job.common.dirty_record_skip_enabled

是否跳过脏数据。

true

• job.common.reader_transport_channel_speed_record
• job.common.writer_transport_channel_speed_record

读写限速参数，每秒读写条数限制，默认值 -1，代表不限制；配置大于 0 时，就开启条数限制。

-1

• job.common.reader_transport_channel_speed_byte
• job.common.writer_transport_channel_speed_byte

读写限速参数，每秒读写 bytes 限制，默认值 -1，代表不限制；配置大于 0 时，就开启限制。

-1

• job.reader.reader_parallelism_num
• job.writer.writer_parallelism_num

连接器的读并发和写并发，只适用于离线任务。
不建议配置，不合理的配置会造成资源浪费或导致执行变慢。

无默认值，系统根据数据量大小自动推算并发数。

job.writer.case_insensitive

大小写不敏感。
在读写 TOS、OSS、ES、Kafka 等数据源时，如有大小写转换问题，建议配置为大小写敏感即 job.writer.case_insensitive=false

true

job.writer.pre_sql_list

写入数据源前置处理 SQL List ，格式是 json 数组，如：
job.writer.pre_sql_list=["delete from xx where id=xxx","delete from xx where id=xxx"]

空

job.common.global_parallelism_num

连接器的全局并发数，只适用于流任务。
该参数会决定启动多少个 TaskManager。

• 如果 MQ 中的流量较小，则可通过在任务高级参数中指定此参数来控制作业的全局并发。
• 如果 MQ 的 Partition 个数很多，但数据流量并不高，亦可通过此参数来节约任务的执行资源。

MQ Partition 个数 / 4

job.common.checkpoint_interval

每次 Checkpoint 时间间隔，单位为毫秒，默认 900000 毫秒（15分钟）进行一次 Checkpoint，只适用于流任务。

900000

job.common.checkpoint_timeout

Checkpoint 超时时间，单位为毫秒，只适用于流任务。

600000

job.common.flink_tm_vcores

每个 Task Manager 使用的 CPU 核数。

• 取值说明：必须大于或等于 0.5，且必须是 0.5 的倍数。

1.0

job.common.slots_per_tm

每个 Task Manager 默认 slot 的数量。

2

job.common.flink_tm_slot_memory

每个 Task Manager 中的各个 slot 的内存大小，单位为 MB。

• 取值说明：每个 Task Manager 的 CPU 和内存（GB）的比例，必须满足：flink_tm_vcores : (flink_tm_slot_memory [GB] * slots_per_tm) = 1:2 或 1:4。
• 取值示例：flink_tm_vcores = 4.0，slots_per_tm = 2，则 flink_tm_slot_memory 必须为 4GB 或 8GB，即配置为 4096 或 8192。

2048

job.common.flink_tm_task_off_heap_memory

每个 Task Manager 的堆外内存占总内存的比例。

0.125

job.common.flink_tm_managed_memory_ratio

每个 Task Manager 的托管内存占总内存的比例。

0.2

job.common.flink_tm_network_max

每个 Task Manager 的网络内存的最大值，单位为 GB。

• 取值说明：配置时使用小写字母 g，比如：2g。

2g

job.common.flink_jm_vcores

Flink Job Manager 的 CPU 核数。

• 取值说明：不得小于 0.5，且必须是 0.5 的倍数。

1.0

job.common.flink_jm_memory

Flink Job Manager 的总内存大小，单位为 MB。

• 取值说明：Job Manager 的 CPU 和内存（GB）的比例，必须满足：flink_jm_vcores : flink_jm_memory [GB] = 1:2 或 1:4。
• 取值示例：flink_jm_vcores = 2.0，则 flink_jm_memory 必须为 4GB 或 8GB，即配置为 4096 或 8192。

4096

job.common.flink_jm_off_heap_memory

Flink Job Manager 的堆外内存占总内存的比例。

0.125

job.reader.split_config

设置任务分片数量配置参数。
配置示例： job.reader.split_config = {"split_num": 10}
适用范围： 整数类型切分键，如切分键是 int 类型，默认分片数是和并发数相同 ，可以通过此参数修改分片数量：job.reader.split_config = {"split_num": 100}

