Spark实训3-1 flume数据采集和清洗

在河南工业大学的人工智能与大数据学院项目中,通过Xftp将不干净的数据上传到本地虚拟机,然后使用Flume进行数据采集。配置Flume的Taildir源和File_Roll接收器,设置文件路径、批处理大小和错误策略。数据被存储到内存通道并定期滚动到指定目录,采集完成后可通过Ctrl+Z退出,生成的文件可重命名和过滤。
摘要由CSDN通过智能技术生成

河南工业大学人工智能与大数据学院

对于该项目首先将不太干净的数据上传至本地虚拟机,本人用xftp上传

之后,需要转到flume的conf目录编写配置文件,我的路径是/usr/local/flume/conf

编写flume的conf文件,假设命名为flume_test.conf ,用vim编辑:vim flume_test.conf

内容如下:

#Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe the source
a1.sources.r1.type = TAILDIR
#保存的是采集进度,方便记录采集进度,不要也行(建议要)
a1.sources.r1.positionFile = /home/hadoop/taildir_position.json
a1.sources.r1.filegroups = f1
#采集文件的名称
a1.sources.r1.filegroups.f1 = /home/hadoop/15.1-17.2.txt               
a1.sources.r1.batchSize = 1000
a1.sources.r1.pollDelay = 5000
a1.sources.r1.decodeErrorPolicy = IGNORE
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = timestamp
# Describe the sink
a1.sinks.k1.type = file_roll
#存放到的文件目录
a1.sinks.k1.sink.directory = /home/hadoop
a1.sinks.k1.sink.rollInterval = 0
a1.sinks.k1.sink.rollSize = 0
a1.sinks.k1.sink.rollCount = 10
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 1000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

启动之前最好多开几个窗口,数据如果过大,可能就采集过滤不完整

启动flume的命令:

flume-ng agent --name a1 --conf conf --conf-file文件路径

对于我就是:

flume-ng agent --name a1 --conf conf --conf-file /home/hadoop/flume/conf/flume_test.conf

 

采集完成后,按ctrl+z退出

最终会在/home/hadoop目录下产生一个名字一般是数字的文件,查看文件是否生成

 查看文件内容:cat 1686106789599-1

文件重命名:mv 1686106789599-1 spark_1.txt

其它数据异曲同工,过滤器改改即可

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
好的,我可以回答这个问题。您可以按照以下步骤来使用Flume采集Kafka数据到HDFS和Hive中: 1. 首先,确保您已经安装了Flume、Kafka、HDFS和Hive等必要的软件。 2. 然后,在Flume的配置文件中添加Kafka作为Source和HDFS/Hive作为Sink。例如,以下是一个简单的配置文件示例: ``` agent.sources = kafka-source agent.channels = hdfs-channel agent.sinks = hdfs-sink hive-sink agent.sources.kafka-source.type = org.apache.flume.source.kafka.KafkaSource agent.sources.kafka-source.batchSize = 1000 agent.sources.kafka-source.kafka.bootstrap.servers = localhost:9092 agent.sources.kafka-source.kafka.topics = my-topic agent.sources.kafka-source.kafka.consumer.group.id = my-group agent.channels.hdfs-channel.type = memory agent.channels.hdfs-channel.capacity = 10000 agent.channels.hdfs-channel.transactionCapacity = 100 agent.sinks.hdfs-sink.type = hdfs agent.sinks.hdfs-sink.hdfs.path = hdfs://localhost:9000/flume/kafka agent.sinks.hdfs-sink.hdfs.fileType = DataStream agent.sinks.hdfs-sink.hdfs.writeFormat = Text agent.sinks.hdfs-sink.channel = hdfs-channel agent.sinks.hive-sink.type = hive agent.sinks.hive-sink.hive.metastore = thrift://localhost:9083 agent.sinks.hive-sink.hive.database = my-db agent.sinks.hive-sink.hive.table = my-table agent.sinks.hive-sink.hive.partition = dt=%Y-%m-%d agent.sinks.hive-sink.channel = hdfs-channel ``` 在上面的配置文件中,我们使用Kafka作为Source,将数据写入到HDFS和Hive中。我们使用Memory Channel将数据缓存在内存中,然后将其写入到HDFS和Hive中。在Hive Sink中,我们还定义了一个分区,以便按日期对数据进行分区。 3. 最后,运行Flume代理以开始从Kafka读取数据并将其写入到HDFS和Hive中。您可以使用以下命令来启动Flume代理: ``` $ bin/flume-ng agent -n agent -c conf -f conf/flume-kafka-hdfs-hive.conf ``` 这样,Flume代理就会开始从Kafka读取数据,并将其写入到HDFS和Hive中。 希望这些信息能够帮助您采集Kafka数据到HDFS和Hive中。如果您有任何其他问题,请随时问我。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

打铁柒柒

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值