大数据项目重温——电商数据仓库(三)数据采集模块（中）

最新推荐文章于 2024-02-01 13:16:33 发布

置顶 Moody丶

最新推荐文章于 2024-02-01 13:16:33 发布

阅读量1.6k

点赞数

分类专栏： Hadoop 重温大数据大数据学习文章标签：大数据项目

本文链接：https://blog.csdn.net/yw1441776254/article/details/97150155

版权

重温大数据同时被 3 个专栏收录

19 篇文章 3 订阅

订阅专栏

大数据学习

13 篇文章 1 订阅

订阅专栏

Hadoop

8 篇文章 1 订阅

订阅专栏

9、数据采集模块

(三).日志生成

(1).日志启动

1）代码参数说明

// 参数一：控制发送每条的延时时间，默认是0 Long delay = args.length > 0 ?
Long.parseLong(args[0]) : 0L;
// 参数二：循环遍历次数 int loop_len = args.length > 1 ?
Integer.parseInt(args[1]) : 1000;

2）将生成的jar包log-collector-0.0.1-SNAPSHOT-jar-with-dependencies.jar拷贝到hadoop102、服务器上，并同步到hadoop103的/opt/module路径下，

[weiwei@hadoop102 module]$ xsync log-collector-1.0-SNAPSHOT-jar-with-dependencies.jar

3）在hadoop102上执行jar程序

[weiwei@hadoop102 module]$ java -classpath log-collector-1.0-SNAPSHOT-jar-with-dependencies.jar com.weiwei.appclient.AppMain  >/opt/module/test.log

4）在/tmp/logs路径下查看生成的日志文件

[weiwei@hadoop102 module]$ cd /tmp/logs/
[weiwei@hadoop102 logs]$ ls
app-2019-02-10.log

(2).集群日志生成启动脚本

1）在/home/weiwei/bin目录下创建脚本lg.sh

[weiwei@hadoop102 bin]$ vim lg.sh

2）在脚本中编写如下内容

#! /bin/bash
	for i in hadoop102 hadoop103 
	do
		ssh $i "java -classpath /opt/module/log-collector-1.0-SNAPSHOT-jar-with-dependencies.jar com.weiwei.appclient.AppMain $1 $2 >/opt/module/test.log &"
	done

3）修改脚本执行权限

[weiwei@hadoop102 bin]$ chmod 777 lg.sh

4）启动脚本

[weiwei@hadoop102 module]$ lg.sh

5）分别在hadoop102、hadoop103的/tmp/logs目录上查看生成的数据

[weiwei@hadoop102 logs]$ ls
app-2019-02-10.log
[weiwei@hadoop103 logs]$ ls
app-2019-02-10.log

(3).集群时间同步修改脚本

1）在/home/weiwei/bin目录下创建脚本dt.sh

[weiwei@hadoop102 bin]$ vim dt.sh

2）在脚本中编写如下内容

#!/bin/bash
log_date=$1
for i in hadoop102 hadoop103 hadoop104
do
	ssh -t $i "sudo date -s $log_date"
done

说明（ssh -t）：https://www.cnblogs.com/kevingrace/p/6110842.html

3）修改脚本执行权限

[weiwei@hadoop102 bin]$ chmod 777 dt.sh

4）启动脚本

[weiwei@hadoop102 bin]$ dt.sh 2019-2-10

(4).集群所有进程查看脚本

1）在/home/weiwei/bin目录下创建脚本xcall.sh

[weiwei@hadoop102 bin]$ vim xcall.sh

2）在脚本中编写如下内容

#! /bin/bash
for i in hadoop102 hadoop103 hadoop104
do
        echo --------- $i ----------
        ssh $i "$*"
done

3）修改脚本执行权限

[weiwei@hadoop102 bin]$ chmod 777 xcall.sh

4）启动脚本

[weiwei@hadoop102 bin]$ xcall.sh jps

(四).采集日志Flume

(1).项目经验之Flume组件

1）Source
①Taildir Source相比Exec Source、Spooling Directory Source的优势？
答：TailDir Source：断点续传、多目录。Flume1.6以前需要自己自定义Source记录每次读取文件位置，实现断点续传。
Exec Source可以实时搜集数据，但是在Flume不运行或者Shell命令出错的情况下，数据将会丢失。
Spooling Directory Source监控目录，不支持断点续传。
② batchSize大小如何设置？
答：Event 1K左右时，500-1000合适（默认为100）
2）Channel
采用Kafka Channel，省去了Sink，提高了效率。

(2).日志采集Flume配置

1）Flume配置分析
在这里插入图片描述
Flume直接读log日志的数据，log日志的格式是app-yyyy-mm-dd.log。

2）Flume的具体配置如下
① 在/opt/module/flume/conf目录下创建file-flume-kafka.conf文件

[weiwei@hadoop102 conf]$ vim file-flume-kafka.conf

② 在文件配置如下内容

a1.sources=r1		#组件定义
a1.channels=c1 c2

#configure source
a1.sources.r1.type = TAILDIR   #taildir方式读数据
a1.sources.r1.positionFile = /opt/module/flume/test/log_position.json   #记录日志读取位置
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /tmp/logs/app.+   //读取日志位置
a1.sources.r1.fileHeader = true
a1.sources.r1.channels = c1 c2