分片数是和并发数相同

job.reader.string_split_size

设置分片大小。
适用范围：字符串类型切分键，您可根据该值计算分片数量。
该值不宜过大或过小：

• 过小，分片数量较多，计算分片耗时较长
• 过大，单分片数量过大，触发读数据超时

1000000

job.reader.customized_connection_properties

读取 ByteHouse 超时设置参数。
配置示例： 超时设置 : job.reader.customized_connection_properties = {"max_execution_time":3000}

job.writer.flush_interval

写入 buffer 的刷新时间，默认 60000 毫秒

60000

job.writer.buffer_count

写入 buffer 记录条数，默认 8192

8192

job.writer.query_timeout

设定查询超时退出时间，默认 30000 毫秒

30000

job.writer.skip_delete_task

写入 ByteHouse CDW 是通过导入任务方式，默认任务执行完，再删除导入任务，通过此参数，您可设置是否跳过删除导入任务 ；
适用场景：需要在 ByteHouse CDW 查看导入服务日志时，参数设置为 true，则跳过删除导入任务。

false

job.writer.cfs_write_batch_size

• 动态分区默认 4096；
• 非动态分区默认 8192。

4096/8192

job.writer.cfs_vw_id

当选择 CFS 方式写入 ByteHouse 云数仓版时，建议在自定义参数设置中添加该高级参数，指定数据导入服务所使用的计算组信息。格式如下：
job.writer.cfs_vw_id = vw-21xxxxx57-dts-test，需替换为具体的计算组信息，可前往 ByteHouse 控制台获取对应的计算组。详见 ByteHouse CDW 计算组。

无

job.writer.bh_ce_partition_type

显示的指定 ByteHouse 的分区字段为 string 类型，当分区字段使用函数时，需要使用此高级参数函数。

string

job.writer.loading_mode

高级参数 job.writer.loading_mode 可设置为 FULL_REFRESH 或 INCREMENTAL，默认为 INCREMENTAL：

• FULL_REFRESH：可支持非分区表清除原先表中数据后再导入新数据，避免数据重复。
• INCREMENTAL：支持分区表导入数据时，事先清除对应分区中的数据后再导入新数据，对非分区表无效。

INCREMENTAL

job.writer.extraProperties

添加此参数，数据导入 ByteHouse CDW 时，支持原子性导入数据。
配置示例如下：
job.writer.extraProperties = {"job_time":"${date}"}

无

job.writer.bh_connection_properties

Map<String,String> 类型。
离线、实时解决方案中，目标数据源为 ByteHouse CE、ByteHouse CDW 时，可自定义设置 ByteHouse query 参数，设置到 jdbc 连接的 properties 中。
配置示例如下：
job.writer.bh_connection_properties={"query_timeout":63}

无

job.writer.session_properties

Map<String,String> 类型。
离线、实时解决方案中，目标数据源为 ByteHouse CE、ByteHouse CDW 时，可自定义设置 ByteHouse session 参数，通过在当前 session 中执行 set key=value 的语句来实现。
配置示例如下：
job.writer.session_properties={"max_threads":8}

无

job.writer.pre_sql_list

写入 ByteHouse CDW 数据源前置处理 SQL List ，格式是 json 数组，多条执行语句可用逗号分隔。如：
job.writer.pre_sql_list=["delete from table_name1 where id=xxx","delete from table_name2 where id=xxx"]

无

job.reader.case_insensitive

读取数据时字段大小写是否需要敏感。
在读 ES 数据源时，如有字段包含大写，建议配置为大小写不敏感。即 job.reader.case_insensitive=false

true

job.common.case_insensitive

JSON 内容解析时是否对字段 Key 大小写敏感。

true

job.common.support_json_path

是否支持带 . 的字段名。true为支持，false 为不支持。

false

job.common.json_serializer_features

DataSail 使用 fastjson 解析 JSON 内容，用户可以通过此参数设置 JSON 解析的 features，详情参考 SerializerFeature - fastjson 1.2.83 javadoc。多个 SerializerFeature 使用逗号分隔。

