flume消费kafka数据，以时间戳的形式创建文件，保存到hdfs

组件：flume-1.8、hadoop-2.6.0、kafka-2.10-0.10.2.1

目的：flume消费kafka数据，以时间戳的形式创建文件，保存到hdfs

SINKS.HDFS配置说明：

• channel

• type

hdfs

• path

写入hdfs的路径，需要包含文件系统标识，比如：hdfs://namenode/flume/webdata/

可以使用flume提供的日期及%{host}表达式。

• filePrefix

默认值：FlumeData

写入hdfs的文件名前缀，可以使用flume提供的日期及%{host}表达式。

• fileSuffix

写入hdfs的文件名后缀，比如：.lzo .log等。

• inUsePrefix

临时文件的文件名前缀，hdfs sink会先往目标目录中写临时文件，再根据相关规则重命名成最终目标文件；

• inUseSuffix

默认值：.tmp

临时文件的文件名后缀。

• rollInterval

默认值：30

hdfs sink间隔多长将临时文件滚动成最终目标文件，单位：秒；

如果设置成0，则表示不根据时间来滚动文件；

注：滚动（roll）指的是，hdfs sink将临时文件重命名成最终目标文件，并新打开一个临时文件来写入数据；

• rollSize

默认值：1024

当临时文件达到该大小（单位：bytes）时，滚动成目标文件；

如果设置成0，则表示不根据临时文件大小来滚动文件；

• rollCount

默认值：10

当events数据达到该数量时候，将临时文件滚动成目标文件；

如果设置成0，则表示不根据events数据来滚动文件；

• idleTimeout

默认值：0 当目前被打开的临时文件在该参数指定的时间（秒）内，没有任何数据写入，则将该临时文件关闭并重命名成目标文件；

• batchSize

默认值：100

每个批次刷新到HDFS上的events数量；

• codeC

文件压缩格式，包括：gzip, bzip2, lzo, lzop, snappy

• fileType

默认值：SequenceFile

文件格式，包括：SequenceFile, DataStream,CompressedStream

当使用DataStream时候，文件不会被压缩，不需要设置hdfs.codeC;

当使用CompressedStream时候，必须设置一个正确的hdfs.codeC值；

• maxOpenFiles

默认值：5000

最大允许打开的HDFS文件数，当打开的文件数达到该值，最早打开的文件将会被关闭；

• minBlockReplicas

默认值：HDFS副本数

写入HDFS文件块的最小副本数。

该参数会影响文件的滚动配置，一般将该参数配置成1，才可以按照配置正确滚动文件。

• writeFormat

写sequence文件的格式。包含：Text, Writable（默认）

• callTimeout

默认值：10000

执行HDFS操作的超时时间（单位：毫秒）；

• threadsPoolSize

默认值：10

hdfs sink启动的操作HDFS的线程数。

• rollTimerPoolSize

默认值：1

hdfs sink启动的根据时间滚动文件的线程数。

• kerberosPrincipal

HDFS安全认证kerberos配置；

• kerberosKeytab

HDFS安全认证kerberos配置；

• proxyUser

代理用户

• round

默认值：false

是否启用时间上的”舍弃”，这里的”舍弃”，类似于”四舍五入”，后面再介绍。如果启用，则会影响除了%t的其他所有时间表达式；

• roundValue

默认值：1

时间上进行“舍弃”的值；

• roundUnit

默认值：seconds

时间上进行”舍弃”的单位，包含：second,minute,hour

 

示例：

a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/%S

a1.sinks.k1.hdfs.round = true

a1.sinks.k1.hdfs.roundValue = 10

a1.sinks.k1.hdfs.roundUnit = minute

当时间为2015-10-16 17:38:59时候，hdfs.path依然会被解析为：

/flume/events/20151016/17:30/00

因为设置的是舍弃10分钟内的时间，因此，该目录每10分钟新生成一个。

• timeZone

默认值：Local Time

时区。

• useLocalTimeStamp

默认值：flase

是否使用当地时间。

• closeTries

默认值：0

hdfs sink关闭文件的尝试次数；

如果设置为1，当一次关闭文件失败后，hdfs sink将不会再次尝试关闭文件，这个未关闭的文件将会一直留在那，并且是打开状态。

设置为0，当一次关闭失败后，hdfs sink会继续尝试下一次关闭，直到成功。

• retryInterval

默认值：180（秒）

hdfs sink尝试关闭文件的时间间隔，如果设置为0，表示不尝试，相当于于将hdfs.closeTries设置成1.

• serializer

默认值：TEXT

序列化类型。其他还有：avro_event或者是实现了EventSerializer.Builder的类名。

kafka-hdfs.conf配置文件内容：（每10分钟创建一个滚动文件夹，数据文件每50M刷新一次）

kafka-hdfs.sources = s1
kafka-hdfs.sinks = k1
kafka-hdfs.channels = c1

#设置kafka源
kafka-hdfs.sources.s1.type = org.apache.flume.source.kafka.KafkaSource
#一批次写入通道的消息最大数
kafka-hdfs.sources.s1.batchSize = 10000
#kafka集群
kafka-hdfs.sources.s1.kafka.bootstrap.servers = 172.25.21.4:9099,172.25.21.5:9099,17
2.25.21.6:9099
#订阅的topics，可定义多个
kafka-hdfs.sources.s1.kafka.topics = testFace,testFace2
#消费者组id
kafka-hdfs.sources.s1.kafka.consumer.group.id=test-consumer-group
#设置sink类型
kafka-hdfs.sinks.k1.type = hdfs
#设置为hdfs目录，文件存储位置
kafka-hdfs.sinks.k1.hdfs.path = hdfs://172.25.21.4:8020/home/hcx/flume/%Y%m%d%H%M

