DataX是一個在異構的數據庫/文件系統之間高速交換數據的工具，實現了在任意的數據處理系統(RDBMS/Hdfs/Local filesystem)之間的數據交換，由淘寶數據平臺部門完成。Sqoop是一個用來將Hadoop和關系型數據庫中的數據相互轉移的工具，可以將一個關系型數據庫(例如 ： MySQL ,Oracle ,Postgres等)中的數據導進到Hadoop的HDFS中，也可以將HDFS的數據導進到關系型數據庫中。同樣是大數據異構環境數據同步工具，二者有什么差別呢?本文轉自Dean的博客。

從接觸DataX起就有一個疑問，它和Sqoop到底有什么區別，昨天部署好了DataX和Sqoop，就可以對兩者進行更深入的了解了。

兩者從原理上看有點相似，都是解決異構環境的數據交換問題，都支持oracle，mysql，hdfs，hive的互相交換，對于不同數據庫的支持都是插件式的，對于新增的數據源類型，只要新開發一個插件就好了，但是只細看兩者的架構圖，很快就會發現明顯的不同。

DataX架構圖

Job: 一道數據同步作業

Splitter: 作業切分模塊，將一個大任務與分解成多個可以并發的小任務.

Sub-job： 數據同步作業切分后的小任務

Reader(Loader): 數據讀入模塊，負責運行切分后的小任務，將數據從源頭裝載入DataX

Storage: Reader和Writer通過Storage交換數據

Writer(Dumper): 數據寫出模塊，負責將數據從DataX導入至目的數據地

Sqoop架構圖

大數據同步工具DataX與Sqoop之比較

DataX 直接在運行DataX的機器上進行數據的抽取及加載。

而Sqoop充分里面了map-reduce的計算框架。Sqoop根據輸入條件，生成一個map-reduce的作業，在Hadoop的框架中運行。

從理論上講，用map-reduce框架同時在多個節點上進行import應該會比從單節點上運行多個并行導入效率高。而實際的測試中也是如此，測試一個Oracle to hdfs的作業，DataX上只能看到運行DataX上的機器的數據庫連接，而Sqoop運行時，4臺task-tracker全部產生一個數據庫連接。調起的Sqoop作業的機器也會產生一個數據庫連接，應為需要讀取數據表的一些元數據信息，數據量等，做分區。

Sqoop現在作為Apache的***項目，如果要我從DataX和Sqoop中間選擇的話，我想我還是會選擇Sqoop。而且Sqoop還有很多第三方的插件。早上使用了Quest開發的OraOop插件，確實像quest說的一樣，速度有著大幅的提升，Quest在數據庫方面的經驗，確實比旁人深厚。

在我的測試環境上，一臺只有700m內存的，IO低下的oracle數據庫，百兆的網絡，使用Quest的Sqoop插件在4個并行度的情況下，導出到HDFS速度有5MB/s ，這已經讓我很滿意了。相比使用原生Sqoop的2.8MB/s快了將近一倍，sqoop又比DataX的760KB/s快了兩倍。

另外一點Sqoop采用命令行的方式調用，比如容易與我們的現有的調度監控方案相結合，DataX采用xml 配置文件的方式，在開發運維上還是有點不方便。

附圖1.Sqoop with Quest oracle connector

大數據同步工具DataX與Sqoop之比較