Hadoop 2.0 大家族（四）

---

七、Flume

  Flume是一个分布式高性能、高可靠的数据传输工具，它可用简单的方式将不同数据源的数据导入某个或多个数据中心，典型应用是将众多生产机器日志数据实时导入HDFS。

（一）Flume简介

1、Flume逻辑结构

  Flume核心思想是数据流，即数据从哪来到哪去，中间不需用经过谁。

  用户可以将Flume看成是两台机器之间通过网络互相传送数据，Flume定制了大量的数据源（Thrift、Shell）与数据汇（Thrift、HDFS、Hbase），通过使用“管道”，Flume能够确保不会丢失一条数据，提供了数据高可靠性。

2、Flume组成

（1）Source

  它负责读取原始数据，目前Flume支持大量类型。用户可以自定义Source，使用时在配置文件里声明即可。

（2）Channel

  它负责将从Source端传来的数据存入Channel。Flume的分用、复用和过滤功能即在于此。

（3）Sink

  它负责从Channel中取出并发送数据。Sink内部都是使用netty来发送数据的。

（二）Flume入门

1、Flume部署

  集群中只有一台机器部署Flume就可以接收数据了，此外下面的例题中还要有一台机器做为数据源，负责向Hadoop集群发送数据，故须在cMaster与iClient上部署Flume。

（1）部署Flume接收端：

[root@cMaster ~]# sudo yum install flume-ng-agent                  #在cMaster上部署Flume

（2）部署Flume发送端：

[root@iClient ~]# sudo yum install flume-ng-agent                      #在iClient上部署Flume

2、Flume访问接口

  Flume提供了命令行接口和程序接口，无论是命令行还是程序接口，都必须使用Flume配置文档，这也是Flume架构思想之一——配置型工具。

【例6】 按要求完成问题：
① 进入Flume命令行，查看常用命令。
② 要求发送端iClient使用telnet向cMaster发送数据，而接收端cMaster开启44444端口接收数据，并将收到的数据显示于命令行。
③ 要求发送端iClient将本地文件“/home/joe/source.txt”发往接收端cMaster，而接收端cMaster将这些数据存入HDFS。
④ 根据问题③，接收端cMaster开启接收数据的Flume服务，既然此服务能接收iClient发来的数据，它必然也可以接收iHacker机器（黑客）发来的数据，问如何尽量减少端口攻击，并保证数据安全。

解：

  对于问题①，直接在iClient上执行如下命令即可：

[root@iClient ~]# flume-ng                                        #查看Flume常用命令

  对于问题②，首先需要在cMaster上按要求配置并开启Flume，接着在iClient上使用telnet向cMaster发送数据，具体过程参见如下几步。
  在cMaster上以root权限，新建文件“/etc/flume/conf/flume.conf”，并填入如下内容：

# 命令此处agent名为a1，并命名此a1的sources为r1，channels为c1，sinks为k1
a1.sources = r1
a1.channels = c1
a1.sinks = k1
# 定义sources相关属性：即此sources在cMaster上开启44444端口接收以netcat协议发来的数据
a1.sources.r1.type = netcat
a1.sources.r1.bind = cMaster
a1.sources.r1.port = 44444
# 定义channels及其相关属性，此处指定此次服务使用memory暂存数据
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# 定义此sink为logger类型sink：即指定sink直接将收到的数据输出到控制台
a1.sinks.k1.type = logger
# 将sources关联到channels，channels关联到sinks上
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

  接着在cMaster上使用此配置以前台方式开启Flume服务：

[root@cMaster ~]# flume-ng agent -c /etc/flume-ng/ -f /etc/flume-ng/conf/flume.conf -n a1