#文件前缀
kafka-hdfs.sinks.k1.hdfs.filePrefix = logs-
kafka-hdfs.sinks.k1.hdfs.round = true
#开启时间上的舍弃，没10分钟创建一个文件夹
kafka-hdfs.sinks.k1.hdfs.roundValue = 10
kafka-hdfs.sinks.k1.hdfs.roundUnit = minute
#使用本地时间戳
kafka-hdfs.sinks.k1.hdfs.useLocalTimeStamp=true
kafka-hdfs.sinks.k1.hdfs.writeFormat = Text
#文件类型
kafka-hdfs.sinks.k1.hdfs.fileType = DataStream
kafka-hdfs.sinks.k1.hdfs.rollCount = 10000
kafka-hdfs.sinks.k1.hdfs.rollInterval = 600
kafka-hdfs.sinks.k1.hdfs.batchSize = 10000
kafka-hdfs.sinks.k1.hdfs.rollSize = 52428800
kafka-hdfs.sinks.k1.hdfs.threadsPoolSize = 20


kafka-hdfs.channels.c1.type = memory
kafka-hdfs.channels.c1.capacity = 1000000
kafka-hdfs.channels.c1.transactionCapacity = 10000

kafka-hdfs.sources.s1.channels=c1
kafka-hdfs.sinks.k1.channel =c1

利用上述flume配置，将数据从kafka消费发送到hdfs指定目录，设置文件类型为DataStream，以Text格式，且每隔10分钟创建一个文件夹用于存放刷入数据。

在启动flume之前，需要先启动zookeeper和kafka。

启动命令如下：

#zookeeper启动命令
bin/zkServer.sh start conf/zoo.cfg

#kafka 启动命令:

bin/kafka-server-start.sh config/server.properties

kafka-hdfs的命令：

bin/flume-ng agent --name kafka-hdfs -c conf -f conf/kafka-hdfs.conf -Dflume.root.logger=INFO,console

 

测试结果图如上图，各个目标文件在每个10分钟的文件夹中。数据文件每50M刷新一次。

flume error总结：

1、时间戳

java.lang.NullPointerException: Expected timestamp in the Flume event headers, but it was null
          at com.google.common.base.Preconditions.checkNotNull(Preconditions.java:204)
          at org.apache.flume.formatter.output.BucketPath.replaceShorthand(BucketPath.java:228)
          at org.apache.flume.formatter.output.BucketPath.escapeString(BucketPath.java:432)
          at org.apache.flume.sink.hdfs.HDFSEventSink.process(HDFSEventSink.java:380)
          at org.apache.flume.sink.DefaultSinkProcessor.process(DefaultSinkProcessor.java:68)
          at org.apache.flume.SinkRunner$PollingRunner.run(SinkRunner.java:147)
          at java.lang.Thread.run(Thread.java:744)
java.lang.NullPointerException: Expected timestamp in the Flume event headers, but it was null
          at com.google.common.base.Preconditions.checkNotNull(Preconditions.java:204)
          at org.apache.flume.formatter.output.BucketPath.replaceShorthand(BucketPath.java:228)
          at org.apache.flume.formatter.output.BucketPath.escapeString(BucketPath.java:432)
          at org.apache.flume.sink.hdfs.HDFSEventSink.process(HDFSEventSink.java:380)
          at org.apache.flume.sink.DefaultSinkProcessor.process(DefaultSinkProcessor.java:68)
          at org.apache.flume.SinkRunner$PollingRunner.run(SinkRunner.java:147)
          at java.lang.Thread.run(Thread.java:744)

 

原因没有设置时间戳，添加sink属性，useLocalTimeStamp=true。

2、HDFS权限不够，无法写

org.apache.hadoop.security.AccessControlException: Permission denied: user=kafka, access=WRITE, inode="/test/flume/16-09-19/events-.1474268726127.tmp":hadoop:supergroup:drwxr-xr-x
          at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.check(FSPermissionChecker.java:319)
          at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.check(FSPermissionChecker.java:292)  

 

HDFS权限不够，要授权。 hadoop fs -chmod 777 -R test/

3、hdfs文件系统错误

java.io.IOException: No FileSystem for scheme: hdfs
          at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2644)
          at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2651)
java.io.IOException: No FileSystem for scheme: hdfs
          at org.apache.hadoop.fs.FileSystem.getFileSystemClass(FileSystem.java:2644)
          at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2651)

 

把hadoop-hdfs-2.6.0.jar复制到flume/bin目录下

4、HDFS IO ERROR

检查端口和IP，排查拒绝连接的原因。

异常总结：

注意：当发送数据量较大，会出现OOM，此时需要调整java_opts的内存设置，防止内存不足引发的异常。

flume启动时的默认最大的堆内存大小是20M，实际环境中数据量较大时，很容易出现OOM问题，在flume的基础配置文件conf下的flume-env.sh中添加

export JAVA_OPTS="-Xms2048m -Xmx2048m -Xss256k -Xmn1g -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:-UseGCOverheadLimit"

并且在flume启动脚本flume-ng中，修改JAVA_OPTS="-Xmx20m"为JAVA_OPTS="-Xmx2048m"

将堆内存的阈值跳转到了2G，实际生产环境中可以根据具体的硬件情况作出调整。

 

另外，当文件系统的磁盘大小可用磁盘很少后，会发生hdfs进入安全模式，namenode无法正常启动。以致于在flume sink 写入hdfs的时候无法创建写入数据，出现如下图的异常。可以通过清理挂载点日志，清理磁盘内容，释放出足够磁盘后，可重启namenode。