX 和 SeaTunnel 的架构和代码流程，以方便读者去了解里面的源码。首先来回顾DataX。
2. DataX
博主之前曾经写过相关的专栏《DataX专栏》，有兴趣的同学可以阅读下：
- 《DataX教程（01）- 入门》
- 《DataX教程（02）- IDEA运行DataX完整流程（填完所有的坑）》
- 《DataX教程（03）- 源码解读（超详细版）》
- 《DataX教程（04）- 配置完整解读》
- 《DataX教程（05）- DataX Web项目实践》
- 《DataX教程（06）- DataX调优》
- 《DataX教程（07）- 图解DataX任务分配及执行流程》
- 《DataX教程（08）- 监控与汇报》
- 《DataX教程（09）- DataX是如何做到限速的？》
- 《DataX教程（10）- DataX插件热插拔原理》
2.1 DataX架构
DataX的核心架构设计如下：
举个简单的例子去理解上图：用户提交了一个DataX作业，并且配置了20个并发，目的是将一个100张分表的mysql数据同步到odps里面。
DataX的调度决策思路如下：
- Step1：
DataXJob根据分库分表切分成了100个Task； - Step2：根据20个并发，
DataX计算共需要分配4个TaskGroup； - Step3：4个
TaskGroup平分切分好的100个Task，每一个TaskGroup负责以5个并发共计运行25个Task。
2.2 DataX代码执行流程
《图解DataX任务分配及执行流程》：https://yanglinwei.blog.csdn.net/article/details/122968465
关于代码层面，贴上博主之前画过的一张代码执行流程图：
上图主要有几个核心的类，它们的职责主要如下（点击类即可查看源码）：
| 类 | 职责 |
|---|---|
| JobContainer | 任务容器 |
| Reader | 读插件接口 |
| Writer | 写插件接口 |
| JobAssignUtil | 任务分配工具类 |
| AbstractScheduler | 任务调度抽象类 |
| TaskGroupContainer | 任务组容器 |
2.3 DataX存在的问题
首先说下DataX的优势，具体有如下：
- 可靠的数据质量监控：如流量、数据量运行时监控以及脏数据检测等；
- 丰富的数据转换功能：让数据在传输过程中可以轻松完成数据脱敏，补全，过滤等数据转换功能；
- 精准的速度控制：可以控制作业速度，让作业在库可以承受的范围内达到最佳的同步速度；
- …
同时开源版本的DataX也存在不足之处，例如： 不支持集群（仅支持单机多线程模式完成同步作业运行），且不支持实时处理，（如：实时数据源Kafka和大数据生态系统中的组件Flink） 。这个时候，SeaTunnel 的出现，似乎弥补了DataX的短板。
当然，实时这块也可以参考 Chunjun（FlinkX），有兴趣的可以参考之前写过的一篇文章《深度剖析FlinkX（纯钧）源码》
3. SeaTunnel
SeaTunnel：https://github.com/apache/seatunnel
SeaTunnel对自己的定义如下：下一代高性能、分布式、海量数据集成框架。
ok，我们继续来看看它的相关功能特性。
3.1 SeaTunnel架构
这是官网贴出的一个SeaTunnel简要的产品设计架构图：
上图似乎不能体现出整个 SeaTunnel 的核心流程要点，仅仅是产品的功能，对于读者来说，可能更看重的是SeaTunnel是如何做到 分布式、海量数据集成 的设计？
下面继续查看相关核心类图如下（图片来源：https://mp.weixin.qq.com/s/Hvf7TJxMEBVyvnMXVd8E_w）：
博主认为他们自研的SeaTunnel Engine才是整个SeaTunnel的核心，它由三个主要的服务组成（点击类名可以查看对应的源码）：
| 类 | 职责 |
|---|---|
| CoordinatorService | Master 服务，负责Dag的生成、Checkpoint 流程控制、资源管理以及作业指标统计与汇总 |
| TaskExecutionService | Worker服务，作业中每个task真正运行时环境 |
| SlotService | 在集群每个节点上都会运行，主要负责节点上资源的划分、申请和回收 |
3.2 SeaTunnel代码执行流程
关于SeaTunnel的架构或者和代码执行流程，似乎官网并没有贴出对应的流程设计图。
为了方便读者的理解，博主整理了SeaTunnel 代码执行图，如下：
对于CMD命令层（入口），主要分为了如下几个命令：
- seatunnel-cluster.sh：主要是用来启动SeaTunnel集群；
- seatunnel.sh：SeaTunnel客户端，主要用于提交作业至SeaTunnel集群或停止集群中运行的作业等；
- seatunnel-start-seatunnel-flink-x-connector-v2.sh：主要用于提交作业至Flink集群（注意执行脚本里面使用了
eval命令，去执行从FlinkStarter控制台打印的flink脚本命令）； - seatunnel-start-seatunnel-spark-x-connector-v2.sh：主要用于提交作业至Spark集群（注意执行脚本里面使用了
eval命令，去执行从SparkStarter控制台打印的spark脚本命令）。
执行引擎分为了如下几种：
| 引擎 | 核心类 | 描述 |
|---|---|---|
| SeaTunnel（Zeta） | SeaTunnelServer | 分为Master和Worker，Master主要用于作业Dag生成、资源管理、指标统计等。Worker主要是执行具体的任务节点，每个Worker是根据SlotProfile的IP 地址是否为本机地址来判断是否执行，具体在（org.apache.seatunnel.engine.server.dag.physical.PhysicalVertex#deploy） |
| Flink | SeaTunnelFlink | PluginExecutorProcessor类型分为Source、Sink、Transform，主要用于转义（Translation）SeaTunnel的配置为Flink可识别的配置，最后使用Flink的TableEnviorment去执行ETL任务 |
| Spark | SeaTunnelSpark | 跟Flink引擎的执行逻辑类似，PluginExecutorProcessor类型分为Source、Sink、Transform最后转义并执行ETL任务 |
4. 文末
我们会发现很多项目的设计，都是存在共同之处的，或在其它项目都有类似的设计，比如阅读了
SeaTunnel的代码，会发现有TaskGroup/Slot/ResourceManager（或许参考了DataX或Flink）、Master/Worker（或许参考了DolphinScheduler，虽然现在没有拆分）、Connector（或许参考了Chunjun或Flink）等等…
至此，本文大致讲解完了DataX以及SeaTunnel的架构与代码流程了。本文也是博主阅读源码后的一些整理，仅代表个人的观点，可能存在局限性或不足之处，欢迎大家留言评论，同时也希望能帮助到大家，谢谢大家，本文完！
