Flume实战案例 -- 采集某个目录到HDFS

需求分析

• 采集需求：某服务器的某特定目录下，会不断产生新的文件，每当有新文件出现，就需要把文件采集到HDFS中去

• 结构示意图：
  

• 根据需求，首先定义以下3大要素

  • 数据源组件，即source ——监控文件目录 : spooldir

    spooldir特性：

    1、监视一个目录，只要目录中出现新文件，就会采集文件中的内容

    2、采集完成的文件，会被agent自动添加一个后缀：COMPLETED

    3、此source可靠，不会丢失数据；即使flume重启或被kill

    注意：

    所监视的目录中不允许有同名的文件；且文件被放入spooldir后，就不能修改

    ①如果文件放入spooldir后，又向文件写入数据，会打印错误及停止

    ②如果有同名的文件出现在spooldir，也会打印错误及停止

  • 下沉组件，即sink——HDFS文件系统 : hdfs sink

  • 通道组件，即channel——可用file channel 也可以用内存channel

flume配置文件开发

• 配置文件编写：

  cd /bigdata/install/flume-1.9.0/conf/
  mkdir -p /bigdata/install/mydata/flume/dirfile
  vim spooldir.conf
  

• 内容如下

  # Name the components on this agent
  a1.sources = r1
  a1.sinks = k1
  a1.channels = c1
  
  # Describe/configure the source
  # 注意：不能往监控目中重复丢同名文件
  a1.sources.r1.type = spooldir
  # 监控的路径
  a1.sources.r1.spoolDir = /bigdata/install/mydata/flume/dirfile
  # Whether to add a header storing the absolute path filename
  #文件绝对路径放到header
  a1.sources.r1.fileHeader = true
  
  # Describe the sink
  a1.sinks.k1.type = hdfs
  a1.sinks.k1.channel = c1
  #采集到的数据写入到次路径
  a1.sinks.k1.hdfs.path = hdfs://hadoop01:8020/spooldir/files/%y-%m-%d/%H%M/    
  # 指定在hdfs上生成的文件名前缀
  a1.sinks.k1.hdfs.filePrefix = events-
  # timestamp向下舍round down
  a1.sinks.k1.hdfs.round = true
  # 按10分钟，为单位向下取整；如55分，舍成50；38 -> 30
  a1.sinks.k1.hdfs.roundValue = 10
  # round的单位
  a1.sinks.k1.hdfs.roundUnit = minute
  # 每3秒滚动生成一个文件；默认30；(0 = never roll based on time interval)
  a1.sinks.k1.hdfs.rollInterval = 3
  # 每x字节，滚动生成一个文件；默认1024；(0: never roll based on file size)
  a1.sinks.k1.hdfs.rollSize = 20
  # 每x个event，滚动生成一个文件；默认10； (0 = never roll based on number of events)
  a1.sinks.k1.hdfs.rollCount = 5
  # 每x个event，flush到hdfs
  a1.sinks.k1.hdfs.batchSize = 1
  # 使用本地时间
  a1.sinks.k1.hdfs.useLocalTimeStamp = true
  #生成的文件类型，默认是Sequencefile；可选DataStream，则为普通文本；可选CompressedStream压缩数据
  a1.sinks.k1.hdfs.fileType = DataStream
  
  # Use a channel which buffers events in memory
  a1.channels.c1.type = memory
  # channel中存储的event的最大数目
  a1.channels.c1.capacity = 1000
  # 每次传输数据，从source最多获得event的数目或向sink发送的event的最大的数目
  a1.channels.c1.transactionCapacity = 100
  
  # Bind the source and sink to the channel
  a1.sources.r1.channels = c1
  a1.sinks.k1.channel = c1
  

  组件官网地址：

  spooling directory source

  hdfs sink

  memory channel

• Channel参数解释：

  • capacity：默认该通道中最大的可以存储的event数量
  • trasactionCapacity：每次最大可以从source中拿到或者送到sink中的event数量
  • keep-alive：event添加到通道中或者移出的允许时间

启动flume

cd /bigdata/install/flume-1.9.0
bin/flume-ng agent -c ./conf -f ./conf/spooldir.conf -n a1 -Dflume.root.logger=INFO,console

上传文件到指定目录

• 将不同的文件上传到下面目录里面去，注意文件不能重名

  mkdir -p /home/hadoop/datas
  cd /home/hadoop/datas
  vim a.txt
  
  # 加入如下内容
  ab cd ef
  english math
  hadoop alibaba
  

• 再执行；

    cp a.txt /bigdata/install/mydata/flume/dirfile
  

• 然后观察flume的console动静、hdfs webui生成的文件

  

• 观察spooldir的目标目录

  

• 将同名文件再次放到/bigdata/install/mydata/flume/dirfile观察现象：

  cp a.txt /bigdata/install/mydata/flume/dirfile
  

• flume控制台报错