#interceptor
a1.sources.r1.interceptors =  i1 i2   
a1.sources.r1.interceptors.i1.type = com.weiwei.flume.interceptor.LogETLInterceptor$Builder #ETL拦截器     
a1.sources.r1.interceptors.i2.type = com.weiwei.flume.interceptor.LogTypeInterceptor$Builder#日志类型拦截器

a1.sources.r1.selector.type = multiplexing  #根据日志类型分数据
a1.sources.r1.selector.header = topic
a1.sources.r1.selector.mapping.topic_start = c1
a1.sources.r1.selector.mapping.topic_event = c2

#configure channel
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.channels.c1.kafka.topic = topic_start  #日志类型是start ，数据发往channel1
a1.channels.c1.parseAsFlumeEvent = false
a1.channels.c1.kafka.consumer.group.id = flume-consumer

a1.channels.c2.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c2.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.channels.c2.kafka.topic = topic_event  #日志类型是event，数据发往channel2
a1.channels.c2.parseAsFlumeEvent = false
a1.channels.c2.kafka.consumer.group.id = flume-consumer

注意：com.weiwei.flume.interceptor.LogETLInterceptorcom.weiwei.flume.interceptor.LogTypeInterceptor是自定义的拦截器的全类名。需要根据用户自定义的拦截器做相应修改。

3) Flume的ETL和分类型拦截器
本项目中自定义了两个拦截器，分别是：ETL拦截器、日志类型区分拦截器。
(a) ETL拦截器主要用于，过滤时间戳不合法和Json数据不完整的日志
(b) 日志类型区分拦截器主要用于，将启动日志和事件日志区分开来，方便发往Kafka的不同Topic。
① 创建Maven工程flume-interceptor
② 创建包名：com.weiwei.flume.interceptor
③ 在pom.xml文件中添加如下配置

<dependencies>
    <dependency>
        <groupId>org.apache.flume</groupId>
        <artifactId>flume-ng-core</artifactId>
        <version>1.7.0</version>
    </dependency>
</dependencies>

<build>
    <plugins>
        <plugin>
            <artifactId>maven-compiler-plugin</artifactId>
            <version>2.3.2</version>
            <configuration>
                <source>1.8</source>
                <target>1.8</target>
            </configuration>
        </plugin>
        <plugin>
            <artifactId>maven-assembly-plugin</artifactId>
            <configuration>
                <descriptorRefs>
                    <descriptorRef>jar-with-dependencies</descriptorRef>
                </descriptorRefs>
            </configuration>
            <executions>
                <execution>
                    <id>make-assembly</id>
                    <phase>package</phase>
                    <goals>
                        <goal>single</goal>
                    </goals>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

④ 在com.weiwei.flume.interceptor包下创建LogETLInterceptor类名
Flume ETL拦截器LogETLInterceptor

package com.weiwei.flume.interceptor;

import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;

import java.nio.charset.Charset;
import java.util.ArrayList;
import java.util.List;

public class LogETLInterceptor implements Interceptor {

    @Override
    public void initialize() {

    }

    @Override
    public Event intercept(Event event) {

        // 1 获取数据
        byte[] body = event.getBody();
        String log = new String(body, Charset.forName("UTF-8"));

        // 2 判断数据类型并向Header中赋值
        if (log.contains("start")) {
            if (LogUtils.validateStart(log)){
                return event;
            }
        }else {
            if (LogUtils.validateEvent(log)){
                return event;
            }
        }

        // 3 返回校验结果
        return null;
    }

    @Override
    public List<Event> intercept(List<Event> events) {

        ArrayList<Event> interceptors = new ArrayList<>();

        for (Event event : events) {
            Event intercept1 = intercept(event);

            if (intercept1 != null){
                interceptors.add(intercept1);
            }
        }

        return interceptors;
    }

    @Override
    public void close() {

    }

    public static class Builder implements Interceptor.Builder{

        @Override
        public Interceptor build() {
            return new LogETLInterceptor();
        }

        @Override
        public void configure(Context context) {

        }
    }
}

⑤ Flume日志过滤工具类

package com.weiwei.flume.interceptor;
import org.apache.commons.lang.math.NumberUtils;

public class LogUtils {

    public static boolean validateEvent(String log) {
        // 服务器时间 | json
        // 1549696569054 | {"cm":{"ln":"-89.2","sv":"V2.0.4","os":"8.2.0","g":"M67B4QYU@gmail.com","nw":"4G","l":"en","vc":"18","hw":"1080*1920","ar":"MX","uid":"u8678","t":"1549679122062","la":"-27.4","md":"sumsung-12","vn":"1.1.3","ba":"Sumsung","sr":"Y"},"ap":"weather","et":[]}

