Flume + kafka + HDFS构建日志采集系统

 Flume是一个非常优秀日志采集组件,类似于logstash,我们通常将Flume作为agent部署在application server上,用于收集本地的日志文件,并将日志转存到HDFS、kafka等数据平台中;关于Flume的原理和特性,我们稍后详解,本文只简述如何构建使用Flume + kafka + HDFS构建一套日志采集系统。

    1)Flume:作为agent部署在每个application server,指定需要收集的日志文件列表,日志文件通常为application通过logback等生成。(本文基于Flume 1.7.0)

    2)kafka:基于Flume,将“准实时”数据发送给kafka;比如“tail”某个文件的实时数据。对于实时数据分析组件或者同类型的数据消费者,可以通过kafka获取实时数据。(kafka 0.9.0)

    3)HDFS:基于Flume,将“历史数据”保存在HDFS,“历史数据”比如“每天rotate生成的日志文件”,我们熟悉的catalina.out文件,每天都rotate生成一个新的。当然对于“准实时”数据也可以保存在HDFS中,Flume支持将“tail”的数据每隔?小时生成一个HDFS文件等。通常情况下,我们将“历史数据”保存在HDFS,而不是“实时数据”。(hadoop 2.6.5)

    4)对于历史数据,我们基于Flume的Spooling方式将数据转存在HDFS中;对于“准实时”数据,我们基于Flume的Tail方式将数据转存在kafka中。

 

一、HDFS准备

    首先,我们需要一个hadoop平台,用于保存历史数据,我们所采集的数据通常为“日志数据”,搭建hadoop平台过程此处不再赘言。

    我们规划的5台hadoop,2个namenode基于HA方式部署,3个datanode;其中namenode为4Core、8G、200G配置,datanode为8Core、16G、2T配置,blockSize为128M(日志文件大小普遍为2G左右,每个小时,大概在100M左右),replication个数为2。

 

二、Kafka准备

    kafka的目的就是接收“准实时”数据,受限于kafka的本身特性,我们尽量不要让kafka存储太多的数据,即消息消费端尽可能的快(尽可能短的中断时间)。我们的集群为4个kafka实例,8Core、16G、2T配置,replication个数为2,数据持久时间为7天。kafka和hadoop都依赖于zookeeper集群,zk的集群是额外搭建的。

    比较考验设计的事情,是如何设计Topic;当kafka集群上topic数量过多时,比如一个“tail”的文件分配一个topic,将会对kafka的性能带来巨大挑战,同时Topic太多会导致消息消费端编码复杂度较高;另一个方面,如果Topic过少,比如一个project中所有的“tail”的文件归属一个Topic,那么次topic中的数据来自多个文件,那么数据分拣的难度就会变大。

 

    我个人的设计理念为:一个project中,每个“tail”的文件一个topic,无论这个project部署了多少实力,同一个“tail”文件归为一个topic;比如order-center项目中有一个业务日志pay.log,此project有20台实例,我们的topic名字为order-center-pay,那么这20个实例中的order.log会被收集到此topic中,不过为了便于数据分拣,order.log中每条日志都会携带各自的“local IP”。

 

    kafka的配置样例(server.properties): 

Java代码  收藏代码
  1. broker.id=1  
  2. listeners=PLAINTEXT://10.0.1.100:9092  
  3. port=9092  
  4. #host.name=10.0.1.100  
  5.   
  6. num.network.threads=3  
  7. num.io.threads=8  
  8. num.io.threads=8  
  9. num.network.threads=8  
  10. num.partitions=1  
  11. socket.send.buffer.bytes=102400  
  12. socket.receive.buffer.bytes=102400  
  13. socket.request.max.bytes=104857600  
  14. log.dirs=/data/kafka  
  15.   
  16. num.partitions=1  
  17. num.recovery.threads.per.data.dir=1  
  18. default.replication.factor=2  
  19. log.flush.interval.messages=10000  
  20. log.flush.interval.ms=1000  
  21. log.retention.hours=168  
  22. log.segment.bytes=1073741824  
  23. log.retention.check.interval.ms=300000  
  24.   
  25.   
  26. zookeeper.connect=10.0.1.10:2181,10.0.1.11:2181,10.0.2.10:2181/kafka  
  27. zookeeper.connection.timeout.ms=6000  
  28. delete.topic.enable=true  
  29. min.insync.replicas=1  
  30. zookeeper.session.timeout.ms=6000  

