DataX Web可视化的数据同步ETL工具

因项目需要，结合目前参与的项目，以及个人技术能力范围，组合研发一套web可视化数据同步系统，正式名称：DataHamal（数据搬运工）。

项目背景：接触过阿里云这类大数据平台，对于中大型项目以及需要与外部系统对接数据的情况下，几乎都需要数据共享/分析处理/ETL同步等功能。

避免重复造轮子，首页了解了一番目前成熟的kettle这类，存在一些问题，要不是商业，要不就是主流容器化支持不太好，没有Web管理控制台等等，总之开源上想使用一款体验好，技术主流，部署简单，功能稳定来说比较困难，通常都无法直接拿过来用，多多少少有很多不足之处需要二次开发，而且设计成型跨开发语言难以二开，而且程序组件都是分散的，这里装一个那里装一个，因此决定组合一套成熟技术，开发一个通用性的数据同步系统，引入了一些开源优秀框架，其中核心组件1.XXLJob分布式调度，用于分布式调度执行节点；2.DataX阿里云DataWorks商业版本的开源版本，因为使用过DataWorks对DataX的插件设计思路很感兴趣，支持各种异构数据源同步，专业的，详情百度了解，最后打包成docker镜像，只要你有一个docker环境和mysql数据库就可以跑起来，运行非常简单。

整体架构设计思路：

1.支持容器化Docker一键部署，快速交付；

2.嘿嘿，必须是java开发语言，熟悉的SpringBoot搭建的管理后台；

3.开发两个服务1个是admin，一个是node执行器，admin负责调度，node负责执行任务；

4.admin和node分别通过源码的方式集成XxlJob的admin和client，有少许的源码改造工作，尽量保留xxljob的原汁原味，方便后期升级；node单独集成DataX3.0一起打包，admin和node会独立打包的docker镜像。

5.非必要技术一概不要，目前快速交付需要的环境：1.docker环境；2.admin镜像；3.node镜像；4.mysql数据库，是不是很简单，心动的感觉。

先上图：

1.登录

2.任务调度

 3.数据集成

4.配置调度

 5.数据开发

 6.Docker容器化部署，rancher平台托管

 图太多，先贴这么多，以下对功能需求介绍如下：

1.执行调度（这个不多介绍了，熟悉XXLJob的同学一看就知道，还是熟悉的味道，熟悉的配方，完美复刻（好吧有改造的成分））

2.数据集成（重点，用过阿里云DataWorks的同学能够感受到熟悉的感觉，没错参考核心的几个DataWorks操作）

2.1 离线同步 - 基础功能

　　主要负责异构数据源的数据同步，目前UI上只支持关系型数据库，设计上支持扩展，底层逻辑是，设计出DataX所需要的JSON，给到调度，调度发送给Node节点，Node节点丢给DataX去执行就好了，执行日志全部通过XxlJob的方式输出，UI上面为了体验友好做了改造，启动执行立刻弹出日志窗口，增加暂停/继续刷新和弹出窗终止任务等实用功能，体验上单点聚合不用切换到别的地方去。

2.2 数据开发 - 基础功能

　　这里重点借助公共库表的设计，参考DataWorks思路，通常离线同步只是两个跨数据源的库表同步，如果需要一个中间过渡的公共库做临时表的数据处理，那么数据开发就是做这个事情的，可以做一些update/delete等数据清洗，集成了一个SQL编辑器，后台提供接口支持，开发好的sql脚本给到调度，调度发送给Node，Node节点直接执行发送给公共数据库，因为是更新SQL，没有借助DataX，直接发送到源库执行，也可以全程借助DataX，不多说，公共库只支持Mysql。

2.3 作业 - 高级功能

　　思路就是离线同步和数据开发看作是一个个单一任务，那么一个作业就是为了把一个个单一的串起来，因为有时候一个完整的数据同步可以涉及多个同步开发步骤，作业属于一个高级功能项，开发中...

3.数据源

3.1 数据源管理

　　这个好理解，就是全局数据源，有的没的加上去就能同步了。

3.2 公共表

　　就是公共库表给数据开发的，只支持Mysql，需要从数据源里边选择一个绑定为公共库，全局只能有一个。

4.资源分组

5.系统管理

目前尚在开发阶段中，核心离线同步和数据开发已完成，作业流程需要串联组合多个离线同步和数据开发，主要是前端工作较多。