DataX的限速与调优
DataX的限速与调优
原文链接：
5、DataX（DataX简介、DataX架构原理、DataX部署、使用、同步MySQL数据到HDFS、同步HDFS数据到MySQL）-CSDN博客
前 言
众所周知，当一个程序需要传输数据的时候，它肯定会想尽办法占用掉设备的资源，但是，随着对DataX深入使用可以发现，DataX并不会全力吃掉资源，所以究竟DataX是如何做到限速的？传输缓慢到底是限速原因还是其他原因？本文来一起探讨下。
限 速
我们知道是在core.json文件里面的speed方法里面限速DataX的，可以通过record记录数和byte字节数来限速。
这个配置在CoreConstant类里面定义了:
选中常量复制并查找，可以看到有两个地方调用了这个值：
分别是初始化、求最大通道数的时候。
接下来，看看这两个配置在Channel类如何实现限速的。
Channel类里实现限速：
从下图，可以看到在Channel初始化时，顺带初始化了限速的记录数(recordSpeed)以及字节数(byteSpeed) ，接下来Control+F看看recordSpeed在哪里调用了。
可以看到在statPush方法里面用到了：
statPush整个流程的描述：
- 判断byteSpeed（bps）和recordSpeed（tps）是否都大于0？如果不是，则退出；
- 根据当前的byteSpeed和设定的byteSpeed对比，求出睡眠时间（公式：currentByteSpeed * interval this.byteSpeed- interval;）
- 根据当前的recordSpeed和设定的recordSpeed对比，求出睡眠时间（公式：currentRecordSpeed * interval / this.recordSpeed - interval;）
- 取休眠时间最大值；
- Thread.sleep(sleepTime)来休眠；
- 实现限速。
下面贴上statPush的完整代码：
调 优
首先我们知道，传输受两个因素影响：
- 网络本身的带宽等硬件因素造成的影响；
- DataX本身的参数。
即当觉得DataX传输速度慢时，需要从上述两个个方面着手开始排查。
3.1 网络本身的带宽等硬件因素造成的影响
此部分主要需要了解网络本身的情况，即从源端到目的端的带宽是多少（实际带宽计算公式），平时使用量和繁忙程度的情况，从而分析是否是本部分造成的速度缓慢。以下提供几个思路：
- 可使用从源端到目的端scp，python http,nethogs等观察实际网络及网卡速度；
- 结合监控观察任务运行时间段时，网络整体的繁忙情况，来判断是否应将任务避开网络高峰运行；
- 观察任务机的负载情况，尤其是网络和磁盘IO，观察其是否成为瓶颈，影响了速度。
3.2 DataX本身的参数
1）全局
全局：提升每个channel的速度
在DataX内部对每个Channel会有严格的速度控制，分两种，一种是控制每秒同步的记录数，另外一种是每秒同步的字节数，默认的速度限制是1MB/s，可以根据具体硬件情况设置这个byte速度或者record速度，一般设置byte速度，比如：我们可以把单个Channel的速度上限配置为5MB，举例：
2）局部
局部：:提升DataX Job内Channel并发数
并发数=taskGroup的数量每一个TaskGroup并发执行的Task数 (默认单个任务组的并发数量为5)。
提升job内Channel并发有三种配置方式：
- 配置全局Byte限速以及单Channel Byte限速，Channel个数 = 全局Byte限速 / 单Channel Byte限速。
- 配置全局Record限速以及单Channel Record限速，Channel个数 = 全局Record限速 / 单Channel Record限速。
- 直接配置Channel个数。
配置含义：
- job.setting.speed.channel : channel并发数；
- job.setting.speed.record : 全局配置channel的record限速；
- job.setting.speed.byte：全局配置channel的byte限速。
- core.transport.channel.speed.record：单channel的record限速；
- core.transport.channel.speed.byte：单channel的byte限速。
举例：
# channel增大，为防止OOM，需要修改datax工具的datax.py文件。
# 如下所示，可根据任务机的实际配置，提升-Xms与-Xmx，来防止OOM。
# tunnel并不是越大越好，过分大反而会影响宿主机的性能。
注意事项：
此处根据服务器配置进行调优，切记不可太大！否则直接Exception。以上为调优，应该是可以针对每个json文件都可以进行调优。
当提升DataX Job内Channel并发数时，调整JVM堆参数，原因如下：
- 当一个Job内Channel数变多后，内存的占用会显著增加，因为DataX作为数据交换通道，在内存中会缓存较多的数据。
- 例如Channel中会有一个Buffer，作为临时的数据交换的缓冲区，而在部分Reader和Writer的中，也会存在一些Buffer，为了防止jvm报内存溢出等错误，调大jvm的堆参数。
- 通常我们建议将内存设置为4G或者8G，这个也可以根据实际情况来调整。
- 调整JVM xms xmx参数的两种方式：一种是直接更改datax.py；另一种是在启动的时候，加上对应的参数，如下：python datax/bin/datax.py --jvm="-Xms8G -Xmx8G" XXX.json。
Channel个数并不是越多越好，原因如下：
- Channel个数的增加，带来的是更多的CPU消耗以及内存消耗。
- 如果Channel并发配置过高导致JVM内存不够用，会出现的情况是发生频繁的Full GC，导出速度会骤降，适得其反。
备注：
MysqlReader进行数据抽取时，如果指定splitPk，表示用户希望使用splitPk代表的字段进行数据分片，DataX因此会启动并发任务进行数据同步，这样可以大大提供数据同步的效能，splitPk不填写，包括不提供splitPk或者splitPk值为空，DataX视作使用单通道同步该表数据。
结语：
学习之路没有固定的，先了解原理，再根据原理及执行过程开始研究，DataX是开源软件，能直接看到开发者的思路，更能对其进行研究和修改，使其更适合我们的工作。