 

    上述配置中,有2个地方需要特别注意:listeners和host.name,我们在listeners中指定kafka绑定的地址和端口,通常为本机的内网IP,将host.name设置为空,此处如果设置不当,会导致Flume无法找到kafka地址(address resolve失败);第二点就是zookeeper.connect地址,我们在地址后面增加了root path,此后Flume作为producer端发送消息时,指定的zookeeper地址也要带上此root path。此外,还有一些重要的参数,比如replicas、partitions等。

 

    kafka不是本文的介绍重点,所以请你参考本人的其他博文获取更多的资讯。

 

三、Flume配置

    根据我们的架构设计要求,实时数据发给kafka,历史数据发给HDFS;Flume完全可以满足我们这些要求,在Flume中,Spooling模式可以扫描一个文件目录下所有的文件,并将新增的文件发送给HDFS;同时其TAILDIR模式中,可以扫描一个(或者多个)文件,不断tail其最新追加的信息,然后发送给kafka。基本概念:

    1、source:源文件、源数据端,指定Flume从何处采集数据(流)。Flume支持多种source,比如“Avro source”(类似RPC模式,接收远端Avro客户端发送的数据Entity)、“Thrift Source”(Thrift客户端发送的数据)、“Exec Source”(linux指令返回的数据条目)、“Kafka Source”、“Syslog Source”、“Http Source”等等。

    我们本文主要涉及到Spooling和Taildir两种,Taildir是1.7新增的特性,在此之前,如果想实现tail特性,需要使用“Exec Source”来模拟,或者自己开发代码。

 

    2、channel:通道,简单而言就是数据流的缓冲池,多个source的数据可以发送给一个channel,在channel内部可以对数据进行cache、溢出暂存、流量整形等。目前Flume支持“Memory Channel”(数据保存在有限空间的内存中)、“JDBC Channel”(数据暂存在数据库中,保障恢复)、“Kafka Channel”(暂存在kafka中)、“File Channel”(暂存在本地文件中);除Memory之外,其他的channel都支持持久化,可以在故障恢复、sink离线或者无sink等场景下提供有效的担保机制,避免消息丢失和流量抗击。

 

    3、sink:流输出端,每个channel都可以对应一个sink,每个sink可以指定一种类型的存储方式,目前Flume支持的sink类型比较常用的有“HDFS Sink”(将数据保存在hdfs中)、“Hive Sink”、“Logger Sink”(特殊场景,将数据以INFO级别输出到控制台,通常用于测试)、“Avro Sink”、“Thrift Sink”、“File Roll Sink”(转存到本地文件系统中)等等。

 

    本文不详细介绍Flume的特性,我们只需要简单知道一些概念即可,source、channel、sink这种模型就是pipeline,一个source的数据可以“复制”到多个channels(扇出),当然多个source也可以聚集到一个channel中,每个channel对应一个sink。每种类型的source、channel、sink都有各自的配置属性,用于更好的控制数据流。

 

    Flume是java语言开发,所以我们在启动Flume之前,需要设定JVM的堆栈大小等选参,以免Flume对宿主机器上的其他application带来负面影响。在conf目录下,修改flume-env.sh:

Java代码  收藏代码
  1. export JAVA_OPTS="-Dcom.sun.management.jmxremote -verbose:gc -server -Xms1g -Xmx1g -XX:NewRatio=3 -XX:SurvivorRatio=8 -XX:MaxMetaspaceSize=128M -XX:+UseConcMarkSweepGC -XX:CompressedClassSpaceSize=128M -XX:MaxTenuringThreshold=5 -XX:CMSInitiatingOccupancyFraction=70 -XX:+PrintGCDetails -XX:+PrintGCDateStamps -Xloggc:/opt/flume/logs/server-gc.log.$(date +%F) -XX:+UseGCLogFileRotation -XX:NumberOfGCLogFiles=1 -XX:GCLogFileSize=64M"  