        // 1 切割
        String[] logContents = log.split("\\|");

        // 2 校验
        if(logContents.length != 2){
            return false;
        }

        //3 校验服务器时间
        if (logContents[0].length()!=13 || !NumberUtils.isDigits(logContents[0])){
            return false;
        }

        // 4 校验json
        if (!logContents[1].trim().startsWith("{") || !logContents[1].trim().endsWith("}")){
            return false;
        }

        return true;
    }

    public static boolean validateStart(String log) {

        if (log == null){
            return false;
        }

        // 校验json
        if (!log.trim().startsWith("{") || !log.trim().endsWith("}")){
            return false;
        }

        return true;
    }
}

⑥ Flume日志类型区分拦截器LogTypeInterceptor

package com.weiwei.flume.interceptor;

import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;

import java.nio.charset.Charset;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;

public class LogTypeInterceptor implements Interceptor {
    @Override
    public void initialize() {

    }

    @Override
    public Event intercept(Event event) {

        // 区分日志类型：   body  header
        // 1 获取body数据
        byte[] body = event.getBody();
        String log = new String(body, Charset.forName("UTF-8"));

        // 2 获取header
        Map<String, String> headers = event.getHeaders();

        // 3 判断数据类型并向Header中赋值
        if (log.contains("start")) {
            headers.put("topic","topic_start");
        }else {
            headers.put("topic","topic_event");
        }

        return event;
    }

    @Override
    public List<Event> intercept(List<Event> events) {

        ArrayList<Event> interceptors = new ArrayList<>();

        for (Event event : events) {
            Event intercept1 = intercept(event);

            interceptors.add(intercept1);
        }

        return interceptors;
    }

    @Override
    public void close() {

    }

    public static class Builder implements  Interceptor.Builder{

        @Override
        public Interceptor build() {
            return new LogTypeInterceptor();
        }

        @Override
        public void configure(Context context) {

        }
    }
}

⑦ 打包
拦截器打包之后，只需要单独包，不需要将依赖的包上传。打包之后要放入Flume的lib文件夹下面。
在这里插入图片描述
注意：
为什么不需要依赖包？因为依赖包在flume的lib目录下面已经存在了。

⑧ 需要先将打好的包放入到hadoop102的/opt/module/flume/lib文件夹下面。

[weiwei@hadoop102 lib]$ ls | grep interceptor flume-interceptor-1.0-SNAPSHOT.jar

⑨ 分发Flume到hadoop103、hadoop104

[weiwei@hadoop102 module]$ xsync flume/
[weiwei@hadoop102 flume]$ bin/flume-ng agent --name a1 --conf-file conf/file-flume-kafka.conf &

4.4.5 日志采集Flume启动停止脚本
1）在/home/weiwei/bin目录下创建脚本f1.sh

[weiwei@hadoop102 bin]$ vim f1.sh

在脚本中填写如下内容

#! /bin/bash

case $1 in
"start"){
        for i in hadoop102 hadoop103
        do
                echo " --------启动 $i 采集flume-------"
                ssh $i "nohup /opt/module/flume/bin/flume-ng agent --conf-file /opt/module/flume/conf/file-flume-kafka.conf --name a1 -Dflume.root.logger=INFO,LOGFILE >/dev/null 2>&1 &"
        done
};;	
"stop"){
        for i in hadoop102 hadoop103
        do
                echo " --------停止 $i 采集flume-------"
                ssh $i "ps -ef | grep file-flume-kafka | grep -v grep |awk '{print \$2}' | xargs kill"
        done

};;
esac

说明1：nohup，该命令可以在你退出帐户/关闭终端之后继续运行相应的进程。nohup就是不挂起的意思，不挂断地运行命令。
说明2：/dev/null代表linux的空设备文件，所有往这个文件里面写入的内容都会丢失，俗称“黑洞”。
标准输入0：从键盘获得输入 /proc/self/fd/0
标准输出1：输出到屏幕（即控制台） /proc/self/fd/1
错误输出2：输出到屏幕（即控制台）/proc/self/fd/2

2）增加脚本执行权限

[weiwei@hadoop102 bin]$ chmod 777 f1.sh

3）fume集群启动脚本

[weiwei@hadoop102 module]$ f1.sh start

4）flume集群停止脚本

[weiwei@hadoop102 module]$ f1.sh stop

Moody丶

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
3
评论
大数据项目重温——电商数据仓库(三)数据采集模块（中）

9、数据采集模块(三).日志生成(1).日志启动1）代码参数说明// 参数一：控制发送每条的延时时间，默认是0 Long delay = args.length > 0 ?Long.parseLong(args[0]) : 0L;// 参数二：循环遍历次数 int loop_len = args.length > 1 ?Integer.parseInt(args[1])...
复制链接

扫一扫