无

job.common.convert_error_column_as_null

是否将类型转化失败的字段默认置为 null。

false

job.common.host_ips_mapping

HDFS 数据源通过连接串形式配置时，需在高级参数中配置 ip_mapping 信息，将 hdfs 集群的节点域名与 ip 进行映射，示例如下：

job.common.host_ips_mapping = {
 "master-1-1.emr-c7axxxxxxxxx9b.cn-beijing.emr-volces.com":"xxx.xx.x.xx",
 "master-1-3.emr-c7axxxxxxxxx9b.cn-beijing.emr-volces.com":"xxx.xx.x.xx",
 "core-1-1.emr-c7axxxxxxxxx9b":"xxx.xx.x.xx",
 "master-1-1.emr-c7axxxxxxxxx9b":"xxx.xx.x.xx",
 "core-1-1.emr-c7axxxxxxxxx9b.cn-beijing.emr-volces.com":"xxx.xx.x.xx",
 "core-1-2.emr-c7axxxxxxxxx9b":"xxx.xx.x.xx",
 "master-1-2.emr-c7axxxxxxxxx9b.cn-beijing.emr-volces.com":"xxx.xx.x.xx",
 "master-1-3.emr-c7axxxxxxxxx9b":"xxx.xx.x.xx",
 "core-1-2.emr-c7axxxxxxxxx9b.cn-beijing.emr-volces.com":"xxx.xx.x.xx",
 "master-1-2.emr-c7axxxxxxxxx9b":"172.16.1.68"
 }

无

job.reader.parse_partition_from_path

在需要读取并解析数据源地址路径下的分区字段场景中，可以添加此高级参数，在手动添加分区字段映射后，便可正常读取分区字段数据。
格式为：job.reader.parse_partition_from_path=true

false

job.reader.partition_num

读取分区字段数据场景中，如果是读取 Json 这类没有 Schema 定义的数据格式时，需添加此高级参数，来告知当前作业设置的路径中包含多少个分区字段数。
格式为：job.reader.partition_num=n，n 为分区字段个数。

无

job.writer.rolling.max_part_size

文件切割大小，单位字节，默认 10G。

10737418240

job.writer.hdfs.replication

HDFS 副本数

3

job.writer.hdfs.compression_codec

HDFS 压缩格式，支持

• snappy
• lz4
• zstd
• fourmc
• fourmz
• gzip
• None（不压缩）

zstd

job.writer.dump.directory_frequency

写入 HDFS 文件夹的频率，支持以下参数:

• 天级：dump.directory_frequency.day
• 小时级：dump.directory_frequency.hour

dump.directory_frequency.day

job.common.checkpoint_interval

设定 Checkpoint 刷新时间，默认 15 分钟，如果实时写入 Hive 时，写入 Hive 时间依据此参数。

900000

job.common.host_ips_mapping

Hive 数据源通过连接串方式接入自建集群时，需通过该高级参数配置 host 与真实 ip 之间的映射关系，示例如下：

{
  "core-1-1.emr-1": "1xx.xx.0.11",
  "core-1-2.emr-2": "1xx.xx.0.12",
  "master-1-1.emr-1": "1xx.xx.0.13"
}

无

job.writer.partition_strategy

参数分区创建策略
参数值：partition_first、partition_last
适应场景：流任务写数据时设置为 partition_first 时，便可实时查看当前 Hive 分区数据。

partition_last

job.writer.partition.date_format

写入动态日期分区格式，可配置为：yyyyMMdd、yyyy-MM-DD

yyyyMMdd

job.writer.partition.hour_format

写入动态小时分区格式，可配置为：hh、HH

HH

job.writer.null_string_as_null

复杂类型中的 string 类型，默认会将 null 写为空字符串。如果需要配置默认写入 null，可以将此参数配置为 true。如脏数据中存在无法转换的列时，会自动转换为 null 值。

false

job.writer.case_insensitive

默认会将数据全部转换为小写。

true

job.writer.convert_error_column_as_null

将脏数据中无法转换的列自动转换为 null。

false

job.writer.dump.directory_frequency

写入 HDFS 文件夹的频率，支持以下参数:

• 天级：dump.directory_frequency.day
• 小时级：dump.directory_frequency.hour

dump.directory_frequency.day

job.reader.connector.startup-mode

默认消费起始位置参数指定：

• earliest-offset 最老：job.reader.connector.startup-mode=earliest-offset，指定最早的消费起始位置；
• latest-offset 最新：job.reader.connector.startup-mode=latest-offset，指定最新的消费起始位置；
• specific-offsets：通过分区 offset 位点指定消费起始位置，job.reader.connector.connector.specific-offsets = [{"partition":0,"offset":1},{"partition":1,"offset":2}...]
• specific-timestamp：通过时间戳位点来指定消费起始位置，job.reader.connector.connector.specific-timestamp = 1716292387000（某个时间的时间戳，单位为毫秒）