    本人限定Flume的JVM堆大小为1G,如果你的机器内存空闲较多或者收集的数据文件较多,可以考虑适度增大此值。

 

    除此之外,就是flume的启动配置文件了(flume-conf.properties),如下配置我们模拟一个收集nginx日志的场景:

 

Java代码  收藏代码
  1. ##main  
  2. nginx.channels=ch-spooling ch-tail  
  3. nginx.sources=spooling-source tail-source  
  4. nginx.sinks=hdfs-spooling kafka-tail  
  5.   
  6. ##channel  
  7. nginx.channels.ch-spooling.type=file  
  8. nginx.channels.ch-spooling.checkpointDir=/data/flume/.flume/file-channel/ch-spooling/checkpoint  
  9. nginx.channels.ch-spooling.dataDirs=/data/flume/.flume/file-channel/ch-spooling/data  
  10. nginx.channels.ch-spooling.capacity=1000  
  11. nginx.channels.ch-spooling.transactionCapacity=100  
  12. nginx.channels.ch-spooling.capacity=100000  
  13.   
  14. nginx.channels.ch-tail.type=file  
  15. nginx.channels.ch-tail.checkpointDir=/data/flume/.flume/file-channel/ch-tail/checkpoint  
  16. nginx.channels.ch-tail.dataDirs=/data/flume/.flume/file-channel/ch-tail/data  
  17. nginx.channels.ch-tail.capacity=1000  
  18. nginx.channels.ch-tail.transactionCapacity=100  
  19. nginx.channels.ch-tail.capacity=100000  
  20.   
  21. ##source,历史数据  
  22. nginx.sources.spooling-source.type=spooldir  
  23. nginx.sources.spooling-source.channels=ch-spooling  
  24. ##指定logs目录  
  25. nginx.sources.spooling-source.spoolDir=/data/logs/nginx  
  26. ##开启header,此后event将携带此header  
  27. nginx.sources.spooling-source.fileHeader=true  
  28. nginx.sources.spooling-source.fileHeaderKey=file  
  29. ##header中增加文件名  
  30. nginx.sources.spooling-source.basenameHeader=true  
  31. nginx.sources.spooling-source.basenameHeaderKey=basename  
  32. ##日志发送完毕后,是否删除此源文件,  
  33. #“immediate”表示发送完毕后立即删除,可以节约磁盘空间  
  34. nginx.sources.spooling-source.deletePolicy=never  
  35. ##包含的文件的列表,我们约定所有的日志每天rotate,  
  36. ##格式为“<filename>.log-<yyyyMMdd>”  
  37. ##当前的日志,不会被包含进来。  
  38. nginx.sources.spooling-source.includePattern=^.*\.log-.+$  
  39. nginx.sources.spooling-source.consumeOrder=oldest  
  40. nginx.sources.spooling-source.recursiveDirectorySearch=false  
  41. nginx.sources.spooling-source.batchSize=100  
  42. nginx.sources.spooling-source.inputCharset=UTF-8  
  43. ##如果编解码失败,忽略相应的字符。  
  44. nginx.sources.spooling-source.decodeErrorPolicy=IGNORE  
  45. nginx.sources.spooling-source.selector.type=replicating  
  46. nginx.sources.spooling-source.interceptors=i1 i2  
  47. ##使用timestamp拦截器,将会在event header中增加时间戳字段  
  48. nginx.sources.spooling-source.interceptors.i1.type=timestamp  
  49. ##使用host拦截器,将会在event header中增加"host"字段,值为ip  
  50. nginx.sources.spooling-source.interceptors.i2.type=host  
  51. nginx.sources.spooling-source.interceptors.i2.useIP=true  
  52. nginx.sources.spooling-source.interceptors.i2.hostHeader=host  
  53.   
  54. nginx.sources.tail-source.type=TAILDIR  
