前言

公司的DataX已经用了2年多了，性能以及基本功能上没有太大问题。但是有一个问题一直困扰着我，就是DataX的错误告警。DataX的日志问题，一直令人头疼。随着job的逐渐增多，一个调度程序或者脚本打印出来的日志实在太多，假如中途有哪个job执行报错，根本无法排查，虽然DataX自身会记录每个job执行的日志，在log目录下，命名规则：脚本名称+执行时间，但是文件数目过多排查起来还是挺困难的。

设计思路

有了需求，就可以开始设计，给DataX添加告警功能有两种办法，修改源码和捕获日志，当时为了不侵入源码，采用了捕获日志的方式。

代码改动

修改DataX启动类，即bin/datax.py，将datax.py打印出来的日志放入pipe（管道）缓存中，根据最后执行返回的code判断任务成功还是失败，失败则需要调用告警功能。具体修改后的代码如下：

if __name__ == "__main__":
    printCopyright()
    parser = getOptionParser()
    options, args = parser.parse_args(sys.argv[1:])
    if options.reader is not None and options.writer is not None:
        generateJobConfigTemplate(options.reader,options.writer)
        sys.exit(RET_STATE['OK'])
    if len(args) != 1:
        parser.print_help()
        sys.exit(RET_STATE['FAIL'])

    startCommand = buildStartCommand(options, args)
    # print startCommand
    child_process = subprocess.Popen(startCommand, shell=True,stdout=subprocess.PIPE,stderr=subprocess.PIPE)

    register_signal()
    start=time.time()
    errmsg=[]
    while child_process.poll() == None:
        line=child_process.stdout.readline()
        print(line),  # 使用,是为了使打印出来的日志不换行
        errmsg.append(line)
        if time.time() - start >= 1800: # 超时时间30分钟
            # 可以添加一些超时的信息
            break

    if child_process.returncode != 0:
        # 执行具体的告警操作，可以从启动参数中获取到具体的脚本名称
        # 解析errmsg或者直接输出
        
    sys.exit(child_process.returncode)

总结

• 上述代码只是在datax.py里面新增一些退出前的操作，并不影响主要逻辑，可以放心修改。
• 这里面有个比较坑的是，即使异常信息，但是在stderr（标准错误）中还是无法捕获。因此，所有的信息都只能从stdout（标准输出）中读取，然后解析或者直接输出到告警模块。
• 我个人在项目中只是简单的加了个邮件告警，内容为该次job任务的所有日志信息，方便从日志中分析是什么原因造成的错误。
• 另外，使用DataX采集阿里云ADB（AnalyticDB 3.0）有极小的概率会出现死循环的现象（就是一直在读取写入重复的数据），使用mysql或者RDS不会有类似情况发生，可能是我的DataX版本过低，毕竟2年前还没有ADB 3.0呢，可能最新版的已经修复了这个问题。