flume+kafka+smart数据接入实施手册

1.  概述

本手册主要介绍了，一个将传统数据接入到Hadoop集群的数据接入方案和实施方法。供数据接入和集群运维人员参考。

1.1.   整体方案

     Flume作为日志收集工具，监控一个文件目录或者一个文件，当有新数据加入时，收集新数据发送给Kafka。Kafka用来做数据缓存和消息订阅。Kafka里面的消息可以定时落地到HDFS上，也可以用Spark Streaming来做实时处理，然后将处理后的数据落地到HDFS上。

1.2.   数据接入流程

本数据接入方案，分为以下几个步骤：

l 安装部署Flume：在每个数据采集节点上安装数据采集工具Flume。详见“2、安装部署Flume”。

l 数据预处理：生成特定格式的数据，供Flume采集。详见“3、数据预处理”。

l Flume采集数据到Kafka: Flume采集数据并发送到Kafka消息队列。详见“4、Flume采集数据到Kafka”。

l Kafka数据落地：将Kafka数据落地到HDFS。详见“5、Kafka数据落地”。

2.  安装部署Flume

    若要采集数据节点的本地数据，每个节点都需要安装一个Flume工具，用来做数据采集。

2.2.1下载并安装

到官网去下载最新版本的Flume

下载地址为：http://flume.apache.org/，目前最新版本为1.6.0，需要1.7及以上版本的JDK。

1、解压

tar -xzvf apache-flume-1.6.0-bin.tar.gz  -C /usr/local/

2、安装JDK1.7

   如果节点上JDK版本低于1.7，需要安装1.7或以上版本的JDK

JDK 1.7 下载地址：

http://www.oracle.com/technetwork/java/javase/downloads/jdk7-downloads-1880260.html

在Flume目录下创建一个java目录，存放JDK

?

1 2 3 4

cd /usr/local/apache-flume-1.6.0-bin mkdir java cd java tar -xzvf jdk-7u79-linux-x64.tar.gz

2.2.2配置Flume系统参数

修改 flume-env.sh 配置文件，主要是JAVA_HOME变量设置

?

1 2	cd /usr/local/apache-flume-1.6.0-bin/conf cp　flume-env.sh.template　flume-env.sh

在flume-env.sh里面设置FLUME_CLASSPATH变量和JAVA_HOME变量，

示例：

?

1 2	export JAVA_HOME=/usr/local/apache-flume-1.6.0-bin/java/jdk1.7.0_79 FLUME_CLASSPATH="/usr/local/apache-flume-1.6.0-bin/"

变量具体内容根据实际修改

2.2.3添加Flume第三方依赖

添加第三方依赖包flume-plugins-1.0-SNAPSHOT.jar，此包实现了一个Flume拦截器，将Flume采集到的数据进行序列化、结构化等预处理，最后每条数据生成一条Event数据返回。

?

1 2 3 4 5 6

cd /usr/local/apache-flume-1.6.0-bin mkdirplugins.d    --创建依赖目录，目录名必须为plugins.d cdplugins.d mkdirflume-plugins          --项目目录，目录名随意 cdflume-plugins mkdirlib           --jar包目录，目录名必须为lib

将第三方jar包flume-plugins-1.0-SNAPSHOT.jar放在lib目录下

2.2.4添加Hive配置文件

将hive-site.xml文件拷贝到/usr/local/apache-flume-1.6.0-bin/conf目录下，并修改hive元数据地址与真实地址对应。如下所示：

?

