Flume-ng将数据插入hdfs与HBase-0.96.0

问题导读： 1.如何配置分布式flume 2.master与node之间该如何配置，有什么异同？ 3.启动命令是什么？ 4.flume把数据插入hbase，该如何配置？ 一、Flume-ng配置插入hdfs 1）简介 Flume是一个分布式、可靠、和高可用的海量日志聚合的系统，支持在系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。 设计目标： (1) 可靠性 当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不会进行确认）。 (2) 可扩展性 Flume采用了三层架构，分别为agent，collector和storage，每一层均可以水平扩展。其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题。 (3) 可管理性 所有agent和colletor由master统一管理，这使得系统便于维护。多master情况，Flume利用ZooKeeper和gossip，保证动态配置数据的一致性。用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。Flume提供了web 和shell script command两种形式对数据流进行管理。 (4) 功能可扩展性 用户可以根据需要添加自己的agent，collector或者storage。此外，Flume自带了很多组件，包括各种agent（file， syslog等），collector和storage（File，HDFS，HBase等）。 2）配置 之前配置过Hadoop和hbase，所以需要先将hadoop和hbase启动，才能将文件写入hdfs和hbase。 （hadoop-2.2.0和hbase-0.96.0安装可以参考：hadoop2.2完全分布式最新高可靠安装文档，hbase 0.96整合到hadoop2.2三个节点全分布式安装高可靠文档） 本次配置环境为两台装有centos 的测试集群。主机名为master的机器负责收集日志，主机名为node的机器负责日志的写入，本次配置的写入方式：写入普通目录，写入hdfs。 首先 1.下载flume-ng的二进制压缩文件。 地址：http://flume.apache.org/download.html。 2.下载好后，解压文件。 （1）首先编辑/etc/profile文件，在其中添加如下几行： export FLUME_HOME=/home/aaron/apache-flume-1.4.0-bin export FLUME_CONF_DIR=$FLUME_HOME/conf export PATH=$PATH:$FLUME_HOME/bin 复制代码 添加好之后记得运行$ souce /etc/profile命令使修改生效。 （2）在master的flume文件夹的conf目录中，新建一个flume-master.conf文件，内容如下： agent.sources = seqGenSrc agent.channels = memoryChannel agent.sinks = remoteSink # For each one of the sources, the type is defined agent.sources.seqGenSrc.type = exec agent.sources.seqGenSrc.command = tail -F /home/aaron/test # The channel can be defined as follows. agent.sources.seqGenSrc.channels = memoryChannel # Each sink's type must be defined agent.sinks.loggerSink.type = logger #Specify the channel the sink should use agent.sinks.loggerSink.channel = memoryChannel # Each channel's type is defined. agent.channels.memoryChannel.type = memory # Other config values specific to each type of channel(sink or source) # can be defined as well # In this case, it specifies the capacity of the memory channel agent.channels.memoryChannel.capacity = 100 agent.channels.memoryChannel.keep-alive = 100 agent.sinks.remoteSink.type = avro agent.sinks.remoteSink.hostname = node agent.sinks.remoteSink.port = 23004 agent.sinks.remoteSink.channel = memoryChannel 复制代码 (3)在node机器上也将/etc/profile文件添加上面的配置。然后，在conf中新建一个flume-node.conf文件，修改如下： agent.sources = seqGenSrc1 agent.channels = memoryChannel #agent.sinks = fileSink agent.sinks = <SPANstyle="FONT-FAMILY: Arial, Helvetica, sans-serif">fileSink</SPAN> # For each one of the sources, the type is defined agent.sources.seqGenSrc1.type = avro agent.sources.seqGenSrc1.bind = node agent.sources.seqGenSrc1.port = 23004 # The channel can be defined as follows. agent.sources.seqGenSrc1.channels = memoryChannel # Each sink's type must be defined agent.sinks.loggerSink.type = logger #Specify the channel the sink should use agent.sinks.loggerSink.channel = memoryChannel # Each channel's type is defined. agent.channels.memoryChannel.type = memory # Other config values specific to each type of channel(sink or source) # can be defined as well # In this case, it specifies the capacity of the memory channel