Starrocks从DataX 导入

本文介绍如何利用 DataX 基于 StarRocks 开发的 StarRocks Writer 插件将 MySQL、Oracle 等数据库中的数据导入至 StarRocks。该插件将数据转化为 CSV 或 JSON 格式并将其通过 Stream Load 方式批量导入至 StarRocks。

DataX 导入支持多种数据源，您可以参考 DataX - Support Data Channels 了解详情。

前提条件

使用 DataX 导入数据前，请确保已安装以下依赖：

• DataX
• Python

安装 StarRocks Writer

下载 StarRocks Writer 安装包，然后运行如下命令将安装包解压至 datax/plugin/writer 路径下。

tar -xzvf starrockswriter.tar.gz

您也可以编译 StarRocks Writer 源码。

创建配置文件

为导入作业创建 JSON 格式配置文件。

以下示例模拟 MySQL 至 StarRocks 导入作业的配置文件。您可以根据实际使用场景修改相应参数。

{
    "job": {
        "setting": {
            "speed": {
                 "channel": 1
            },
            "errorLimit": {
                "record": 0,
                "percentage": 0
            }
        },
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "username": "xxxx",
                        "password": "xxxx",
                        "column": [ "k1", "k2", "v1", "v2" ],
                        "connection": [
                            {
                                "table": [ "table1", "table2" ],
                                "jdbcUrl": [
                                     "jdbc:mysql://x.x.x.x:3306/datax_test1"
                                ]
                            },
                            {
                                "table": [ "table3", "table4" ],
                                "jdbcUrl": [
                                     "jdbc:mysql://x.x.x.x:3306/datax_test2"
                                ]
                            }
                        ]
                    }
                },
               "writer": {
                    "name": "starrockswriter",
                    "parameter": {
                        "username": "xxxx",
                        "password": "xxxx",
                        "database": "xxxx",
                        "table": "xxxx",
                        "column": ["k1", "k2", "v1", "v2"],
                        "preSql": [],
                        "postSql": [], 
                        "jdbcUrl": "jdbc:mysql://y.y.y.y:9030/",
                        "loadUrl": ["y.y.y.y:8030", "y.y.y.y:8030"],
                        "loadProps": {}
                    }
                }
            }
        ]
    }
}

您需要在 writer 部分配置以下参数：

注意

• column 参数不能留空。如果您希望导入所有列，可以配置该项为 "*"。
• writer 部分中 column 的数量必须与 reader 部分一致。

配置特殊参数

• 设置分隔符

默认设置下，数据会被转化为字符串，以 CSV 格式通过 Stream Load 导入至 StarRocks。字符串以 \t 作为列分隔符，\n 作为行分隔符。

您可以通过在参数 loadProps 中添加以下配置，以更改分隔符：

"loadProps": {
    "column_separator": "\\x01",
    "row_delimiter": "\\x02"
}

其中，\x 代表 16 进制，额外的 \ 做转义 x 用。

说明

StarRocks 支持设置长度最大不超过 50 个字节的 UTF-8 编码字符串作为列分隔符。

• 设置导入格式

当前导入方式的默认导入格式为 CSV。您可以通过在参数 loadProps 中添加以下配置更改数据格式为 JSON：

"loadProps": {
    "format": "json",
    "strip_outer_array": true
}

• 导入衍生列

如果您希望在向 StarRocks 表中导入原始数据的同时导入衍生列，则需要在 loadProps 里额外设置 columns 参数。

以下代码片段展示导入原始数据列 a、b 以及衍生列 c。

"writer": {
    "column": ["a", "b"],
    "loadProps": {
        "columns": "a,b,c=murmur_hash3_32(a)"
    }
    ...
}

其中，您需要在 column 项中填写原始数据中的列名，并在 columns 项中额外填写衍生列名和其对应的数据处理方式。

启动导入任务

完成配置文件设定后，您需要通过命令行启动导入任务。

以下示例基于前述步骤中的配置文件 job.json 启动导入任务，并设置了 JVM 调优参数（--jvm="-Xms6G -Xmx6G"）以及日志等级（--loglevel=debug）。您可以根据实际使用场景修改相应参数。

python datax/bin/datax.py --jvm="-Xms6G -Xmx6G" --loglevel=debug datax/job/job.json

如果源数据库与目标数据库时区不同，您需要命令行中添加 -Duser.timezone=GMTxxx 选项设置源数据库的时区信息。

例如，源库使用 UTC 时区，则启动任务时需添加参数 -Duser.timezone=GMT+0。

查看导入任务状态

由于 DataX 导入是基于封装的 Stream Load 实现，您可以在 datax/log/$date/ 目录下搜索对应的导入作业日志，日志文件名字中包含导入使用的 JSON 文件名和任务启动时间（小时、分钟、秒），例如：t_datax_job_job_json-20_52_19.196.log。

• 如果日志中有 "http://fe_ip:fe_http_port/api/db_name/tbl_name/_stream_load" 记录生成，则表示 Stream Load 作业已成功触发。作业成功触发后，您可参考 Stream Load 返回值 查看任务情况。
• 日志中如果没有上述信息，请根据报错信息排查问题，或者在 DataX 社区问题中寻找解决方案。

注意

使用 DataX 导入时，当存在不符合目标表格式的数据，若 StarRocks 中该字段允许 NULL 值，不合法的数据将转为 NULL 后正常导入。若字段不允许 NULL 值，且任务中未配置容错率（max_filter_ratio），则任务报错，导入作业中断。

取消或停止导入任务

您可以通过终止 DataX 的 Python 进程停止导入任务。

pkill datax