Flume+Kafka+storm的连接整合
Flume-ng
Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。
Flume的文档可以看http://flume.apache.org/FlumeUserGuide.html 官方的英文文档 介绍的比较全面。
不过这里写写自己的见解
这个是flume的架构图
从上图可以看到几个名词：
Agent: 一个Agent包含Source、Channel、Sink和其他的组件。Flume就是一个或多个Agent构成的。
Source：数据源。简单的说就是agent获取数据的入口 。
Channel：管道。数据流通和存储的通道。一个source必须至少和一个channel关联。
Sink：用来接收channel传输的数据并将之传送到指定的地方。传送成功后数据从channel中删除。
Flume具有高可扩展性 可随意组合：
注意 source是接收源 sink是发送源
上图是一个source将数据发给3个channel 其中的sink2将数据发给JMS ，sink3将数据发给另一个source。
总的来说flume的扩展性非常高 根据需要可随意组合。
现在在说说一个概念叫Event：
Event是flume的数据传输的基本单元。Flume本质上是将数据作为一个event从源头传到结尾。是由可选的Headers和载有数据的一个byte array构成。
代码结构：
/** * Basic representation of a data object inFlume. * Provides access to data as it flows throughthe system. */ public interface Event{ /** * Returns a map of name-valuepairs describing the data stored in the body. */ public Map<String, String> getHeaders(); /** * Set the event headers * @param headersMap of headers to replace the current headers. */ public void setHeaders(Map<String, String> headers); /** * Returns the raw byte array of the datacontained in this event. */ public byte[] getBody(); /** * Sets the raw byte array of the datacontained in this event. * @param body Thedata. */ public void setBody(byte[] body); }
下面介绍下kafka以及kafka和flume的整合
Kafka：
从这个链接抄了些内容下来http://dongxicheng.org/search-engine/kafka/
Kafka是Linkedin于2010年12月份开源的消息系统，它主要用于处理活跃的流式数据。活跃的流式数据在web网站应用中非常常见，这些数据包括网站的pv、用户访问了什么内容，搜索了什么内容等。 这些数据通常以日志的形式记录下来，然后每隔一段时间进行一次统计处理。
传统的日志分析系统提供了一种离线处理日志信息的可扩展方案，但若要进行实时处理，通常会有较大延迟。而现有的消（队列）系统能够很好的处理实时或者近似实时的应用，但未处理的数据通常不会写到磁盘上，这对于Hadoop之类（一小时或者一天只处理一部分数据）的离线应用而言，可能存在问题。Kafka正是为了解决以上问题而设计的，它能够很好地离线和在线应用。
2、 设计目标
（1）数据在磁盘上存取代价为O(1)。一般数据在磁盘上是使用BTree存储的，存取代价为O（lgn）。
（2）高吞吐率。即使在普通的节点上每秒钟也能处理成百上千的message。
（3）显式分布式，即所有的producer、broker和consumer都会有多个，均为分布式的。
（4）支持数据并行加载到Hadoop中。
3、 KafKa部署结构
kafka是显式分布式架构，producer、broker（Kafka）和consumer都可以有多个。Kafka的作用类似于缓存，即活跃的数据和离线处理系统之间的缓存。几个基本概念：
（1）message（消息）是通信的基本单位，每个producer可以向一个topic（主题）发布一些消息。如果consumer订阅了这个主题，那么新发布的消息就会广播给这些consumer。
（2）Kafka是显式分布式的，多个producer、consumer和broker可以运行在一个大的集群上，作为一个逻辑整体对外提供服务。对于consumer，多个consumer可以组成一个group，这个message只能传输给某个group中的某一个consumer.
数据从producer推送到broker，接着consumer在从broker上拉取数据。Zookeeper是一个分布式服务框架 用来解决分布式应用中的数据管理问题等。
在kafka中 有几个重要概念producer生产者 consumer 消费者 topic 主题。
我们来实际开发一个简单的生产者消费者的例子。
生产者：
public classProducerTest { public static void main(String[] args) { Properties props = newProperties(); props.setProperty("metadata.broker.list","xx.xx.xx.xx:9092"); props.setProperty("serializer.class","kafka.serializer.StringEncoder"); props.put("request.required.acks","1"); ProducerConfigconfig = new ProducerConfig(props); Producer<String, String> producer = newProducer<String, String>(config); KeyedMessage<String, String> data = newKeyedMessage<String, String>("kafka","test-kafka"); try { producer.send(data); } catch (Exception e) { e.printStackTrace(); } producer.close(); } }
上面的代码中的xx.xx.xx.xx是kafka server的地址.
