Flume Spooldir 源的一些问题

来自：http://blog.xlvector.net/2014-01/flume-spooldir-source-problem/

（

自己写的插件，数据序列化，格式化抛出的异常都会导致flume停止，不能继续取数据，异常可以自己处理

）

最近在用Flume做数据的收集。用到了里面的Spooldir的源在使用中有如下的问题：

• 如果文件的某一行有乱码，不符合指定的编码规范，那么flume会抛出一个exception，然后就停在那儿了。
• spooldir指定的文件夹中的文件一旦被修改，flume就会抛出一个exception，然后停在那儿了。

其实，flume的最大问题就是不够鲁棒。一旦出现问题，不能跳过，只能死在那儿。不知道flume为什么要这么设计。理论上，它应该允许我们在配置文件中指定在遇到错误的行时，是停止还是跳过，不过它目前并不支持这个。所以，我们只能写一个自己的flume的插件了。

https://github.com/xlvector/flume
https://github.com/ponyma/flume

这个插件主要修复了前面提到的两个问题：

• 如果某一行有乱码，flume会忽略这一行
• flume只会check最近N分钟没有修改过的文件

具体修改方法如下。首先，我们继承了SpoolDirectorySource，实现了一个叫做RobustSpoolDirectorySource的类。这个类的代码基本是拷贝了SpoolDirectorySource的代码。但做了如下的修改。

在getNextFile()的函数中，我们发现了一个filter，做了如下的修改

FileFilter filter = new FileFilter() {
    public boolean accept(File candidate) {
        String fileName = candidate.getName();
        if ((candidate.isDirectory()) ||
            (fileName.endsWith(completedSuffix)) ||
            (fileName.startsWith(".")) ||
            ignorePattern.matcher(fileName).matches() ||
            (System.currentTimeMillis() - candidate.lastModified() < 600000)) {
            return false;
        }
        return true;
    }
};

这里，我们加入了一个条件

(System.currentTimeMillis() - candidate.lastModified() < 600000)

也就是说10分钟之内修改过的文件我们不会处理。

第二个修改是关于编码的，你可以在ReliableSpoolingFileEventReader.java的代码中找到如下的代码：

ResettableInputStream in =
    new ResettableFileInputStream(nextFile, tracker,
        ResettableFileInputStream.DEFAULT_BUF_SIZE, inputCharset,
        DecodeErrorPolicy.FAIL);

这里，我们只需要将DecodeErrorPolicy 改成 DecodeErrorPolicy.IGNORE 即可。