Spring Boot整合DataX同步数据

我们系统的基础数据存放在EBS中，的有个基础数据同步功能，因为变化频率比较低，所以采用定时加手动的方式同步，每日凌晨三点由ETL工具同步到我们中间表，然后存储过程再处理数据。手动则是程序调用Kettle脚本同步数据到中间表没然后执行存储过程。刚开始上线时，量较小，也就几万条数据，手动同步比较快，越到后期，数据量逐渐增多，达到一百多万的基础数据，通过Kettle同步一次得花十多分钟。业务方实在无法忍受，要求我们必须优化。

当初使用Kettle的原因是处于简单、易操作，通过可视化界面先设计好脚本，获取到ktr的脚本文件，然后在程序中引入kettle-engine、metastore、kettle-core这三个kettle相关的包即可在Java程序中执行kettle的ktr脚本。当数据量上来后，Kettle确实有些力不从心了，所以，我们就换成了阿里开源的DataX。那我们就来尝试下如何整合到程序中吧？

我这边的编译环境是:Windows10、JDK1.8、Apache Maven 3.6.3,运行环境是Linux version 3.10.0-957.el7.x86_64 ,Python为Linux自带的2.7.5,JDK为1.8。

先去Github下载源码到本地使用mvn -U clean package assembly:assembly -Dmaven.test.skip=true进行编译.

编译好的压缩包有1.32GB,我们将其上传到服务器上。上传后解压，如果本机有Python环境，则不需上传。先用Python生成同步脚本模版，python datax.py -r {YOUR_READER} -w {YOUR_WRITER}，我这里是从Oracle到Oracle,进入到datax->bin目录中执行如下脚本：

python datax.py -r oraclereader -w oraclewriter > oracleetl.json

最终会生成如下模版，

我们根据自己的情况，修改即可。接下来，就是在Spring Boot中调用DataX来同步数据了。首先引入Jar

<dependency>
            <groupId>com.alibaba.datax</groupId>
            <artifactId>data-common</artifactId>
            <version>0.01-SNAPSHOT</version>
            <scope>system</scope>
            <systemPath>${project.basedir}/src/main/webapp/WEB-INF/lib/datax-common-0.0.1-SNAPSHOT.jar</systemPath>
        </dependency>
        <dependency>
            <groupId>com.alibaba.datax</groupId>
            <artifactId>data-core</artifactId>
            <version>0.01-SNAPSHOT</version>
            <scope>system</scope>
            <systemPath>${project.basedir}/src/main/webapp/WEB-INF/lib/datax-core-0.0.1-SNAPSHOT.jar</systemPath>
        </dependency>
        <dependency>
            <groupId>com.alibaba.datax</groupId>
            <artifactId>data-transformer</artifactId>
            <version>0.01-SNAPSHOT</version>
            <scope>system</scope>
            <systemPath>${project.basedir}/src/main/webapp/WEB-INF/lib/datax-transformer-0.0.1-SNAPSHOT.jar</systemPath>
        </dependency>
        <dependency>
            <groupId>org.apache.commons</groupId>
            <artifactId>commons-cli</artifactId>
            <version>1.2</version>
            <scope>system</scope>
            <systemPath>${project.basedir}/src/main/webapp/WEB-INF/lib/commons-cli-1.2.jar</systemPath>
        </dependency>

由于DataX相关的包在Maven仓库中不存在，那么只有上传到个人仓库或者直接引用本地包，我选择了后者，这几个包在编译好的datax目录中可以找到。接下来，我们编写调用代码:

System.setProperty("datax.home", DATAX_HOME); //设置datax.home路径，如我们编译的F:/DataX-master/target/datax/datax
String[] itemDatxArgs = {"-job", DATAX_HOME+"/etl_itemdata.json",          //etl 作业json配置路径
        "-mode", "standalone",
        "-jobid", "-1"};
try {
    Engine.entry(itemDatxArgs);
} catch (Throwable tb) {
    log.error("DataX执行异常:\n" + ExceptionTracker.trace(tb));
}

我来看一下运行效果:

11:26:51 [job-0] INFO  c.a.datax.core.job.JobContainer - 
任务启动时刻                    : 2022-09-26 11:25:51
任务结束时刻                    : 2022-09-26 11:26:51
任务总计耗时                    :                 60s
任务平均流量                    :            2.33MB/s
记录写入速度                    :          22254rec/s
读出记录总数                    :             1335288
读写失败总数                    :                   0

可以看到1335288条数据，60秒便同步完成。相较之前的Kettle，同步速度提升了8-10倍，而且，可以按不同组织进行同步，每个组织的数据最多也就十多万，通过DataX同步也就十几秒，业务也能够接受这个速度。为什么非要把Kettle换为DataX，这就是我自身原因，不知如何对Kettle进行调优来提升同步速度，有经验的朋友还请告知。