上面代码的意思就是向主题 kafka中同步（不配置的话 默认是同步发射）发送了一个信息 是test-kafka.
下面来看看消费者：
public classConsumerTest extends Thread { private finalConsumerConnector consumer; private final String topic; public static voidmain(String[] args) { ConsumerTest consumerThread = newConsumerTest("kafka"); consumerThread.start(); } publicConsumerTest(String topic) { consumer =kafka.consumer.Consumer .createJavaConsumerConnector(createConsumerConfig()); this.topic =topic; } private staticConsumerConfig createConsumerConfig() { Properties props = newProperties(); props.put("zookeeper.connect","xx.xx.xx.xx:2181"); props.put("group.id", "0"); props.put("zookeeper.session.timeout.ms","10000"); // props.put("zookeeper.sync.time.ms", "200"); // props.put("auto.commit.interval.ms", "1000"); return newConsumerConfig(props); } public void run(){ Map<String,Integer> topickMap = new HashMap<String, Integer>(); topickMap.put(topic, 1); Map<String, List<KafkaStream<byte[],byte[]>>> streamMap =consumer.createMessageStreams(topickMap); KafkaStream<byte[],byte[]>stream = streamMap.get(topic).get(0); ConsumerIterator<byte[],byte[]> it =stream.iterator(); System.out.println("--------------------------"); while(it.hasNext()){ // System.out.println("(consumer)--> " +new String(it.next().message())); } } }
上面的代码就是负责接收生产者发送过来的消息 测试的时候先开启消费者 然后再运行生产者即可看到效果。
接下来 我们将flume 和kafka进行整合：
在flume的source数据源接收到数据后 通过管道 到达sink，我们需要写一个kafkaSink 来将sink从channel接收的数据作为kafka的生产者 将数据 发送给消费者。
具体代码：
public class KafkaSink extends AbstractSinkimplementsConfigurable { private static final Log logger = LogFactory.getLog(KafkaSink.class); private Stringtopic; private Producer<String, String>producer; @Override public Status process()throwsEventDeliveryException { Channel channel =getChannel(); Transaction tx =channel.getTransaction(); try { tx.begin(); Event e = channel.take(); if(e ==null) { tx.rollback(); return Status.BACKOFF; } KeyedMessage<String,String> data = new KeyedMessage<String, String>(topic,newString(e.getBody())); producer.send(data); logger.info("Message: {}"+new String( e.getBody())); tx.commit(); return Status.READY; } catch(Exceptione) { logger.error("KafkaSinkException:{}",e); tx.rollback(); return Status.BACKOFF; } finally { tx.close(); } } @Override public void configure(Context context) { topic = "kafka"; Properties props = newProperties(); props.setProperty("metadata.broker.list","xx.xx.xx.xx:9092"); props.setProperty("serializer.class","kafka.serializer.StringEncoder"); // props.setProperty("producer.type", "async"); // props.setProperty("batch.num.messages", "1"); props.put("request.required.acks","1"); ProducerConfigconfig = new ProducerConfig(props); producer = newProducer<String, String>(config); } }
将此文件打成jar包 传到flume的lib下面 如果你也用的是maven的话 需要用到assembly 将依赖的jar包一起打包进去。
在flume的配置是如下：
agent1.sources = source1 agent1.sinks = sink1 agent1.channels =channel1 # Describe/configuresource1 agent1.sources.source1.type= avro agent1.sources.source1.bind= localhost agent1.sources.source1.port= 44444 # Describe sink1 agent1.sinks.sink1.type= xx.xx.xx.KafkaSink(这是类的路径地址) # Use a channel whichbuffers events in memory agent1.channels.channel1.type= memory agent1.channels.channel1.capacity= 1000 agent1.channels.channel1.transactionCapactiy= 100 # Bind the source andsink to the channel agent1.sources.source1.channels= channel1 agent1.sinks.sink1.channel= channel1
测试的话是avro的方式传送数据的 可以这样测试
bin/flume-ng avro-client--conf conf -H localhost -p 44444 -F/data/flumetmp/a
/data/flumetmp/a 这个为文件的地址.