agent.channels.memoryChannel.capacity = 100 agent.channels.memoryChannel.keep-alive = 100 agent.sources.flieSink.type = avro agent.sources.fileSink.channel = memoryChannel agent.sources.fileSink.sink.directory = /home/aaron/ agent.sources.fileSink.serializer.appendNewline = true 复制代码 在master上面运行命令： $ bin/flume-ng agent --conf ./conf/ -f conf/flume-maste.conf -Dflume.root.logger=DEBUG,console -n agent 复制代码 在node上运行命令： $ bin/flume-ng agent --conf ./conf/ -f conf/flume-node.conf -Dflume.root.logger=DEBUG,console -n agent 复制代码 启动之后，就可以发现两者之间可以相互通信，master上面的文件就能发送到node上，修改master上的test文件，在后面追加内容时，node也可以接收到。 如果想要将内容写入hadoop，可以将node中的flume-node.conf文件做如下修改： agent.sinks = k2 agent.sinks.k2.type = hdfs agent.sinks.k2.channel = memoryChannel agent.sinks.k2.hdfs.path = hdfs://master:8089/hbase agent.sinks.k2.hdfs.fileType = DataStream agent.sinks.k2.hdfs.writeFormat = Text 复制代码 其中，hdfs://master:8089/hbase为hadoop的hdfs文件路径。 二、Flume-ng将数据插入HBase-0.96.0 首先，修改node中flume文件夹下conf目录中的flume-node.conf文件（原配置参考上文），对其做如下修改： agent.sinks = k1 agent.sinks.k1.type = hbase agent.sinks.k1.table = hello agent.sinks.k1.columnFamily = cf agent.sinks.k1.column = col1 agent.sinks.k1.serializer = org.apache.flume.sink.hbase.SimpleHbaseEventSerializer agent.sinks.k1.channel = memoryChannel 不过和上文不同的是，这次要想得到成功结果就没那么简单了，由于依赖的版本问题。此处需要将flume的lib文件夹下的protobuf用Hadoop-2.2.0中的2.5.0版本替换，还需要用hadoop-2.2.0中的guava替换flume的lib文件夹下的guava，删除原来相应的jar文件。启动即可生效。 （注意：在最新的版本不要做这些了，有些错误详情看我的另一篇文章） flume-ng里面的SimpleHbaseEventSerializer只提供了最简单的数据插入hbase功能，如果还有其他需要，就得自己写HbaseEventSerializer类，在apache-flume-1.4.0-src/flume-ng-sinks/flume-ng-hbase-sink/src/main/java中定义自己的类，实现flume中的HbaseEventSerializer接口。一个简单的实例如下： publicclass MyHBaseSerializer implements HbaseEventSerializer { privatestaticfinal String[] COLUMNS = "column1,column2".split(","); privatestaticfinal String[] PARAMS = "col1,col2".split(","); privatebyte[] columnFamily = "cf".getBytes(); privatebyte[] content; @Override publicvoid configure(Context context) { } @Override publicvoid configure(ComponentConfiguration conf) { } @Override publicvoid initialize(Event event, byte[] columnFamily) { this.content = event.getBody(); this.columnFamily = columnFamily; } @Override public List<Row> getActions() { String string = Bytes.toString(content); String value1 = string.substring(0,string.length()/2); String value2 = string.substring(string.length()/2, string.length()); Map<String,String> map = Maps.newHashMap(); map.put(PARAMS[0], value1); map.put(PARAMS[1], value2); List<Row> actions = new LinkedList<Row>(); String rowKey = String.valueOf(System.currentTimeMillis()); Put put = new Put(Bytes.toBytes(rowKey)); for (int i = 0; i < COLUMNS.length; i++) { String value = map.get(PARAMS); if (value == null) value = ""; put.add(columnFamily, Bytes.toBytes(COLUMNS), Bytes.toBytes(value)); } actions.add(put); return actions; } @Override public List<Increment> getIncrements() { List<Increment> incs = new LinkedList<Increment>(); return incs; } @Override publicvoid close() { } } 该类实现的功能是将文件中的内容按行切分程两部分，分别插入列名为column1和column2的两列中，rowKey为当前时间。完成后将flume-ng代码重新编译打包。然后将flume-ng目录里面的lib文件夹的相应的jar文件替换。然后将上文中的agent.sinks.k1.serializer 值改为test..MyHBaseSerializer即可。其中test为包名。