1 2 3 4

<property>    <name>hive.metastore.uris</name>    <value>thrift://m103:9083,thrift://m105:9083</value> </property>

2.2.5创建Flume agent配置文件

创建flume启动配置文件，指定source，channel，sink 3个组件内容。每个组件都有好几种配置选项，具体配置请查看Flume官网。创建配置文件flume.conf，示例如下：

vim flume.conf

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

a1.sources = x1 a1.sinks = y1 a1.channels = z1 # Describe/configure thesource a1.sources.x1.type =exec a1.sources.x1.channels =z1 a1.sources.x1.command =tail -F /home/xdf/exec.txt # Describe the sink a1.sinks.y1.type =logger # Use a channel whichbuffers events in memory a1.channels.z1.type =memory a1.channels.z1.capacity= 1000 a1.channels.z1.transactionCapacity= 100 # Bind the source andsink to the channel a1.sources.x1.channels =z1 a1.sinks.y1.channel = z1

2.2.6启动Flume Agent

进入Flume安装目录，开启agent。

?

1 2	cd /usr/local/apache-flume-1.6.0-bin ./bin/flume-ng agent--conf conf --conf-file flume.conf --name a3 -Dflume.root.logger=INFO,console

注意：-Dflume.root.logger=INFO,console仅为 debug 使用，请勿生产环境生搬硬套，否则大量的日志会返回到终端。-c/--conf 后跟配置目录，-f/--conf-file 后跟具体的配置文件，-n/--name 指定agent的名称。

2.2.7 测试

上面配置的example.conf文件，实现的功能是监控文件/home/xdf/exec.txt，如果有新数据写入时，Flume就会采集到新数据并打印在控制台上。

测试用例：向/home/xdf/exec.txt文件中写入内容“hello flume”。

?

1	echo 'hello flume'>> /home/xdf/exec.txt

Flume 终端窗口此时会打印出如下信息，就表示成功了：

?

1	2015-06-3016:01:52,910 (SinkRunner-PollingRunner-DefaultSinkProcessor) [INFO -org.apache.flume.sink.LoggerSink.process(LoggerSink.java:94)] Event: {headers:{} body: 68 65 6C 6C 6F 20 66 6C 75 6D 65 hello flume }

至此，Flume安装部署完毕。

3.   数据预处理

1、Flume采集数据都是按行分割的，一行代表一条记录。如果原始数据不符合要求，需要对数据进行预处理。示例如下:

原始数据格式为:

?

1 2 3 4 5 6

out: === START OFINFORMATION SECTION === out: Vendor:               TOSHIBA out: Product:              MBF2300RC out: Revision:             0109 out: User Capacity:        300,000,000,000 bytes [300 GB] out: Logical blocksize:   512 bytes

   经过预处理，我们将数据变为一条5个字段的记录：

?

1	TOSHIBA;MBF2300RC;0109;300;512

2、如果要将上面数据接入到hive中，我们还需要下面几个处理：

a.      创建一张hive表

?

1	createtable test(Vendor string,Product string,Revision string,User_Capacitystring,block string);

b.      在Kafka节点上创建一个topic，名字与上面hive表名对应，格式为“hive-数据库名-表名”。示例如下：

?

1	bin/kafka-topics --create --zookeeper localhost:2181/kafka     --topic hive-xdf-test  --partitions 1 --replication-factor 1

c.       将第一步得到的记录数据与topic整合成一条记录，用“@@”分割。示例如下：

?

1	hive-xdf-test @@TOSHIBA;MBF2300RC;0109;300;512

d.      Flume采集整合后的一条数据，通过topic获取hive表的元数据，根据元数据对记录数据进行结构化、序列化处理，然后经过Kafka存入到hive表中。具体操作参考下面具体步骤所示。

4.  Flume采集数据到Kafka

Flume如果要将采集到的数据发送到Kafka，需要指定配置文件（如下：flume_test.conf）的sink类型为KafkaSink，并且指定Kafka 的broker list。配置文件示例如下，红色标注的为KafkaSink配置项：

vimflume_test.conf

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

a3.channels= c3 a3.sources= r3 a3.sinks= k3   a3.sources.r3.type= exec a3.sources.r3.channels= c3 a3.sources.r3.command= tail -F /home/xdf/exec.txt a3.sources.r3.fileHeader= false a3.sources.r3.basenameHeader= false a3.sources.r3.interceptors= i3 a3.sources.r3.interceptors.i3.type=iie.flume.interceptor.CSVInterceptor$Builder a3.sources.r3.interceptors.i3.separator= ; a3.sources.r3.decodeErrorPolicy=IGNORE   a3.channels.c3.type= memory a3.channels.c3.capacity= 10000 a3.channels.c3.transactionCapacity= 1000   a3.sinks.k3.channel= c3 #a3.sinks.k3.type = logger #a3.sinks.k3.batchSize= 10 a3.sinks.k3.type = org.apache.flume.sink.kafka.KafkaSink a3.sinks.k3.brokerList = localhost:9092

