flume_kafka_hdfs_hive数据的处理

     使用flume收集数据，将数据传递给kafka和hdfs，kafka上的数据可以使用storm构建实时计算，而hdfs上的数据，经过MR处理之后可以导入hive中进行处理。

     环境：hadoop1.2.1，hive 0.13.1，maven 3.2.5，flume 1.4，kafka 0.7.2，eclipse luna，jdk 1.7_75；mysql-connector-java-5.1.26.bin.jar，flume-kafka-master.zip。

     说明：所有服务都架设在一台机器上。

     1：安装hadoop：这篇文章写得比较完整，可以看看：Ubuntu 12.10 安装JDK、Hadoop全过程

我在安装过程中出现：Does not contain a valid host:port authority: file:/// ，看了一遍自己的core-site.xml,hdfs-site.xml,mapred-site.xml没有发现错误，还特地看了些hosts配置，最后网上找到，fs.default.name中default写错了，启动hadoop。

     2：安装hive：下载解压之后，设置HIVE_HOME，将HIVE_HOME/bin加入到PATH变量中，直接输入hive即可启动。默认hive是使用嵌入模式的Derby数据库，它的特点是小巧，而且老爹也是apache，但存在单session，无法多用户共享，这里参考网上的资料将元数据存储到mysql中去：Hive集成Mysql作为元数据，这里我出现了点问题，只能使用localhost进行连接，无法使用root@myggg，试着按照文章中查找my.conf，但没有找到相关配置，在实验环境下这样也可以用：

     3：安装flume：

Flume is a distributed, reliable, and available service for efficiently collecting, aggregating, and moving large amounts of log data. It has a simple and flexible architecture based on streaming data flows. It is robust and fault tolerant with tunable reliability mechanisms and many failover and recovery mechanisms. It uses a simple extensible data model that allows for online analytic application.

Flume是由Cloudera推出的一个高效收集，处理，移动大量日志数据的分布式，可靠地，高可用的服务。它有简单并且灵活的架构基于数据流之上。它使用可靠地协调性，容错转移，恢复机制使它强健性并且容错。它使用简单可伸缩的数据模型能实现在线数据分析。

Flume安agent划分，一个agent包括Source,Channel,Sink三个部分，Source从Web Server中取数据，push交给Channel，Sink将pull Channel得到数据，一个agent可以有多个Channel, Sink。

     配置FLUME_HOME，将PATH中加入Flume下的执行路径，将conf下的flume-conf.properties.template重命名为flume-conf.properties，然后进行配置，在单机情况下：

agent.sources = r1                //agent中添加source，命名为r1
agent.sinks = s1                  //agent中添加sink，命名为s1
agent.channels = c1               //agent中添加channel，命名为c1
agent.sinks.s1.channel = c1       //s1从c1中取数据
agent.sources.r1.channels = c1    //r1将数据交给c1

#describe the source
agent.sources.r1.type = exec      //定义r1的类型为exec
agent.sources.r1.command = tail -F /root/input/loginfo    //r1执行的命令

#use a channel which buffers events in memory
agent.channels.c1.type = memory    //定义c1的类型memory
agent.channels.c1.capacity = 1000  //c1的容量
agent.channels.c1.transactionCapacity = 100  //channel获取或者sink获得一次最大的数据量 

#sinks type
agent.sinks.s1.type = logger       //定义s1的类型为logger

完成后启动flume,测试：

bin/flume-ng agent --conf ./conf/ -f conf/flume-conf.properties -Dflume.root.logger=DEBUG,console -n agent

4：安装kafka:关于kafka的介绍：Kafka快速入门，简单来说，kafka集群中的一台服务器就是一个broker，消息按名字分类，叫做topic，消息的产生是producer，消息的获取方为customer。kafka的安装方法同上。由于使用默认配置，kafka中的config下不需要配置了，直接启动即可进行模拟：

bin/zookeeper-server-start.sh config/zookeeper.properties
bin/kafka-server-start.sh config/server.properties
bin/kafka-console-producer.sh --zookeeper localhost:2181 localhost:9092 --topic test 
bin/kafka-console-consumer.sh --zookeeper localhost:2181 --topic test --from-beginning

相关可以看apache-kafka。

5：进行整合：数据的处理过程包括数据收集，数据清理，数据存储，数据分析，数据展现。在这里数据的收集由flume负责，定期从web server中收集log相关信息，对于实时数据的处理，将数据直接发送到kafka，然后交给后面的storm处理（这个没有做），对于离线部分，经过简单的mr处理后存储到hdfs上，然后使用hive操作。

总的架构图：

Flume的设计：

在搭建之前，先安装maven：安装步骤同上Flume与Kafka

安装完后echo $PATH:

/usr/lib/qt-3.3/bin:/usr/local/sbin:/usr/local/bin:/sbin:/bin:/usr/sbin:/usr/bin:/usr/java/jdk1.7.0_75/bin:/root/hadoop-1.2.1/bin:/root/apache-hive-0.13.1/bin:/root/apache-flume-1.4.0/bin:/root/kafka-0.7.2/bin:/root/bin:/usr/java/jdk1.7.0_75/bin:/root/hadoop-1.2.1/bin:/root/apache-hive-0.13.1/bin:/root/apache-flume-1.4.0/bin:/root/kafka-0.7.2/bin:/root/Downloads/apache-maven-3.2.5/bin

Flume与Kafka之间整合需要一个插件：这里介绍个flume-kafka插件，flume1.4，kafka0.7.2的基础上，将代码下载下来，进入目录，使用maven打包成jar文件，将生成的jar包放到flume的lib或相关目录下，依次将hadoop.1.2.1-*.jar，kafka0.7.2.jar, scala-compiler.jar(2.8),scala-library.jar(2.8),zkclient-0.1.jar导入，mvn package过程中可能会报错，找不到kafka0.7.2.jar，你需要将额外的extra-dependencies下的包放到‘~/.m2/repository/com/linkedin/kafka/kafka/0.7.2/’下，再进行package。

对于myggg开启6个终端：

对于发送到kafka中的数据以后在处理，现在主要是针对hadoop中的数据，首先使用MR处理，格式化文本。

6：后续：解压eclipse，将之前准备的hadoop-eclipse-plugin-1.2.1.jar放到eclipse下的plugins目录下，使用vnc连接到机器，编写MR程序。

使用’hadoop fs -cat /myFlume/FlumeData.1426320728464’查看文件：

1,b
2,c
3,d
4,e
5,f
6,g
7,z
0,o

编写MR，将一行记录拆分为key,value:

public static class MyMapper
         extends Mapper<Object, Text, IntWritable, Text>{
      private IntWritable hello = new IntWritable();
      private Text world = new Text();
  
      public void map(Object key, Text value, Context context
                      ) throws IOException, InterruptedException {
        String[] array = value.toString().split(",");
        if (array.length == 2) {
          hello.set(Integer.parseInt(array[0]));
          world.set(array[1]);
  
          context.write(hello, world);
        }
      }
    }

查看结果：

[root@myggg eclipse]# hadoop fs -cat /myoutput/part-r-00000
0    o
1    b
2    c
3    d
4    e
5    f
6    g
7    z

使用hive建立外部表查看数据：

create external table employee(id int, name string)
row format delimited fields terminated by '\t'
lines terminated by '\n'
stored as textfile
location '/myoutput';

然后就可以进行相关查询与处理了。