今天做了一个flume监控spoolDir日志到HDFS整个流程的小Demo。
流程:
1.编写java代码,随机生成用户ID号码,区县号码,乡镇号码(区县和乡镇号码用随机的三位字母表示)和个人总收入格式样例:779362a1-bf04-468a-91b6-a19d772f41fa####AFC####sfe####8091748。
2.用一个线程循环执行,用Thread.sleep(100)来控制线程执行一次停止100ms,防止cpu在死循环中过载,一秒生成10条数据,用log4j生成相应的日志到指定的目录下面,其中日志每分钟就生成一个格式为yyyy-MM-dd-HH-mm 例如:service.log.2016-10-13-11-32,最后在linux下用shell脚本启动这个java程序。
3.编写shell脚本,定时每分钟从log4j生成的脚本copy当前时间前一分钟产生的日志文件到被flume监控的文件夹内,注意copy过去应该在文件名后面加上.COMPLETED,copy完成后又把这个文件名的.COMPLETED去掉。
例如:
#首先
cp ./log4j/service.log.2016-10-13-11-37 ./monitor/service.log.2016-10-13-11-37.COMPLETED
#然后
mv ./monitor/service.log.2016-10-13-11-37.COMPLETED ./monitor/service.log.2016-10-13-11-37
主要是防止源日志文件太大copy的时候会花比较长的时间,到时候flume会抛异常,当然你还可以使用另外一种解决方案:直接move源日志文件到被flume监控的目录中,不过这种方案没有上面的方案优。
4.配置flume的conf文件
5.编辑crontab每分钟执行这个脚本来拉取源日志文件。
环境:
1.使用的虚拟机为:vmware12
2.centOS6.5
3.hadoop2.2.0 单节点(主要测试用,所以直接用的单节点)
4.Flume 1.6.0 (刚开始用的flume-ng-1.5.0-cdh5.4.5,结果配置中的一个方法在这个版本的flume包里找不到抛异常,就换了个版本搞定)
java代码如下:
其中需要配置log4j配置文件,以及添加log4j的依赖jar包
package com.lijie.test;
import java.util.UUID;
import org.apache.log4j.Logger;
public class DataProduct {
public static void main(String[] args) {
Thread t1 = new Thread(new A());
t1.start();
}
}
class A extends Thread {
private final Logger log = Logger.getLogger(A.class);
public void run() {
//无限循环
while (true) {
//随机产生一个用户uuid
UUID userId = UUID.randomUUID();
//产生一个随机的用户总资产
int num = (int) (Math.random() * 10000000) + 100000;
//产生一个随意的县名
StringBuilder sb = new StringBuilder();
for (int i = 0; i < 3; i++) {
char a = (char) (Math.random() * (90 - 65) + 65);
sb.append(a);
}
String xian = sb.toString();
//产生一个随机的镇名
StringBuilder sb1 = new StringBuilder();
for (int i = 0; i < 3; i++) {
char a = (char) (Math.random() * (122 - 97) + 97);
sb1.append(a);
}
String zhen = sb1.toString();
//生成日志
log.info(userId + "####" + xian + "####" + zhen + "####" + num);
//停0.1秒钟
try {
Thread.sleep(100);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}
}
log4j的配置文件:
log4j.rootCategory=INFO, stdout , R
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%t] %C.%M(%L) | %m%n
log4j.appender.R=org.apache.log4j.DailyRollingFileAppender
log4j.appender.R.File=/home/hadoop/log4j/service.log
log4j.appender.R.DatePattern = '.'yyyy-MM-dd-HH-mm
log4j.appender.R.layout=org.apache.log4j.PatternLayout
log4j.appender.R.layout.ConversionPattern=%d %p [%t] %C.%M(%L) | %m%n
log4j.logger.com.xxx=DEBUG
log4j.logger.controllers=DEBUG
log4j.logger.vo=DEBUG
log4j.logger.notifiers=DEBUG
log4j.logger.com.opensymphony.oscache=WARN
log4j.logger.net.sf.navigator=WARN
log4j.logger.org.apache.commons=WARN
log4j.logger.org.apache.struts=WARN
log4j.logger.org.displaytag=WARN
log4j.logger.org.springframework=WARN
log4j.logger.org.apache.velocity=FATAL
启动java程序的shell脚本 start.sh
APP_HOME=/home/hadoop/myjar
APP_CLASSPATH=$APP_HOME/bin
jarList=$(ls $APP_CLASSPATH|grep jar)
echo $jarList
for i in $jarList
do
APP_CLASSPATH="$APP_CLASSPATH/$i":
done
echo $APP_CLASSPATH
export CLASSPATH=$CLASSPATH:$APP_CLASSPATH
echo $CLASSPATH
java -Xms50m -Xmx250m com.lijie.test.DataProduct