注意：此处有一个拦截器插件的定义，它就是用来做结构化、序列化数据预处理的。此插件由上面配置的Flume第三方jar包中获得。

a3.sources.r3.interceptors.i3.type=iie.flume.interceptor.CSVInterceptor$Builder

5.  Kafka数据落地

我们提供了一个Camus工具，来定时将Kafka中的数据落地到hive表中。

Camus工具包含以下三个文件：

文件	说明
camus-example-0.1.0-cdh-SNAPSHOT-shaded.jar	程序运行jar包
camus.properties	配置文件
camusrun.sh	运行脚本

 

配置文件需要根据实际情况，修改以下两个参数

?

1 2	kafka.whitelist.topics=hive-xdf-test         ----数据对应的topic kafka.brokers=m105:9092,m103:9092            ----kafka broker lists

需要指定多个topic时，用逗号间隔，示例：

?

1	Kafka.whitelist.topics=topic1,topic2,topic3

修改完配置文件后，定时运行camusrun.sh脚本，就会将新生成的数据接入到topic所对应的hive表中了。

6.  具体案例

6.1 Smart数据接入

6.1.2 创建hive表

最终我们要将smart数据接入到hive表中，所以我们首先要创建一个满足smart数据结构的hive表。

?

1

createtable smart_data(serial_number String ,update_time string,smart_health_statusstring ,current_drive_temperature int,drive_trip_temperatureint,<br>elements_in_grown_defect_list int,manufactured_time string ,cycle_countint    ,start_stop_cycles int    ,load_unload_count int    ,<br>load_unload_cycles int    ,blocks_sent_to_initiator bigint,blocks_received_from_initiator bigint ,blocks_read_from_cache bigint,<br>num_commands_size_not_larger_than_segment_size bigint,num_commands_size_larger_than_segment_size bigint ,num_hours_powered_upstring      ,<br>num_minutes_next_testint    ,read_corrected_ecc_fast bigint,read_corrected_ecc_delayed bigint ,read_corrected_re bigint,read_total_errors_corrected bigint ,<br>read_correction_algo_invocations bigint,read_gigabytes_processed bigint ,read_total_uncorrected_errors string,write_corrected_ecc_fast bigint ,<br>write_corrected_ecc_delayed bigint,write_corrected_re bigint ,write_total_errors_corrected bigint,write_correction_algo_invocations bigint ,<br>write_gigabytes_processed bigint,write_total_uncorrected_errors string ,verify_corrected_ecc_fast bigint,verify_corrected_ecc_delayed bigint ,<br>verify_corrected_re bigint,verify_total_errors_corrected bigint ,verify_correction_algo_invocationsbigint ,verify_gigabytes_processed bigint ,<br>verify_total_uncorrected_errorsbigint ,non_medium_error_count bigint);

6.1.2 创建topic

Flume采集到的数据要生成一条条的event数据传给kafka消息系统保存，kafka需要事先创建一个topic来生产和消费指定数据。为系统正常运行，我们统一定义topic的名字结构为“hive-数据库名-表名”。需要在kafka集群节点上创建topic，示例如下：

?

