DataX是一個(gè)在異構(gòu)的數(shù)據(jù)庫(kù)/文件系統(tǒng)之間高速交換數(shù)據(jù)的工具，實(shí)現(xiàn)了在任意的數(shù)據(jù)處理系統(tǒng)(RDBMS/Hdfs/Local filesystem)之間的數(shù)據(jù)交換，由淘寶數(shù)據(jù)平臺(tái)部門完成。Sqoop是一個(gè)用來將Hadoop和關(guān)系型數(shù)據(jù)庫(kù)中的數(shù)據(jù)相互轉(zhuǎn)移的工具，可以將一個(gè)關(guān)系型數(shù)據(jù)庫(kù)(例如 ： MySQL ,Oracle ,Postgres等)中的數(shù)據(jù)導(dǎo)進(jìn)到Hadoop的HDFS中，也可以將HDFS的數(shù)據(jù)導(dǎo)進(jìn)到關(guān)系型數(shù)據(jù)庫(kù)中。同樣是大數(shù)據(jù)異構(gòu)環(huán)境數(shù)據(jù)同步工具，二者有什么差別呢?本文轉(zhuǎn)自Dean的博客。

從接觸DataX起就有一個(gè)疑問，它和Sqoop到底有什么區(qū)別，昨天部署好了DataX和Sqoop，就可以對(duì)兩者進(jìn)行更深入的了解了。

兩者從原理上看有點(diǎn)相似，都是解決異構(gòu)環(huán)境的數(shù)據(jù)交換問題，都支持oracle，mysql，hdfs，hive的互相交換，對(duì)于不同數(shù)據(jù)庫(kù)的支持都是插件式的，對(duì)于新增的數(shù)據(jù)源類型，只要新開發(fā)一個(gè)插件就好了，但是只細(xì)看兩者的架構(gòu)圖，很快就會(huì)發(fā)現(xiàn)明顯的不同。

DataX架構(gòu)圖

Job: 一道數(shù)據(jù)同步作業(yè)

Splitter: 作業(yè)切分模塊，將一個(gè)大任務(wù)與分解成多個(gè)可以并發(fā)的小任務(wù).

Sub-job： 數(shù)據(jù)同步作業(yè)切分后的小任務(wù)

Reader(Loader): 數(shù)據(jù)讀入模塊，負(fù)責(zé)運(yùn)行切分后的小任務(wù)，將數(shù)據(jù)從源頭裝載入DataX

Storage: Reader和Writer通過Storage交換數(shù)據(jù)

Writer(Dumper): 數(shù)據(jù)寫出模塊，負(fù)責(zé)將數(shù)據(jù)從DataX導(dǎo)入至目的數(shù)據(jù)地

Sqoop架構(gòu)圖

大數(shù)據(jù)同步工具DataX與Sqoop之比較

DataX 直接在運(yùn)行DataX的機(jī)器上進(jìn)行數(shù)據(jù)的抽取及加載。

而Sqoop充分里面了map-reduce的計(jì)算框架。Sqoop根據(jù)輸入條件，生成一個(gè)map-reduce的作業(yè)，在Hadoop的框架中運(yùn)行。

從理論上講，用map-reduce框架同時(shí)在多個(gè)節(jié)點(diǎn)上進(jìn)行import應(yīng)該會(huì)比從單節(jié)點(diǎn)上運(yùn)行多個(gè)并行導(dǎo)入效率高。而實(shí)際的測(cè)試中也是如此，測(cè)試一個(gè)Oracle to hdfs的作業(yè)，DataX上只能看到運(yùn)行DataX上的機(jī)器的數(shù)據(jù)庫(kù)連接，而Sqoop運(yùn)行時(shí)，4臺(tái)task-tracker全部產(chǎn)生一個(gè)數(shù)據(jù)庫(kù)連接。調(diào)起的Sqoop作業(yè)的機(jī)器也會(huì)產(chǎn)生一個(gè)數(shù)據(jù)庫(kù)連接，應(yīng)為需要讀取數(shù)據(jù)表的一些元數(shù)據(jù)信息，數(shù)據(jù)量等，做分區(qū)。

Sqoop現(xiàn)在作為Apache的***項(xiàng)目，如果要我從DataX和Sqoop中間選擇的話，我想我還是會(huì)選擇Sqoop。而且Sqoop還有很多第三方的插件。早上使用了Quest開發(fā)的OraOop插件，確實(shí)像quest說的一樣，速度有著大幅的提升，Quest在數(shù)據(jù)庫(kù)方面的經(jīng)驗(yàn)，確實(shí)比旁人深厚。

在我的測(cè)試環(huán)境上，一臺(tái)只有700m內(nèi)存的，IO低下的oracle數(shù)據(jù)庫(kù)，百兆的網(wǎng)絡(luò)，使用Quest的Sqoop插件在4個(gè)并行度的情況下，導(dǎo)出到HDFS速度有5MB/s ，這已經(jīng)讓我很滿意了。相比使用原生Sqoop的2.8MB/s快了將近一倍，sqoop又比DataX的760KB/s快了兩倍。

另外一點(diǎn)Sqoop采用命令行的方式調(diào)用，比如容易與我們的現(xiàn)有的調(diào)度監(jiān)控方案相結(jié)合，DataX采用xml 配置文件的方式，在開發(fā)運(yùn)維上還是有點(diǎn)不方便。

附圖1.Sqoop with Quest oracle connector

大數(shù)據(jù)同步工具DataX與Sqoop之比較