Daph：新一代流批一体数据集成与数据处理工具

Daph源码位于gitee，地址是https://gitee.com/dasea96/daph

概述

Daph的中文名称是大副，大副是职位仅低于船长的船舶驾驶员，甲板部（驾驶部）负责人，船长的主要助手。
Daph的英文名称，取自【有向无环图Directed Acyclic Graph】的第一个字母与最后三个字母。

Daph是一个通用的数据集成与数据处理平台级工具，可用于构建可视化配置化的数据集成与数据处理平台。

Daph，大道至简。
Daph的核心概念是节点，节点具有输入线与输出线，每条线中承载数据，节点承载任意数据处理逻辑。
Daph的核心构件是一个自创的通用DAG数据流引擎，可以流转任意Java/Scala数据结构，可以引入任何基于Java平台或具有Java客户端的数据计算组件作为数据流底层数据计算引擎。
Daph的核心功能是联接多个节点构成DAG图，并流转数据。

功能

• 全量增量整库整表数据集成：以极简配置方式，完成全量增量整库整表数据集成
  • 已支持50多种数据源类型的全量整表同步
  • 已支持Flink-cdc所支持的所有数据源类型的cdc整表同步
  • 已支持mysql/postgresql/oracle/sqlserver/doris/starrocks到mysql/postgresql/oracle/sqlserver/doris/starrocks/hive/iceberg/kafka的全量增量整库同步
• 流批一体复杂数据处理：以极简配置方式，完成流批一体任意复杂多表sql处理逻辑

价值

• 统一数据开发视图：Daph既具有丰富的数据集成能力，又具有强大的数据处理能力
• 降低数据开发门槛：通过配置文件，完成数据开发
• 缩短数据开发周期：开箱即用的海量数据集成与数据处理能力，极简的安装部署方式，极简的二次开发过程

特点

• 通用：可连接任意JVM类型的节点，构成DAG图，并流转任意Java/Scala数据结构。因此，不仅目前能够用于构建DAG数据流，而且具有潜在的任意粒度的DAG任务调度的潜力，可基于一个daph-core，统一任务开发与任务调度，实现一体化的可视化任务开发与任务调度平台。
• 简单：概念简单，配置简单
  • 基于开源计算引擎，不引入新的复杂概念
  • 节点配置简单，比如daph-spark节点配置项，与Spark配置项几乎完全一致，不增加学习开销。
• 强大：架构强大，功能强大
  • 架构层面具有多层环绕运行体系，可定制任意Job级/DAG级/节点级/方法级功能，比如节点数据预览功能、节点监控功能、前置后置SQL功能。目前所有节点均已支持前置后置建表功能，daph-spark所有节点已支持前置后置SQL功能
  • daph-spark仅有5个连接器、6个转换器，却已支持44种数据源的流批读写，且能随时扩充更多数据源；已支持对单表的map、filter、sql处理，对多表的join及任意复杂sql处理；且支持spark能支持的任何catalog
  • daph-flink仅有2个连接器、1个转换器，却已支持任何flink-sql支持的数据源的流批读写；已支持对单表与多表的任意复杂sql处理；且支持flink能支持的任何catalog。
• 聚焦：聚焦于可视化配置化的数据集成与数据处理，聚焦于简化开源计算引擎的使用，不增加学习开销。
• 流转任意数据结构：可流转任意JVM数据结构，比如Java/Scala List、Spark DataFrame、Flink DataStream。
• 支持多种计算引擎：可引入任何基于Java平台或具有Java客户端的数据计算组件作为数据流底层数据计算引擎，比如Java/Scala/Spark/Flink，等等。
• 快速扩展节点：可方便地扩展与部署具有任意逻辑的节点，比如扩展新的连接器节点，以支持读写新的数据库类型；比如扩展新的转换器节点，以便引入特定数据处理逻辑处理数据。只需要完成以下三点，即可完成：
  1）实现一个配置接口与一个功能接口
  2）将扩展的节点对应的jar放在服务器目录
  3）json文件中配置扩展节点信息

对比业界类似软件

Daph：

1. 既能用于数据集成，又能用于复杂的数据处理
2. 极致通用的DAG模型，能够流转任意JVM对象，引入任意符合Spark/Flink编程模型的计算引擎
3. 不重复造轮子，专注于简化开源计算引擎的使用，配置项几乎与开源计算引擎一一对应
4. 完美运用开源计算引擎的各项能力，包括且不限于流批处理能力、catalog能力、sql能力
5. 能够及时从开源计算引擎的生态系统中获益
   • 比如Spark，一旦新出现一种数据库连接器，在Daph中只需要在pom.xml中添加依赖，就能立刻使用

对比维度	Daph	SeaTunnel	StreamSets	StreamX	Kettle	Chunjun
通用性	高	低	低	低	低	低
易用性	高	中	高	高	高	中
开源	是	是	否	是	是	是
数据结构流转能力	所有JVM对象	Dataset[Row]/DataStream[Row]/Zeta数据结构	无	无	无	无
计算引擎接入能力	任意符合Spark/Flink编程模型的计算引擎	Spark/Flink/Zeta	Spark	Spark/Flink	Java	Flink
流水线模型	DAG	线	DAG	点	DAG	线
功能扩展性	高	中	低	中	低	中
学习成本	低	高	高	中	中	中
开发成本	低	高	高	中	高	中
运维成本	低	高	低	中	低	中

架构模型

数据流模型

Daph的数据流模型是DAG数据流模型，如下图所示：

例如一个数据集成与数据处理综合场景，如下图所示：

• 输入是一张MySQL表、一张Hive表，一张Oracle表
• 处理逻辑包含map、join、sql、自定义复杂逻辑
• 输出是一个Hudi表、一个Doris表、一个HBase表

运行模型

Daph通过节点包裹代码片段，将节点连成一个DAG图，并最终将DAG图形成一个完整的应用程序。

• 一个DAG图就是一个完整运行逻辑，比如当使用Spark作为底层计算引擎，一个DAG图就是一个完整的Spark应用程序。
• 一个DAG图中可以同时包含Java节点、Scala节点、Spark节点，也可以同时包含Java节点、Scala节点、Flink节点，但不能同时包含Spark与Flink节点。
• 底层计算引擎决定了应用程序的类型。
  JVM引擎对应的就是原生Java/Scala应用程序；
  Spark引擎对应的就是Spark应用程序；
  Flink引擎对应的就是Flink应用程序。

Daph运行模型如下图所示：

部署模型

Daph目前的部署模型非常简单，

• daph-jvm，就是部署原生java程序
• daph-spark，就是部署spark应用程序
• daph-flink，就是部署flink应用程序