  55. nginx.sources.tail-source.channels=ch-tail  
  56. ##本人不想写flume的扩展代码,所以就为每个tail的文件指定一个group  
  57. nginx.sources.tail-source.filegroups=www error  
  58. nginx.sources.tail-source.filegroups.www=/data/logs/nginx/www.log  
  59. nginx.sources.tail-source.filegroups.error=/data/logs/nginx/error.log  
  60. ##对于taildir,需要间歇性的保存tail文件的位置,以便中断后可以继续  
  61. ##json格式文件  
  62. nginx.sources.tail-source.positionFile=/data/flume/.flume/ch-tail/taildir_position.json  
  63. ##每个tail的文件,创建一个kafka topic  
  64. nginx.sources.tail-source.headers.www.topic=nginx-www  
  65. nginx.sources.tail-source.headers.error.topic=nginx-error  
  66. nginx.sources.tail-source.skipToEnd=true  
  67. nginx.sources.tail-source.interceptors=i1 i2  
  68. nginx.sources.tail-source.interceptors.i1.type=timestamp  
  69. nginx.sources.tail-source.interceptors.i2.type=host  
  70. nginx.sources.tail-source.interceptors.i2.useIP=true  
  71. nginx.sources.tail-source.interceptors.i2.hostHeader=host  
  72.   
  73. ##spooling历史数据  
  74. nginx.sinks.hdfs-spooling.channel=ch-spooling  
  75. nginx.sinks.hdfs-spooling.type=hdfs  
  76. nginx.sinks.hdfs-spooling.hdfs.fileType=DataStream  
  77. nginx.sinks.hdfs-spooling.hdfs.writeFormat=Text  
  78. ##保存在hdfs中,路径表达了日志分类信息,第一级为<project>  
  79. ##第二级为<date>  
  80. ##即同一个项目的日子,按照日期汇总。  
  81. nginx.sinks.hdfs-spooling.hdfs.path=hdfs://hadoop-ha/logs/nginx/%Y-%m-%d  
  82. ##hdfs的文件名中包括此源文件所在的host地址,便于数据分拣  
  83. nginx.sinks.hdfs-spooling.hdfs.filePrefix=%{basename}.[%{host}]  
  84. ##对于spooling的文件,文件名尽可能接近原始名称,所以suffix值为空  
  85. nginx.sinks.hdfs-spooling.hdfs.fileSuffix=  
  86. ##文件在同步过程中,后缀为.tmp  
  87. nginx.sinks.hdfs-spooling.hdfs.inUseSuffix=.tmp  
  88. ##不按照时间间隔滚动生成新文件  
  89. nginx.sinks.hdfs-spooling.hdfs.rollInterval=0  
  90. ##1G,当文件大小达到1G后,滚动生成新文件  
  91. nginx.sinks.hdfs-spooling.hdfs.rollSize=1073741824  
  92. ##不按照event条数滚动生成新文件  
  93. nginx.sinks.hdfs-spooling.hdfs.rollCount=0  
  94. ##IO通道空闲60S秒后,关闭  
  95. nginx.sinks.hdfs-spooling.hdfs.idleTimeout=60  
  96.   
  97.   
  98. ##tail实时数据  
  99. nginx.sinks.kafka-tail.channel=ch-tail  
  100. nginx.sinks.kafka-tail.type=org.apache.flume.sink.kafka.KafkaSink  
  101. ##kafka集群地址,可以为其子集  
  102. nginx.sinks.kafka-tail.kafka.bootstrap.servers=10.0.3.78:9092,10.0.4.78:9092,10.0.4.79:9092,10.0.3.77:9092  
  103. ##注意,topic中不支持参数化  
  104. ##但是为了提高扩展性,我们把topic信息通过header方式控制  
  105. #nginx.sinks.kafka-tail.kafka.topic=nginx-%{filename}  
  106. ##default 100,值越大,网络效率越高,但是延迟越高,准实时  
  107. nginx.sinks.kafka-tail.flumeBatchSize=32  
  108. nginx.sinks.kafka-tail.kafka.producer.acks=1  
  109. ##use Avro-event format,will contain flume-headers  
  110. ##default : false  
  111. nginx.sinks.kafka-tail.useFlumeEventFormat=false  

