Flume-NG源码阅读之HBaseSink

　　关于HBase的sink的所有内容均在org.apache.flume.sink.hbase包下。

　　每个sink包括自己定制的，都extends AbstractSink implements Configurable。

　　一、首先是configure(Context context)方法。该方法是对HBaseSink的参数初始化。主要包括以下几个：

　　tableName：要写入的HBase数据表名，不能为空；

　　columnFamily：数据表对应的列簇名，这个sink目前只支持一个列簇，不能为空；

　　batchSize：每次事务可以处理的最大Event数量，默认是100；

　　eventSerializerType：用来将event写入HBase，即将event转化为put。默认是org.apache.flume.sink.hbase.SimpleHbaseEventSerializer，还有一个是RegexHbaseEventSerializer，即适合HBaseSink的Serializer只有这俩，否则自己定制；

　　serializerContext：是eventSerializerType的配置信息，就是配置文件中包含“serializer.”的项；

　　kerberosKeytab和kerberosPrincipal是用来做访问控制的，默认都为空，即不设置。

　　并生成eventSerializerType对应的实例并加以配置，两个Serializer各有不同的用途主要是一个只能写一列，一个可以写多列：　

Class<? extends HbaseEventSerializer> clazz =
          (Class<? extends HbaseEventSerializer>)
          Class.forName(eventSerializerType);
      serializer = clazz.newInstance();
      serializer.configure(serializerContext);        //配置序列化组件，先配置。默认是SimpleHbaseEventSerializer

　　1、SimpleHbaseEventSerializer.configure(Context context)：此Serializer只能将数据写入一列

  public void configure(Context context) {
    rowPrefix = context.getString("rowPrefix", "default");　　//获取RowKey的前缀，固定的部分，默认前缀是default
    incrementRow =
        context.getString("incrementRow", "incRow").getBytes(Charsets.UTF_8);//获取计数器对应的行键
    String suffix = context.getString("suffix", "uuid");　　//rowkey的类型(可以指定的有四种uuid/random/timestamp/nano)，默认是uuid

    String payloadColumn = context.getString("payloadColumn");　　//要写入HBase的列名
    String incColumn = context.getString("incrementColumn");　　//计数器对应的列
    if(payloadColumn != null && !payloadColumn.isEmpty()) {　　//根据suffix决定rowkey类型
      if(suffix.equals("timestamp")){
        keyType = KeyType.TS;
      } else if (suffix.equals("random")) {
        keyType = KeyType.RANDOM;
      } else if(suffix.equals("nano")){
        keyType = KeyType.TSNANO;
      } else {
        keyType = KeyType.UUID;
      }
      plCol = payloadColumn.getBytes(Charsets.UTF_8);　　//列名
    }
    if(incColumn != null && !incColumn.isEmpty()) {　　//存在计数器列
      incCol = incColumn.getBytes(Charsets.UTF_8);
    }
  }

　　2、RegexHbaseEventSerializer.configure(Context context)：此Serializer根据正则可以写入多列

  public void configure(Context context) {
    String regex = context.getString(REGEX_CONFIG, REGEX_DEFAULT);　　//获取配置文件中的正则表达式，默认是“(.*)”
    regexIgnoreCase = context.getBoolean(IGNORE_CASE_CONFIG, 
        INGORE_CASE_DEFAULT);　　//是否忽略大小写
    inputPattern = Pattern.compile(regex, Pattern.DOTALL
        + (regexIgnoreCase ? Pattern.CASE_INSENSITIVE : 0));　　//将给定的正则表达式编译到具有给定标志的模式中
    
    String colNameStr = context.getString(COL_NAME_CONFIG, COLUMN_NAME_DEFAULT);　　//获取配置文件中的列名s
    String[] columnNames = colNameStr.split(",");　　//分割列名获得列名数组
    for (String s: columnNames) { 
      colNames.add(s.getBytes(Charsets.UTF_8));
    }
  }

　　二、start()方法。该方法首先会构造一个HTable对象，并table.setAutoFlush(false)来激活缓冲区(默认大小时2MB)，随后的是一些检查。

　　三、然后是process()方法用来从channel中take数据，serializer之后写入HBase。

public Status process() throws EventDeliveryException {
    Status status = Status.READY;
    Channel channel = getChannel();
    Transaction txn = channel.getTransaction();
    List<Row> actions = new LinkedList<Row>();
    List<Increment> incs = new LinkedList<Increment>();
    txn.begin();
    for(long i = 0; i < batchSize; i++) {
      Event event = channel.take();
      if(event == null){
        status = Status.BACKOFF;
        counterGroup.incrementAndGet("channel.underflow");
        break;
      } else {
        serializer.initialize(event, columnFamily);
        actions.addAll(serializer.getActions());
        incs.addAll(serializer.getIncrements());
      }
    }
    putEventsAndCommit(actions, incs, txn);
    return status;
  }

　　1、actions和incs是要写入HBase的数据，actions对应的是数据；incs对应的是计数器。

　　2、serializer.initialize(event, columnFamily)，两个Serializer的initialize目的一样：

public void initialize(Event event, byte[] columnFamily) {
    this.payload = event.getBody();　　//获取要处理的数据
    this.cf = columnFamily;　　　　//获取要写入的列簇
  }

　　3、serializer.getActions()

　　SimpleHbaseEventSerializer.getActions()方法会根据configure(Context context)中设置的RowKey类型先获取rowkey，可以是毫秒时间戳、随机数、纳秒时间戳以及UUID128位数四种类型。然后构造一个Put对象，将(列簇，列名，数据)添加进这个Put，返回List<Row> actions。

　　RegexHbaseEventSerializer.getActions()方法，首先会做一些判断匹配成功否？匹配出的个数和指定的列数相同否？，然后是获取rowkey，这里的rowkey是[time in millis]-[random key]-[nonce]三部分组成的字符串。剩下的是依次匹配列组成Put，返回List<Row> actions。

　　4、serializer.getIncrements()

　　SimpleHbaseEventSerializer.getIncrements()如果配置文件中配置了incrementColumn，就添加相应的计数器，否则返回一个没有数据的List<Increment>。

　　RegexHbaseEventSerializer.getIncrements()直接返回一个没有数据的List<Increment>，即不设置计数器。

　　5、putEventsAndCommit(actions, incs, txn)方法。首先会table.batch(actions)提交List<Put>；然后是计数器table.increment(i)；txn.commit()提交事务；如有异常txn.rollback()回滚；txn.close()事务关闭。

　　四、stop()方法。table.close();table = null;

 

　　有两个问题撒：

　　1、我们在开发HBase程序的时候总是要指定“hbase.zookeeper.quorum”对应的zookeeper地址的，但是看完HBaseSink也没发现设置的地方，是不是在HBase集群中的任意节点都不需要设置，除非在集群外节点才设置？

　　2、还有在使用时发现放在安装有zookeeper的节点上运行flume报错，删除zookeeper后运行正常，没安装zookeeper的节点上运行正常，这是为什么？？

　　希望知道的可以解答哈。。。HBaseSink也比较简单。。。后续还有更多源码解读！敬请期待！！