job.reader.metadata_columns

读取 Kafka 元数据相关信息，多个元数据可用英文逗号隔开。配置示例如下：job.reader.metadata_columns = timestamp,offset,key,value,partition,headers

job.common.host_ips_mapping

Kafka 通过公网接入，kafka broker 设置为域名；需配置 ip 与域名映射，示例如下：
{
"ukxxxxxxxx-kafka1":"xxx.xx.xxx.xx",
"ukxxxxxxxx-kafka2":"xxx.xx.xxx.xx",
"uxxxxxxxxx-kafka3":"xxx.xx.xxx.xx",
}

job.common.skip_dump_parse

Kafka 数据源通过公网形式接入，开启 SASL_SSL 认证时，需设置该参数为 true。

false

job.writer.properties

max.request.size 消息体大小；
buffer.memory 缓存大小。

{"max.request.size":1048576,"buffer.memory":33554432}

job.writer.compression_type

消息压缩格式，支持 none、snappy、gzip、lz4

snappy

solution.reader.ddl.external_schema_mode

由于 Mongo 灵活的 Schema 定义，且 Mongo Schema Fetcher 获取的字段是无序且不保证每次获取的结果一致，这对解决方案中的自动建表能力有一定的困难。
因此平台提供了该参数，用于指定需要在 Schema Fetcher 中获取的字段及顺序。取值说明如下：

• Replace：
  solution.reader.ddl.external_schema_mode=Replace
  当对字段顺序存在要求，或者想要自定义来源字段时，可使用该取值。此时，Mongo 返回的字段及字段属性都会被丢弃。所以，您需要结合下方的solution.reader.ddl.external_schemas参数，自行定义每个字段的类型以及 isPrimaryKey 等关键字段，传递完整的 Schema 信息。
• Merge：
  solution.reader.ddl.external_schema_mode=Merge
  当字段顺序无要求且场景中有增量字段时，可用该取值。结合下方 solution.reader.ddl.external_schemas 参数，并通过设置字段的 position 参数，来指定新增字段在 Schema 中插入的位置，插入顺序取值如下：
  • First：置于 Schema 首位。
  • Last：置于 Schema 末尾。
  • Before：须指定参数，如 Before(name) ，置于 name 字段之前。
  • After：须指定参数，如 After(name) ，置于 name 字段之后。

MERGE

solution.reader.ddl.external_schemas

自定义 Mongo Schema 字段信息，示例如下：

• solution.reader.ddl.external_schema_mode=Replace，全列替换模式，示例如下：

  solution.reader.ddl.external_schemas={
          "test.dts_mongo_test": [{
                  "name": "_id",
                  "type": "objectid",
                  "isPrimaryKey": true
          }, {
                  "name": "address2",
                  "type": "string"
          }, {
                  "name": "price",
                  "type": "double"
          }]
  }
  

  

• solution.reader.ddl.external_schema_mode=Merge，融合模式，示例如下：

  solution.reader.ddl.external_schemas={
          "test.dts_mongo_test": [{
                  "name": "_id",
                  "type": "objectid",
                  "position": "first"
          }, {
                  "name": "address2",
                  "type": "string",
                  "isPrimaryKey": true,
                  "position": "before(_id)"
          }, {
                  "name": "price",
                  "type": "double",
                  "position": "last"
          }]
  }
  

  

无

reader_fetch_size

单批次读取文档 doc 的数量。

100000

filter

指定读取过滤条件，满足 MongoDB 语法，如读取 id = 1000 的数据，填写示例如下：
{id: {$eq: 1000}}

无

split_mode

分片模式支持两种：

1. paginating：单个分片的数量为：totalRecords / batchSize
2. parallelism：若 MongoDB 支持 splitVector 功能，则使用 MongoDB 内置切片功能，否则将根据文档数量/parallelism 平均划分，单个分片的数量为：totalRecords / parallelismpaginating:根据数据量/fetchsize精确分片

parallelism

max_connection_per_host

连接池最大连接数。

100

connect_timeout_ms

连接超时时间。

10000

batch_size

单批次写入 MongoDB 的数据量。

100

write_mode

高级参数设置写入方式：

• insert：直接写入数据，表示不覆盖，出现唯一键冲突时，任务会执行失败。
• overwrite：写入时，不清除数据，唯一键相同，用新的数据覆盖旧数据，唯一键不同时，直接插入新数据。
• insert_if_not_exists：写入时，不清除数据，唯一键相同，原数据保持不变，唯一键不同时，直接插入新数据。

