引言
本文主要以 图文 的形式来总结 DataX 和 SeaTunnel 的架构和代码流程，以方便读者去了解里面的源码。
DataX
首先来回顾DataX：
GitHub：https://github.com/alibaba/DataX
DataX架构
DataX的核心架构设计如下：
举个简单的例子去理解上图：用户提交了一个DataX作业，并且配置了20个并发，目的是将一个100张分表的MySQL数据同步到ODPS里面。
DataX的调度决策思路如下：
Step1： DataXJob
根据分库分表切分成了100个Task
；Step2：根据20个并发， DataX
计算共需要分配4个TaskGroup
；Step3：4个 TaskGroup
平分切分好的100个Task
，每一个TaskGroup
负责以5个并发共计运行25个Task
。
DataX代码执行流程
《图解DataX任务分配及执行流程》：https://yanglinwei.blog.csdn.net/article/details/122968465
关于代码层面，贴上博主之前画过的一张代码执行流程图：
上图主要有几个核心的类，它们的职责主要如下（点击类即可查看源码）：
| 类 | 职责 |
|---|---|
| JobContainer | 任务容器 |
| Reader | 读插件接口 |
| Writer | 写插件接口 |
| JobAssignUtil | 任务分配工具类 |
| AbstractScheduler | 任务调度抽象类 |
| TaskGroupContainer | 任务组容器 |
DataX存在的问题
首先说下DataX的优势，具体有如下：
可靠的数据质量监控：如流量、数据量运行时监控以及脏数据检测等； 丰富的数据转换功能：让数据在传输过程中可以轻松完成数据脱敏，补全，过滤等数据转换功能； 精准的速度控制：可以控制作业速度，让作业在库可以承受的范围内达到最佳的同步速度； …
同时开源版本的DataX也存在不足之处，例如：不支持集群（仅支持单机多线程模式完成同步作业运行），且不支持实时处理，（如：实时数据源Kafka和大数据生态系统中的组件Flink） 。
这个时候，Apache SeaTunnel 的出现，似乎弥补了DataX
的短板。
Apache SeaTunnel
SeaTunnel GitHub 地址：https://github.com/apache/seatunnel
Apache SeaTunnel对自己的定义如下：下一代高性能、分布式、海量数据集成框架。
ok，我们继续来看看它的相关功能特性。
SeaTunnel架构
这是Apache SeaTunnel官网贴出的简要的产品设计架构图：
上图似乎不能体现出整个 SeaTunnel 的核心流程要点，仅仅是产品的功能，对于读者来说，可能更看重的是SeaTunnel
是如何做到 分布式、海量数据集成 的设计？
下面继续查看相关核心类图如下（图片来源：https://mp.weixin.qq.com/s/Hvf7TJxMEBVyvnMXVd8E_w）：
作者认为他们自研的SeaTunnel Engine
才是整个SeaTunnel的核心，它由三个主要的服务组成（点击类名可以查看对应的源码）：
| 类 | 职责 |
|---|---|
| CoordinatorService | Master服务，负责 Dag的生成、 Checkpoint流程控制、资源管理以及作业指标统计与汇总 |
| TaskExecutionService | Worker服务，作业中每个 task真正运行时环境 |
| SlotService | 在集群每个节点上都会运行，主要负责节点上资源的划分、申请和回收 |
SeaTunnel代码执行流程
关于SeaTunnel的架构或者和代码执行流程，似乎官网并没有贴出对应的流程设计图。
为了方便读者的理解，博主整理了SeaTunnel 代码执行图，如下：
对于CMD命令层（入口），主要分为了以下几个命令：
seatunnel-cluster.sh：主要是用来启动SeaTunnel集群；
seatunnel.sh：SeaTunnel客户端，主要用于提交作业至SeaTunnel集群或停止集群中运行的作业等；
seatunnel-start-seatunnel-flink-x-connector-v2.sh：主要用于提交作业至Flink集群（注意执行脚本里面使用了
eval
命令，去执行从FlinkStarter控制台打印的flink脚本命令）；seatunnel-start-seatunnel-spark-x-connector-v2.sh：主要用于提交作业至Spark集群（注意执行脚本里面使用了
eval
命令，去执行从SparkStarter控制台打印的spark脚本命令）。
执行引擎分为了如下几种：
| 引擎 | 核心类 | 描述 |
|---|---|---|
| SeaTunnel（Zeta）推荐 | SeaTunnelServer | 分为Master和Worker，Master主要用于作业Dag生成、资源管理、指标统计等。Worker主要是执行具体的任务节点，每个Worker是根据SlotProfile的IP 地址是否为本机地址来判断是否执行，具体在（org.apache.seatunnel.engine.server.dag.physical.PhysicalVertex#deploy） |
| Flink | SeaTunnelFlink | PluginExecutorProcessor类型分为Source、Sink、Transform，主要用于转义（Translation）SeaTunnel的配置为Flink可识别的配置，最后使用Flink的TableEnviorment去执行ETL任务 |
| Spark | SeaTunnelSpark | 跟Flink引擎的执行逻辑类似，PluginExecutorProcessor类型分为Source、Sink、Transform最后转义并执行ETL任务 |
结论
至此，本文大致讲解完了DataX以及SeaTunnel的架构与代码流程了。
本文也是作者阅读源码后的一些整理，仅代表个人的观点，可能存在局限性或不足之处，欢迎大家留言评论，同时也希望能帮助到大家，谢谢大家，本文完！
同步Demo
新手入门
最佳实践
测试报告
Apache SeaTunnel