 

    这是一个很长的配置文件,各个配置项的含义大家可以去官网查阅,我们需要注意几个地方:

    1)checkpoint、data目录,最好指定,这对以后排查问题很有帮助

    2)channel,我们需要显示声明其类型,通常我们使用file,对流量抗击有些帮助,前提是指定的目录所在磁盘空间应该相对充裕和高速。

    3)header并不会真的会写入sink,header信息只是在source、channel、sink交互期间有效;我们可以通过header标记一个event流动的特性。

    4)对于spooling source,建议开启basename,即文件的实际名称,我们可以将此header传递到sink阶段。

    5)所有涉及到batchSize的特性,都是需要权衡的:在发送效率和延迟中做出合理的决策。

    6)interceptor是Flume很重要的特性,可以帮助我们在source生命周期之后做一些自定义的操作,比如增加header、内容修正等;此时我们需要关注一些性能问题。

    7)对于taildir,filegroups中可以指定多个值,我的设计原则是一个tail文件对应一个group名称,目前还没有特别好的办法来通配tail文件,只能逐个声明。

    8)对于kafka sink,topic信息可以通过“kafka.topic”指定,也可以在通过header指定(headers.www.topic,“www”对应group名称,“topic”是header的key名称)。为了灵活性,我更倾向于在headers中指定topic。

    9)hdfs sink需要注意其roll的时机,目前影响roll时机的几个参数“minBlockReplicas”、“rollInterval”(根据时间间隔)、“rollSize”(根据文件尺寸)、“rollCount”(根据event条数);此外“round”相关的选项也可以干预滚动生成新文件的时机。

    关于hdfs sink折磨了我很久,flume每次flush都将生成一个新的hdfs文件,最终导致生成很多小文件,我希望一个tail的文件最终在hdfs中也是一个文件;后来经过考虑,使用基于rollSize来滚动生成文件,通常本人的nginx日志文件不超过1G,那么我就让rollSize设置为1G,这样就可以确保不会roll。此外,hdfs每个文件都会有一个“数字”后缀,这个数字是一个内部的counter,目前没有办法通过配置的方式来“消除”,我们先暂且接受吧。

     如下为nginx中log_format样例,我们在每条日志的首个位置,设置了$hostname用于标记此文件的来源机器,便于kafka消息消费者分拣数据。

Java代码  收藏代码
  1. log_format  main  '$hostname|$remote_addr|$remote_user|$time_local|$request|'  
  2.                       '$status|$body_bytes_sent|$http_referer|$request_id|'  
  3.                       '$http_user_agent|$http_x_forwarded_for|$request_time|$upstream_response_time|$upstream_addr|$upstream_connect_time';  

 

    对于flume的配置,我们可以通过zookeeper来保存,这是1.7版本新增的特性,配置中心化,这种方式大家可以参考。不过本人考虑到配置的可见性,我并没有将配置放在zookeeper中,而是放在了一台配置中控机上,通过jenkins来部署flume,每个project分布式部署,每个节点一个flume实例,它们使用同一个配置文件,在部署flume时从中控机上scp新配置即可。(这需要先有一个自动化部署平台)

    我们看到配置文件中的配置项都以“nginx”开头,这个前缀表示agent的名称,我们可以根据实际业务来命名即可,但是在启动flume时必须制定,原则上一个flume-conf.properties文件中可以声明多个agent的配置项,不过我们通常不建议这么用。

 

    我们把flume部署在nginx所在机器上,调整好配置文件,即可启动,flume启动脚本:

Java代码  收藏代码
  1. nohup bin/flume-ng agent --conf conf --conf-file flume-conf.properties --name nginx -Dflume.root.logger=INFO,CONSOLE -Dorg.apache.flume.log.printconfig=true -Dorg.apache.flume.log.rawdata=true  

 

    上述启动指令中,--config-file就是指定配置文件的路径和名称,--name指定agent名称(与配置文件中的配置项前缀保持一致),logger信息我们在线上为INFO,在测试期间可以指定为“DEBUG,LOGFILE”便于我们排查问题。

 

四、tomcat业务日志收集

    关于Flume收集tomcat业务日志,需要调整的点比较多;本人的设计初衷是:

    1)HDFS中收集所有的历史日志,包括catalina、access_log、业务日志等。

    2)kafka只实时收集access_log和指定的业务日志;我们可以用这些数据做业务监控等。

 

    1、tomcat日志格式

    我们首先调整tomcat中的logging.properties:

Java代码  收藏代码
  1. 1catalina.org.apache.juli.AsyncFileHandler.level = FINE  
  2. 1catalina.org.apache.juli.AsyncFileHandler.directory = ${catalina.base}/logs  
  3. ##here  
  4. 1catalina.org.apache.juli.AsyncFileHandler.prefix = catalina.log.  
  5. 1catalina.org.apache.juli.AsyncFileHandler.suffix =  
  6.   
  7. 2localhost.org.apache.juli.AsyncFileHandler.level = FINE  
  8. 2localhost.org.apache.juli.AsyncFileHandler.directory = ${catalina.base}/logs  
  9. 2localhost.org.apache.juli.AsyncFileHandler.prefix = localhost.log.  
  10. 2localhost.org.apache.juli.AsyncFileHandler.suffix =  
  11.   
  12. 3manager.org.apache.juli.AsyncFileHandler.level = FINE  
  13. 3manager.org.apache.juli.AsyncFileHandler.directory = ${catalina.base}/logs  
  14. 3manager.org.apache.juli.AsyncFileHandler.prefix = manager.log.  
  15. 3manager.org.apache.juli.AsyncFileHandler.suffix =  
  16.   
  17. 4host-manager.org.apache.juli.AsyncFileHandler.level = FINE  
  18. 4host-manager.org.apache.juli.AsyncFileHandler.directory = ${catalina.base}/logs  
  19. 4host-manager.org.apache.juli.AsyncFileHandler.prefix = host-manager.log.  
  20. 4host-manager.org.apache.juli.AsyncFileHandler.suffix =  

 

    因为tomcat日志文件滚动格式默认为“catalina.<yyyy-MM-dd>.log”,我们应该把它调整为“catalina.log.<yyyy-MM-dd>”,我们可以通过上述配置方式来达成,最终我们希望无论是tomcat自己的日志、application的业务日志,滚动生成的文件名格式都统一为“<filename>.log.<yyyy-MM-dd>”,这样便于我们在flume中配置正则表达式来spooling这些历史文件。

 

    Flume的配置文件与nginx基本类似,此处不再赘言。

 

   2、业务日志

    我们约定application的业务日志也打印在${tomcat_home}/logs目录下,即与catalina.out在一个目录,每个业务日志每天滚动生成新的历史文件,文件后缀以“.yyyy-MM-dd”结尾,这类文件称为历史文件,被同步到HDFS中。对于实时的日志信息,我们仍然发送给kafka,kafka topic的设计思路跟nginx一样,每个project一种文件对应一个topic,每种文件的日志来自多个application实例,它们混淆在kafka topic中,为了便于日志分拣,我们需要在每条日志中增加一个IP标志项。本人整理发现,在logback中打印local ip默认是不支持的,所以我们需要变通一下,我们在tomcat的启动脚本中定义一个LOCAL_IP这个环境变量,然后再logback.xml中引入即可解决。

Java代码  收藏代码
  1. ##catalina.sh  
  2. ##add   
  3. export LOCAL_IP=`hostname -I`  

 

    在项目中的logback.xml中即可通过${LOCAL_IP}变量声明即可

Java代码  收藏代码
  1. <appender name="FILE" class="ch.qos.logback.core.rolling.RollingFileAppender">  
  2.     <file>${LOG_HOME}/order_center.log</file>  
  3.     <Append>true</Append>  
  4.     <prudent>false</prudent>  
  5.     <encoder class="ch.qos.logback.classic.encoder.PatternLayoutEncoder">  
  6.         <pattern>${LOCAL_IP} %d{yyyy-MM-dd HH:mm:ss.SSS} [%thread] %-5level %logger - %msg%n</pattern>  
  7.     </encoder>  
  8.     <rollingPolicy class="ch.qos.logback.core.rolling.TimeBasedRollingPolicy">  
  9.         <FileNamePattern>${LOG_HOME}/order_center.log.%d{yyyy-MM-dd}</FileNamePattern>  
  10.         <maxHistory>72</maxHistory>  
  11.     </rollingPolicy>  
  12. </appender>  

 

    3、access_log日志

    tomcat的access_log非常重要,可以打印很多信息来帮助我们分析业务问题,所以我们需要将acess_log日志整理规范;我们在server.xml中通过修改如下内容即可:

Java代码  收藏代码
  1. <Valve className="org.apache.catalina.valves.AccessLogValve" directory="logs"  
  2.            prefix="localhost_access_log" suffix=".log" renameOnRotate="true"  
  3.            pattern="%A|%h|%m|%t|%D|&quot;%r&quot;|&quot;%{Referer}i&quot;|&quot;%{User-Agent}i&quot;|%s|%S|%b|%{X-Request-ID}i|%{begin:msec}t|%{end:msec}t" />  

 

    “renameOnRotate”表示是否在rotate时机重命名access_log,我们设定为true,这样access_log文件名默认不带日期格式,时间格式在rotate期间才添加进去。“%A”表示本机的local ip地址,也是用于kakfa分拣日志的标记,X-Request-ID是nginx层自定义的一个trace-ID用于跟踪请求的,如果你没有设定,则可以去掉。

 

    到此为止,我们基本上可以完成这一套日志采集系统了,也为kafka分拣日志信息做好了铺垫,后续接入ELK、storm实时数据分析等也将相对比较容易。

 

五、问题总结

    1、flume + hdfs:

    1)我们首先将hdfs-site.xml,core-site.xml复制到${flume_home}/conf目录下。且flume机器能够与hdfs所有节点通信(网络隔离、防火墙都可能导致它们无法正常通信)。

    2)在Flume根目录下,创建一个plugins.d/hadoop目录,创建lib、libext、native子目录;并将hadoop的相关依赖包复制到libext目录中:

Java代码  收藏代码
  1. commons-configuration-1.6.jar  
  2. hadoop-annotations-2.6.5.jar  
  3. hadoop-auth-2.6.5.jar  
  4. hadoop-common-2.6.5.jar  
  5. hadoop-hdfs-2.6.5.jar  
  6. htrace-core-3.0.4.jar  

 

    同时将如下文件复制到native目录中:

Java代码  收藏代码
  1. libhadoop.a  
  2. libhadooppipes.a  
  3. libhadoop.so.1.0.0  
  4. libhadooputils.a  
  5. libhdfs.a  
  6. libhdfs.so.0.0.0  

 

    这些依赖包,都可以在hadoop的部署包中找到。

 

    2、启动异常:

Java代码  收藏代码
  1. 2016-11-21 12:17:51,419 (SinkRunner-PollingRunner-DefaultSinkProcessor) [ERROR - org.apache.flume.SinkRunner$PollingRunner.run(SinkRunner.java:158)] Unable to deliver event. Exception follows.  
  2. java.lang.IllegalStateException: Channel closed [channel=ch-tail]. Due to java.io.IOException: Cannot lock /root/.flume/file-channel/checkpoint. The directory is already locked. [channel=ch-tail]  

 

    错误描述为:文件已经被lock,无法继续加锁。解决办法:如果一个flume中有多个channel为file类型,它们应该使用不同的数据目录,通过修改默认配置即可。

 

    3、hdfs sink:

    hdfs.fileSuffix的值不支持参数化,本人希望在fileSuffix中使用header,比如hdfs.fileSuffix=%{filename},后来多次尝试发现Flume暂时不支持。

 

    4、在Spooling模式中,已经收集的日志文件,将会被重名为“.COMPLATED”后缀,如果人为的再次创建同名的文件,此时Flume将会报错且停止采集数据。

    5、运行时异常:

Java代码  收藏代码
  1. Nov 2016 17:15:04,737 WARN  [kafka-producer-network-thread | producer-1] (org.apache.kafka.clients.NetworkClient$DefaultMetadataUpdater.handleResponse:582)  - Error while fetching metadata with correlation id 96 : {nginx-www=UNKNOWN}  

 

    出现这种错误的问题,就是flume无法与kafka集群建立连接,无法获取meta信息导致的;通常情况下,你需要修改kafka中的server.properties文件,调整“listeners”、“host.name”配置项即可;其中“listeners”中明确指定绑定到本机的内网IP,"host.name"保持默认或者不声明。


转载自:http://shift-alt-ctrl.iteye.com/blog/2339981

阅读更多
文章标签: 大数据分析架构
个人分类: 大数据分析
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