无

job.reader.init_sql

读取数据前执行的 SQL 语句。对于视图的查询可能需要使用 init SQL 语句初始化环境。

无

job.reader.reader_fetch_size

每次拉取的数据条数，只在准确分片中有效。

10000

job.reader.query_timeout_seconds

Jdbc 方式读取数据，设定读取超时时间，单位秒。

300

job.reader.shard_split_mode

Jdbc 连接分片模式，支持准确分片、并发分片、不分片三种模式：

• 准确分片（默认）：根据配置的分片键将数据拆分为不同的区间，除下最后一个区间外，每个区间精准的有 reader_fetch_size 条数，此模式速度较慢，但可以保证下游文件大小基本一致。
  • 拉取数据量很大的表或者分片键不是主键或者索引键时，该分片模式分片时间会比较长；
  • 该分片模式支持分片键为整型数据类型和字符串数据类型;
  • 配置方式：将该参数配置为 accurate。
• 非精确分片：此模式速度较快，但无法保障下游文件大小一致。
  • 该分片模式仅支持分片键为整型数据类型；
  • 参数配置为 parallelism时：根据表的最大最小值，将所有的数据按照执行并发数进行区间分片；
  • 参数配置为quick时：根据 reader_fetch_size 进行模糊分片。
• 不分片：不进行分片，适用于表数据量较小，或没有主键、索引键的表。
  • 配置方式：将该参数配置为 nosplit 或者不配置 split_pk 。

准确分片

job.reader.customized_sql

自定义查询读取 SQL 语句。filter 过滤配置项不足以描述所筛选的条件，可通过该配置项来自定义执行较复杂的查询 SQL。
例如：需要进行多表 join 后同步数据，使用select a,b from table_a join table_b on table_a.id = table_b.id。

无

job.writer.is_insert_ignore

insert into 模式时，主键或者唯一键冲突时任务失败还是忽略冲突，false 为任务执行失败；true 为忽略冲突，任务正常执行。

false

job.writer.write_batch_interval

一次性批量提交的数据条数，该值可以减少与 MySQL 网络的交互次数并提升整体吞吐量。如果该值设置过大可能会导致数据同步进程 OOM。

100

job.writer.write_retry_times

MySQL 写入失败时重试次数。

3

job.writer.retry_interval_seconds

写入失败后两次重试的时间间隔，单位秒。

write_batch_interval / 10

job.writer.connection_parameters

Jdbc 连接的全部参数，可在默认值后追加补充：

• tcpRcvBuf 读单行数据量大时使用：

tcpRcvBuf=1024000 （1MB）

• allowMultiQueries 允许支持使用多条 sql，用分号隔开：

allowMultiQueries=true

• connectTimeout 连接超时时间，毫秒：

connectTimeout=60000

autoReconnect=true&useUnicode=true&characterEncoding=utf-8&useSSL=false&zeroDateTimeBehavior=convertToNull

job.writer.sink_flush_interval_ms

写入 buffer 刷新时间，默认 60000 毫秒

60000

job.writer.sink_buffer_size

写入 buffer 数据大小，默认 10485760 （10MB）

10485760

job.writer.sink_buffer_count

写入buffer 记录条数，默认 8192

8192

job.writer.stream_load_properties

数据写入方式参数指定。
示例：主键冲突策略

• 默认整行更新
• {"partial_update":true} 部分更新，只更新有列映射的字段，仅支持主键表
• {"insert_ignore":"ignore"} 忽略更新，按主键忽略新数据，仅支持主键表

整行更新

job.writer.request_read_timeouts

写入等待获取结果时间，默认 60000 毫秒
适用场景：如数据量比较大，写入较慢，会触发 timeout，调大此参数

60000

job.writer.request_connect_timeouts

写入连接超时时间，默认 60000 毫秒

60000

job.writer.sink_enable_2PC

写入时任务分两阶段提交，默认 false
true 适用场景：流式集成写入，两阶段提交，保证数据 exactly once

false

job.reader.properties

运行时动态设置 Paimon 表的属性（参见 https://paimon.apache.org/docs/0.8/maintenance/configurations/），格式为 Map<String, String> 类型的 JSON 字符串

job.reader.limit

限制要读取的行数，通常用于数据抽样或测试

job.writer.properties

运行时动态设置 Paimon 表的属性（参见 https://paimon.apache.org/docs/0.8/maintenance/configurations/），格式为 Map<String, String> 类型的 JSON 字符串