  此时，接收端cMaster已经配置好并开启了，接下来需要开启发送端，在iClient上执行：

[root@iClient ~]# telnet cMaster 44444

  此时向此命令行里随意输入数据并回车，telnet会将这些数据发往cMaster，再次回到cMaster上执行命令的那个终端，会发现刚才在iClient里输入的数据发送到了cMaster的终端里。如果想退出iClient终端里的telnet，按Ctrl+]组合键（即同时按住Ctrl键和]键），回到telnet后输入“quit”命令回车即可，至于退出cMaster上的Flume，直接按Ctrl+C组合键。

  对于问题③，首先，在cMaster上新建文件“/etc/flume-ng/conf/flume.conf.hdfs”，并填入如下内容：

# 命令此处agent名为a1，并命名此a1的sources为r1，channels为c1，sinks为k1
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# 定义sources类型及其相关属性
# 即此sources为avro类型，且其在cMaster上开启4141端口接收avro协议发来的数据
a1.sources.r1.type = avro
a1.sources.r1.bind = cMaster
a1.sources.r1.port = 4141
# 定义channels类型其实相关属性，此处指定此次服务使用memory暂存数据
a1.channels.c1.type = memory
# 定义此sink为HDFS类型的sink，且此sink将接收的数据以文本方式存入HDFS指定目录
a1.sinks.k1.type = hdfs	
a1.sinks.k1.hdfs.path = /user/joe/flume/cstorArchive
a1.sinks.k1.hdfs.fileType = DataStream
# 将sources关联到channels，channels关联到sinks上
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

  接着，在iClient上新建文件“/root/ businessLog”，并填入如下内容：

ccccccccccccccccccccc
ssssssssssssssssssssssss
tttttttttttttttttttttttttttttttttt
ooooooooooooooooooo
rrrrrrrrrrrrrrrrrrrrrrrrrrrrr

  iClient上还要新建文件“/etc/flume-ng/conf/flume.conf.exce”，并填入如下内容：

# 命令此处agent名为a1，并命名此a1的sources为r1，channels为c1，sinks为k1
a1.sources = r1
a1.channels = c1
a1.sinks = k1
# 定义sources类型及其相关属性，此sources为exce类型
# 其使用Linux cat命令读取文件/root/businessLog，接着将读取到的内容写入channel
a1.sources.r1.type = exec
a1.sources.r1.command = cat /root/businessLog
# 定义channels及其相关属性，此处指定此次服务使用memory暂存数据
a1.channels.c1.type = memory
# 定义此sink为avro类型sink，即其用avro协议将channel里的数据发往cMaster的4141端口
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = cMaster
a1.sinks.k1.port = 4141
# 将sources关联到channels，channels关联到sinks上
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

  至此，发送端iClient和接收端的Flume都已配置完成。现在需要做的是在HDFS里新建目录，并分别开启接收端Flume服务和发送端Flume服务，步骤如下。
  在cMaster上开启Flume，其中“flume-ng … a1”命令表示使用flume.conf.hdfs配置启动Flume，参数a1即是配置文件里第一行定义的那个a1。

[root@cMaster ~]# sudo -u joe hdfs dfs -mkdir flume                #HDFS里新建目录/user/joe/flume
[root@cMaster ~]# sudo -u joe flume-ng agent -c /etc/flume-ng/ -f /etc/flume-ng/conf/flume.conf.hdfs -n a1

  最后，在iClient上开启发送进程，与上一条命令类似，这里的a1，即flume.conf.exce定义的a1：

[root@iClient ~]# flume-ng agent -c /etc/flume-ng/ -f /etc/flume-ng/conf/flume.conf.exce -n a1

  此时，用户在iClient端口里打开“cMaster:50070”，依次进入目录“/user/joe/flume/cstorArchive”，将会查看到从iClient上传送过来的文件。

  问题④属于开放性问题，请参考官方文档，讨论并解决。

八、Mahout

  Mahout是基于Hadoop平台的机器学习工具，它提供了大量机器学习算法的MR实现，此外，它还提供了大量针对数据预处理的工具类，通过数据预处理工具类与机器学习算法的结合，能够很方便地实现从模型构建到性能测试等一系列步骤。