echo Linux Test End
定时拉取源日志的shell脚本 mvlog.sh
#! /bin/bash
DIR=$(cd `dirname $0`; pwd)
mydate=`date +%Y-%m-%d-%H-%M -d '-1 minutes'`
logName="service.log"
monitorDir="/home/hadoop/monitor/"
filePath="${DIR}"/log4j/""
fileName="${logName}"".""${mydate}"
echo "文件地址:${filePath}"
echo "文件名字:${fileName}"
if [ -f "${monitorDir}""${fileName}" ]
then
echo "文件存在,删除文件"
rm -rf "${monitorDir}""${fileName}"
fi
echo "开始复制文件"
cp "${filePath}${fileName}" "${monitorDir}${fileName}"".COMPLETED"
echo "日志复制完成,更改名字"
mv "${monitorDir}${fileName}"".COMPLETED" "${monitorDir}${fileName}"
echo "日志改名完成"
exit
flume的配置文件:
#agent名, source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /home/hadoop/monitor
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://192.168.80.123:9000/flume/%Y%m%d
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#不按照条数生成文件
a1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a1.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a1.sinks.k1.hdfs.rollInterval = 60
#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
启动flume的命令:
../bin/flume-ng agent -n a1 -c conf -f ./flume-conf.properties -Dflume.root.logger=DEBUG,console
crontab的配置
#首先crontab -e编辑下面的代码然后保存
* * * * * sh /home/hadoop/mvlog.sh
#然后启动crontab服务
service crond start
准备工作进行好之后,执行java程序
sh ./start.sh
产生如下日志文件:
日志的内容:
定时任务会拉取这个目录下的日志到monitor目录下,flume就会收集,手机完成后会在文件名添加.COMPLETED后缀:
hdfs的flume下面就会生成当天时间格式化的目录,并且收集的数据会被put到该目录下:
java代码一直生成日志文件,crontab每隔一分钟都会拉取日志到flume监控的目录下面,flume就会把该文件收集到hdfs,这样一个简单的flume监控spoolDir日志到HDFS整个流程的小Demo就实现了。
这里给出老版本和新版本的配置demo,因为官网上面已经明确指明了,新版本已经将一些配置舍弃了:
- 备注下kafkasource配置(老版本):
#agent名, source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type =org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.zookeeperConnect = lijie:2181
a1.sources.r1.groupId = flume
a1.sources.r1.topic = topic001
a1.sources.r1.kafka.consumer.timeout.ms = 100
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://192.168.80.123:9000/flumetest/%Y%m%d
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#不按照条数生成文件
a1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a1.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a1.sinks.k1.hdfs.rollInterval = 60
#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
测试了一下,启动多个flume配置都是同一个group消费同一个kafka数据,也遵循kafka的算法 topic的partition只有三个,我启动了4个flume发现只有三个flume在采集数据,而第四个flume程序在空跑。
测试结果:
- 新版本:
#agent名, source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type =org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.kafka.bootstrap.servers=testmaster:9092,testslave01:9092,testslave02:9092
a1.sources.r1.kafka.topics = kafkatest
a1.sources.r1.kafka.consumer.group.id = lijiegrp
a1.sources.r1.kafka.consumer.timeout.ms = 100
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://testmaster:8020/flumetest/%Y%m%d
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#不按照条数生成文件
a1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a1.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a1.sinks.k1.hdfs.rollInterval = 60
#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1