job.writer.overwrite_partition

覆盖写特定的分区，当且仅当“写入模式”为“覆盖”时生效，格式为 Map<String, String> 类型的 JSON 字符串

job.common.checkpoint_interval

流作业 Flink 快照生成周期（单位为毫秒），默认为 300s（5 分钟）。
当流式写 Paimon 时，每次快照完成后才会进行数据提交（Commit）操作，因此较短的快照周期可以让新数据更快地被下游查到。
但是过短的快照周期会产生大量的小文件，导致性能和查询效率受到严重影响，请合理设置该值。

solution.writer.common.ddl.buckets_num

目标表的分桶（bucket）数。如果不设置，默认为 -1（动态 bucket）。

solution.writer.paimon.ddl.bucket_keys

目标表的分桶键（bucket key）。如果有多个字段，可用半角逗号分隔（例如 id,name)。
如果不设置，默认 bucket key 等同于主键；如果表不含主键，则默认会使用所有字段作为 bucket key。

solution.writer.paimon.ddl.options

建表时的各类可选参数（参见 https://paimon.apache.org/docs/0.8/maintenance/configurations/），格式为 Map<String, String> 类型的 JSON 字符串

job.reader.init_sql

读取数据前执行的 SQL 语句。对于视图的查询可能需要使用 init SQL 语句初始化环境

无

job.reader.reader_fetch_size

每次拉取的数据条数，只在准确分片中有效。

10000

job.reader.shard_split_mode

分片模式，支持准确分片、并发分片、不分片三种模式：

• 准确分片（默认）：根据配置的分片键将数据拆分为不同的区间，除下最后一个区间外，每个区间精准的有 reader_fetch_size 条数。
  • 拉取数据量很大的表或者分片键不是主键或者索引键时，该分片模式分片时间会比较长；
  • 该分片模式支持分片键为整型数据类型和字符串数据类型;
  • 配置方式：将该参数配置为 accurate。
• 并发分片：根据表的最大最小值，将所有的数据按照并发数进行区间分片。
  • 该分片模式仅支持分片键为整型数据类型；
  • 配置方式：将该参数配置为 parallelism。
• 不分片：不进行分片，适用于没有主键、索引键的表。
  • 配置方式：将该参数配置为 nosplit 或者不配置 split_pk。

准确分片

job.reader.customized_sql

自定义查询读取 SQL 语句。filter 过滤配置项不足以描述所筛选的条件，可通过该配置项来自定义执行较复杂的查询 SQL。
例如：需要进行多表 join 后同步数据，使用select a,b from table_a join table_b on table_a.id = table_b.id。

无

job.writer.is_insert_ignore

insert into 模式时，主键或者唯一键冲突时任务失败还是忽略冲突

false

job.writer.write_batch_interval

一次性批量提交的数据条数，该值可以减少与 PostgreSQL 网络的交互次数并提升整体吞吐量。如果该值设置过大可能会导致数据同步进程 OOM。

100

job.writer.write_retry_times

PostgreSQL 写入失败时重试次数。

3

job.writer.retry_interval_seconds

写入失败后两次重试的时间间隔，单位秒

write_batch_interval / 10

job.reader.key_pattens

读取 Redis keys 的匹配策略，默认为*，即读取所有的 key。
支持精确匹配和模糊匹配：

• 精确匹配：比如只同步user_a和user_b的 key，填写user_a,user_b即可；
• 模糊匹配：比如只同步前缀是user_info的 key，填写 user_info*即可。

*

job.reader.db_index

Redis 逻辑库索引号，默认为 0。如果您的数据位于 Redis 的其他 DB，比如在 DB 6 中，则填写6即可。

0

job.reader.reader_parallelism_num

读取 Redis 分片数，Redis 服务为单线程模型，推荐设置为 1，默认为 1。

1

job.reader.client_timeout_ms

创建 Redis 连接的超时时间，单位为毫秒(ms)。

60000

job.reader.max_attempt_count

执行单次 Redis Command 失败的最大重试次数

3

job.writer.write_batch_interval

一次性批量提交的数据条数，该值可以减少与 Redis 网络的交互次数并提升整体吞吐量。但如果该值设置过大可能会导致数据同步进程 OOM。

50

job.writer.database

指定写入 Redis 中的 Database 信息，默认为0。

0