DataX 秀起来： 从 MySQL 同步数据到 Doris

前言

开发的过程有个任务，利用DataX从MySQL同步数据到Doris,此篇从技术验证与简单使用层面展开学习。主要以下几个方面进行学习。

1. 编译 doriswriter plugin
2. mysqlreader 写入数据到Doris
3. 性能测试
4. Bug 记录

编译 doriswriter

doriswriter 插件

https://github.com/apache/incubator-doris/tree/master/extension/DataX

步骤（按需修改源代码）

1. 从github上拉取源码（或者直接在上面地址下载包）

git clone https://github.com/apache/incubator-doris.git

不过执行 init 即可 

2. 运行 init-env.sh

主要做了下面几件事，减少了繁杂的操作。

（1）将 DataX 代码库 clone 到本地。

（2）将 doriswriter/ 目录软链到 DataX/doriswriter 目录。

（3）在 DataX/pom.xml 文件中添加doriswriter模块。

（4）将 DataX/core/pom.xml 文件中的 httpclient 版本从 4.5 改为 4.5.13（因为有bug）

1. 编译 doriswriter

（1）命令

mvn clean install -pl plugin-rdbms-util,doriswriter -DskipTests

（2）编译完地址

../target/datax/datax/


1. 把编译完的包放到plugin下即可

../datax/plugin/

1. 具体可看Doris官网

http://doris.incubator.apache.org/zh-CN/extending-doris/datax.html

MySQL同步数据到Doris

创建Doris表

CREATE TABLE `mars_micro_user_events` (
  `id` bigint,
  `user_id` bigint DEFAULT NULL ,
  `group_type` int DEFAULT NULL,
  `group_id` int DEFAULT NULL,
  `event_type` varchar(45) DEFAULT NULL,
  `event_name` varchar(45) DEFAULT NULL,
  `event_count` int DEFAULT NULL,
  `event_time` bigint DEFAULT NULL,
  `created_time` bigint DEFAULT NULL,
  `updated_time` bigint DEFAULT NULL
) ENGINE=OLAP
DUPLICATE KEY(id)
COMMENT "OLAP"
DISTRIBUTED BY HASH(id) BUCKETS 1
PROPERTIES (
"replication_num" = "3"
);

DataX 配置JSON文件 （mysqlToDoris.json）

{
  "core":{
    "transport": {
      "channel": {
        "speed": {
          "byte": 104857600,
          "record": 200000
        }
      }
    }
  },
    "job": {
        "setting": {
            "speed": {
                "channel": 1
            },
            "errorLimit": {
                "record": 0,
                "percentage": 0
            }
        },
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "username": "dev",
                        "password": "123456",
                        "connection": [
                            {
                            
                                "jdbcUrl": [
                                     "jdbc:mysql://mysql.xxx.cn:3306/event_db"
                                ],
                                "querySql": [
                                    "select id,user_id,group_type,group_id,event_type,event_name,event_time,created_time,updated_time from eventc_db.user_events where event_time>=${StartTime} and event_time<${EndTime};"
                                ]
                            }
                        ]
                    }
                },
               "writer": {
                    "name": "doriswriter",
                    "parameter": {
                        "username": "root",
                        "password": "",
                        "database": "event_db",
                        "table": "events",
                        "column": [ "id",  "group_type","group_id","event_type","event_name","event_time","created_time","updated_time"],
                        "preSql": [],
                        "postSql": [], 
                        "jdbcUrl": "jdbc:mysql://cdh3:9030/",
                        "feLoadUrl": ["cdh3:8030"],
                        "beLoadUrl": ["cdh1:8044", "cdh2:8044", "cdh3:8044"],
                        "loadProps": {
                        },
                        "maxBatchRows" : 200000,
                        "maxBatchByteSize" : 104857600,
                        "lineDelimiter": "\n"
                    }
                }
            }
        ]
    }
}