1 2	bin/kafka-topics --create --zookeeper localhost:2181/kafka     --topic hive-xdf-smart_data  --partitions 1 --replication-factor 1

注意：此处的数据库名、表名，必须为上一步创建的hive表，因为Flume会通过此topic名来获取hive表的元数据信息，从而生成对应event数据。

6.1.2 配置Flume agent启动参数

生成参数文件smart_test.conf如下：

vim smart_test.conf

 

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

a3.channels= c3 a3.sources= r3 a3.sinks= k3   a3.sources.r3.type= exec a3.sources.r3.channels= c3 a3.sources.r3.command= tail -F /home/xdf/exec.txt a3.sources.r3.fileHeader= false a3.sources.r3.basenameHeader= false a3.sources.r3.interceptors= i3 a3.sources.r3.interceptors.i3.type =iie.flume.interceptor.CSVInterceptor$Builder a3.sources.r3.interceptors.i3.separator= ; a3.sources.r3.decodeErrorPolicy=IGNORE   a3.channels.c3.type= memory a3.channels.c3.capacity= 10000 a3.channels.c3.transactionCapacity= 1000   a3.sinks.k3.channel= c3 #a3.sinks.k3.type = logger #a3.sinks.k3.batchSize= 10 a3.sinks.k3.type= org.apache.flume.sink.kafka.KafkaSink a3.sinks.k3.brokerList= localhost:9092

注意：

1、此处数据源sources的类型为exec。具体命令为：

?

1	a3.sources.r3.command= tail -F /home/xdf/exec.txt

我们定时在每个节点运行一个脚本生成一条smart数据，将数据写入/home/xdf/exec.txt文件。

flume用上面那个命令一直监控文件/home/xdf/exec.txt，如有新数据写入，则采集传输到kafka里。

2、指定了一个自定义的第三方插件，Flume过滤器CSVInterceptor，将CSV格式的数据转化成结构化，序列化的Event格式。

3、Sink为KafkaSink，数据会写到kafka里面，特别注意：这里需要指定对应的brokerList，示例如下：

?

1	a3.sinks.k3.brokerList = m103:9092,m105:9092

6.1.3 开启Flume Agent

执行命令：

?

1 2	cd /usr/local/apache-flume-1.6.0-bin ./bin/flume-ng agent--conf conf --conf-file smart_test.conf --name a3 -Dflume.root.logger=INFO

6.1.4 生成Smart数据

在每个数据节点上运行createEvent.py脚本，生成一条结构化好的smart数据。

脚本有两个参数smart_data.log，hive-xdf-smart_data，前者为smart命令输出的原始信息文件，后者是topic名字，即上一步生成的topic名。

?

1 2	python createEvent.pysmart_data.log hive-xdf-smart_data > /home/xdf/exec.txt

此脚本会解析smart原始信息，生成一条带topic字段的结构化smart数据写入到/home/xdf/exec.txt文件中，数据格式如下：

?

1	hive-xdf-smart_data@@EB00PC208HFC;2015-06-2318:56:09;OK;28;65;0;week 08 of year2012;50000;21;200000;69;-1;-1;-1;-1;-1;-1;-1;0;0;0;0;0;0;300744.962;0;0;0;0;0;0;10841.446;0;-1;-1;-1;-1;-1;-1;-1

用符号“@@”将topic跟smart数据分开，smart数据每列间用逗号隔开。

6.1.5 测试时查看Kafka数据

查看数据是否成功生成到kafka中，可在kafka节点上，通过下面命令查看：

?

1	kafka-console-consumer--zookeeper localhost:2181/kafka --topic hive-xdf-smart_data --from-beginning

结果展示：

 

6.1.6 Kafka数据落地到hive表中

打开camus.properties配置文件，修改以下两个参数

?

1 2	kafka.whitelist.topics=hive-xdf-smart_data     ----smart数据对应topic kafka.brokers=m105:9092,m103:9092               ----kafka broker lists

修改完配置文件后，定时运行camusrun.sh脚本，就会将新生成的smart数据接入到topic所对应的hive表中了。

camusrun.sh脚本内容入下：

?

1 2	#!/bin/bash hadoop jarcamus-example-0.1.0-cdh-SNAPSHOT-shaded.jarcom.linkedin.camus.etl.kafka.CamusJob -P camus.properties

至此，数据接入流程完毕。