NIFI-实现从FTP服务器拉取文件入到clickhouse数据库

一、需求梳理：

1、从FTP服务器上拉取文件（文件名按照固定格式命名）。

2、提取文件名上的一些字符串信息合并到数据流中，入库。

3、替换文件流中的一些字段值。

实现ETL的功能，其流程图如下：

NIFI处理器的选择：

处理器	主要功能
ListFTP	列出服务器文件列表
FetchFTP	根据列表拉取数据
UpdateAttribute	新增流文件属性
UpdateRecord	新增流文件内容或路由逻辑
MergeRecord	文件流纵向合并
MergeContent	文件流横向合并
QueryRecord	从合并流文件中查询结果
InvokeHTTP	结果数据入库
RouteOnAttribute	路由结果数据
HashContent	释放掉结果数据

二、文件流数据替换

选用UpdateRecord处理器、选用Schema Text格式。

{
"type":"record",
"name":"nifiRecord",
"namespace":"org.apache.nifi",
"fields":[
{
"name":"test_a",
"type":[
"null",
"string"
]
},
... {"name":"test_e",
"type":["null"
]"string"]
}] }

三、从FTP拉取csv文件

监控FTP服务器：ListFTP处理器

拉取FTP服务器两个小时之后的数据：新增路由规则

ListFTP->     UpdateAttribute->     RouteOnAttribute->     FetchFTP

新增自定义属性：UpdateAttribute处理器

fileTime： ${filename:getDelimitedField(5,'-'):trim():toDate('yyyyMMddHHmmss'):toNumber()} timeNow： ${now():toNumber():minus(7200000)}

 延时拉取方案实现：

2 hours old ${fileTime:le(${timeNow})}

四、文件实现纵向合并 

1、将文件格式转为avro数据格式（avro数据格式在大量数据合并时效率高）：updateRecord处理器

2、文件合并：MergeRecord处理器

 3、AvroReader控制器服务：通过 Schema Name 和定义的Avro格式的数据字段连接映射关系。

AvroSchemaRegistry 的配置：

dafafile字段值包含性能文件和设备信息文件数据的所有的字段：

{
"name":"datafile",
"type":"record",
"fields":[
{
"name":"d",
"type":"string"
},
{
"name":"xxx",
"type":[
"null",
"string"
]
},
...... { "name": "data_update_time",
"type": ["null"
]"string"]
}]}

 五、从合并后的flowfile中查询结果：QueryRecord处理器

 新增路由关系：query 读控制器服务：AvroReader 写控制器服务：CSVRecordSetWriter

查询语句：

 六、clickhouse入库：InvokeHTTP处理器

HTTP请求方式：POST

配置clickhouse入库方式：用|分割的方式入库

http://ip:port/?input_format_with_names_use_header=0&format_csv_delimiter=%7C&query=INSERT INTO 库名.表名 FORMAT CSVWithNames

七、单机版本测试

一个34M大小的csv文件、合并、提取1000个字段。从服务器拉取文件到实现文件纵向、入库整个流程用时1分半。

10万行888个字段的340M的csv大小文件，转为avro后数据451，整个流程用时15分钟左右。

结论：对于大数据量计算，目前nifi在ETL中的性能瓶颈在QueryRecord中从大量的Avro格式的数据中查找部分数据，存在较大的计算量，用时较多。 

八、版本控制

NiFi 中，其实是可以对一组Data Pipieline 来做一个『版本控制』，就类似于git 一样，git 可以将每次修改好的版本commit 出去且push 到Github 或Gitlab 平台上对应的respository。那NiFi 是如何做到的呢？答案是今天的主角- NiFi Registry。 使用 NiFi Registry 在 Apache NiFi 中自动化工作流部署 可以在多个环境下切换。 参考资料：https://ithelp.ithome.com.tw/articles/10266633 https://pierrevillard.com/2018/04/09/automate-workflow-deployment-in-apache-nifi-with-the-nifi-registry/

九、NiFi 工作流监控 – 带有拆分和合并的等待/通知模式

考虑到当文件数量较大时，监控ETL合并及入库的情况，参考nifi的等待/通知模式，构思监控性能文件、设备文件合并日志，及入库clickhouse的日志记录信息。 参考资料：https://pierrevillard.com/2018/06/27/nifi-workflow-monitoring-wait-notify-pattern-with-split-and-merge/

 十、了解 NiFi 的内容存储库归档的工作原理

参考资料： https://community.cloudera.com/t5/Community-Articles/Understanding-how-NiFi-s-Content-Repository-Archiving-works/ta-p/249418 https://community.cloudera.com/t5/Support-Questions/Need-to-restart-Nifi-1-13-2-to-clean-content-repository/td-p/316610

配置文件：nifi.properties和bootstrap.conf