core与job参数介绍

配置	说明
core.transport.channel.speed.byte	单个channel容纳最多的字节数
core.transport.channel.speed.record	单个channel容纳最多的record数
job.setting.speed.channel	该job所需要的channel的个数
job.setting.speed.byte	该job最大的流量
job.setting.speed.record	该job最大的record流量

doriswriter 参数介绍

配置	说明
username	数据库的用户名
password	数据库的密码
database	表的数据库名称
table	表的表名称
jdbcUrl	数据库的 JDBC 连接信息
loadUrl	FE的地址用于Stream Load
feLoadUrl	FE的地址
beLoadUrl	BE的地址
column	需要写入数据的字段
preSql	写入数据到目的表前，会先执行这里的标准语句
postSql	写入数据到目的表后，会执行这里的标准语句
loadProps	Stream Load 的请求参数
maxBatchRows	每批次导入数据的最大行数
maxBatchByteSize	每批次导入数据的最大数据量
labelPrefix	每批次导入任务的 label 前缀
lineDelimiter	每批次数据包含多行，，每行的的分隔符
connectTimeout	Stream Load单次请求的超时时间, 单位毫秒

执行任务

python /opt/app/datax/bin/datax.py  /opt/app/datax/bin/mysqlToDoris.json -p "-DStartTime=1546272000000 -DEndTime=1650791448000" 

性能测试

mysql events表数据量有 8310077条

Doris FE一台机器，BE三台

CPU 8核，内存64G

测试A

配置	值
core.transport.channel.speed.byte	1048576
core.transport.channel.speed.record	10000
doriswriter maxBatchByteSize	104857600
doriswriter maxBatchRows	10000

测试B

配置	值
core.transport.channel.speed.byte	1048576
core.transport.channel.speed.record	100000
doriswriter maxBatchByteSize	104857600
doriswriter maxBatchRows	100000

测试C

配置	值
core.transport.channel.speed.byte	104857600
core.transport.channel.speed.record	100000
doriswriter maxBatchByteSize	104857600
doriswriter maxBatchRows	100000

测试D

配置	值
core.transport.channel.speed.byte	104857600
core.transport.channel.speed.record	500000
doriswriter maxBatchByteSize	104857600
doriswriter maxBatchRows	500000

挂了

测试E

配置	说明
core.transport.channel.speed.byte	104857600
core.transport.channel.speed.record	200000
doriswriter maxBatchByteSize	104857600
doriswriter maxBatchRows	200000

对于我用的测试机器，基本上维持高值3M左右

Bug 记录

1. 配置beLoadUrl地址

注意FE，BE对应版本的地址与端口号。

2. 建表语句

建Doris表的时候没有报错问题，但是执行插入的时候数据进不去。

原来的建表语句

CREATE TABLE events
(
  `id` bigint,
  `user_id` bigint ,
  `group_type` int,
  `group_id` int,
  `event_name` varchar(45),
  `event_count` int,
  `event_time` bigint,
  `created_time` bgint,
  `updated_time` bigint
)
DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id, event_name,group_id) BUCKETS 6;

修改后的

CREATE TABLE mars_micro_user_events
(
  `id` bigint,
  `user_id` bigint ,
  `group_type` int,
  `group_id` int,
  `event_name` varchar(45),
  `event_count` int,
  `event_time` bigint,
  `created_time` bigint,
  `updated_time` bigint
)
DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 6

首先了解DUPLICATE KEY 数据完全按照导入文件中的数据进行存储，不会有任何聚合。即使两行数据完全相同，也都会保留。而在建表语句中指定的 DUPLICATE KEY，只是用来指明底层数据按照那些列进行排序。

分桶列可以是多列，但必须为Key 列。在此建表语句（DUPLICATE KEY）模型下，建表是不会报错的，如果选择的是其他聚合的模型则会直接报错。

- EOF -

推荐阅读  点击标题可跳转

关注「大数据与机器学习文摘」

看精选技术文章和最新行业资讯

点赞和在看就是最大的支持❤️