（一）Mahout简介

  目前Mahout主要包含分类、聚类和协同过滤三种类型算法，需要注意的是Mahout算法处理的数据类型必须是矩阵类型的二进制数据，若数据为文本类型，用户须通过Mahout提供的数据转换工具完成转换，接着提交给相关算法，用户可以把Mahout看成一个Hadoop客户端，只是这个客户端包含了大量的机器学习Jar包。

（二）Mahout入门

1、Mahout部署

  作为Hadoop的一个客户端，Mahout只要在集群中或集群外某台客户机上部署即可，实验中选择在iClient上部署Mahout。

[root@iClient ~]# sudo yum install mahout

2、Mahout访问接口

  Mahout提供了程序和命令行接口，通过参考Mahout已有的大量机器学习算法，程序员也可实现将某算法并行化。

【例7】 要求以joe用户运行Mahout示例程序naivebayes，实现下载数据，建立学习器，训练学习器，最后使用测试数据针对此学习器进行性能测试。

解：

  首先须下载训练数据集和测试数据，接着运行训练MR和测试MR，但是，Mahout里的算法要求输入格式为Value和向量格式的二进制数据，故中间还须加一些步骤，将数据转换成要求格式的数据，下面的脚本naivebayes.sh可以完成这些动作。

#!/bin/sh
#新建本地目录，新建HDFS目录
mkdir -p /tmp/mahout/20news-bydate /tmp/mahout/20news-all && hdfs dfs -mkdir mahout
#下载训练和测试数据集
curl http://people.csail.mit.edu/jrennie/20Newsgroups/20news-bydate.tar.gz \
-o /tmp/mahout/20news-bydate.tar.gz
#将数据集解压、合并，并上传至HDFS
cd /tmp/mahout/20news-bydate && tar xzf /tmp/mahout/20news-bydate.tar.gz && cd
cp -R /tmp/mahout/20news-bydate/*/* /tmp/mahout/20news-all
hdfs dfs -put /tmp/mahout/20news-all mahout/20news-all
#使用工具类seqdirectory 将文本数据转换成二进制数据
mahout seqdirectory -i mahout/20news-all -o mahout/20news-seq -ow
#使用工具类seq2sparse 将二进制数据转换成算法能处理的矩阵类型二进制数据
mahout seq2sparse -i mahout/20news-seq -o mahout/20news-vectors  -lnorm -nv  -wt tfidf
#将总数据随机分成两部分，第一部分约占总数据80%，用来训练模型
#剩下的约20%作为测试数据，用来测试模型
mahout split -i mahout/20news-vectors/tfidf-vectors --trainingOutput mahout/20news-train-vectors \
--testOutput mahout/20news-test-vectors  \
--randomSelectionPct 40 --overwrite --sequenceFiles -xm sequential
#训练Naive Bayes模型
mahout trainnb -i mahout/20news-train-vectors -el -o mahout/model -li mahout/labelindex -ow
#使用训练数据集对模型进行自我测试（可能会产生过拟合）
mahout testnb -i mahout/20news-train-vectors -m mahout/model -l mahout/labelindex \
-ow -o mahout/20news-testing
#使用测试数据对模型进行测试
mahout testnb -i mahout/20news-test-vectors -m mahout/model -l mahout/labelindex \
-ow -o mahout/20news-testing

  脚本写得较为简陋，执行时，切记须在iClient上，以joe用户身份执行，且只能执行一次。再次执行时，先将所有数据全部删除，执行方式如下：

[root@iClient ~]# cp naivebayes.sh /home/joe
[root@iClient ~]# chown joe.joe naivebayes.sh
[root@iClient ~]# sudo –u joe chmod +x naivebayes.sh
[root@iClient ~]# sudo –u joe sh naivebayes.sh

  脚本执行时，用户可以打开Web界面“cMaster:8088”，查看正在执行的Mahout任务；还可以通过Web界面“cMaster:50070”，定位到“/user/joe/mahout/”查看目录变化。