测试的时候在本地 一定要把上面写的消费者程序打开 以便接收数据测试是否成功。
接下来我们介绍下storm然后将kafka的消费者和storm进行整合：
Storm：
Storm是一个分布式的实时消息处理系统。
Storm各个组件之间的关系：
Storm集群主要由一个主节点和一群工作节点（worker node）组成，通过 Zookeeper进行协调。
主节点：主节点通常运行一个后台程序 —— Nimbus，用于响应分布在集群中的节点，分配任务和监测故障。
工作节点： Supervisor,负责接受nimbus分配的任务，启动和停止属于自己管理的worker进程。Nimbus和Supervisor之间的协调由zookeeper完成。
Worker：处理逻辑的进程，在其中运行着多个Task，每个task 是一组spout/blots的组合。
Topology:是storm的实时应用程序，从启动开始一直运行，只要有tuple过来 就会触发执行。拓扑：storm的消息流动很像一个拓扑结构。
2. stream是storm的核心概念，一个stream是一个持续的tuple序列，这些tuple被以分布式并行的方式创建和处理。
3. spouts是一个stream的源头，spouts负责从外部系统读取数据，并组装成tuple发射出去，tuple被发射后就开始再topology中传播。
4. bolt是storm中处理 数据的核心，storm中所有的数据处理都是在bolt中完成的
这里就简单介绍一些概念 具体的可以看些详细的教程。
我们接下来开始整合storm和kafka。
从上面的介绍得知storm的spout是负责从外部读取数据的 所以我们需要开发一个KafkaSpout 来作为kafka的消费者和storm的数据接收源。可以看看这个https://github.com/HolmesNL/kafka-spout。我在下面只写一个简单的可供测试。
具体代码：
public class KafkaSpout implements IRichSpout { private static final Log logger = LogFactory.getLog(KafkaSpout.class); /** * */ private static final long serialVersionUID = -5569857211173547938L; SpoutOutputCollector collector; private ConsumerConnectorconsumer; private Stringtopic; public KafkaSpout(String topic) { this.topic = topic; } @Override public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) { this.collector = collector; } private static ConsumerConfig createConsumerConfig() { Properties props = newProperties(); props.put("zookeeper.connect","xx.xx.xx.xx:2181"); props.put("group.id","0"); props.put("zookeeper.session.timeout.ms","10000"); //props.put("zookeeper.sync.time.ms", "200"); //props.put("auto.commit.interval.ms", "1000"); return new ConsumerConfig(props); } @Override public void close() { // TODOAuto-generated method stub } @Override public void activate() { this.consumer = Consumer.createJavaConsumerConnector(createConsumerConfig()); Map<String, Integer> topickMap = newHashMap<String, Integer>(); topickMap.put(topic,new Integer(1)); Map<String, List<KafkaStream<byte[],byte[]>>>streamMap =consumer.createMessageStreams(topickMap); KafkaStream<byte[],byte[]>stream = streamMap.get(topic).get(0); ConsumerIterator<byte[],byte[]> it =stream.iterator(); while (it.hasNext()) { String value = newString(it.next().message()); System.out.println("(consumer)-->" + value); collector.emit(new Values(value), value); } } @Override public void deactivate() { // TODOAuto-generated method stub } private boolean isComplete; @Override public void nextTuple() { } @Override public void ack(Object msgId) { // TODOAuto-generated method stub } @Override public void fail(Object msgId) { // TODOAuto-generated method stub } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("KafkaSpout")); } @Override public Map<String, Object> getComponentConfiguration() { // TODOAuto-generated method stub return null; } } public class FileBlots implementsIRichBolt{ OutputCollector collector; public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; } public void execute(Tuple input) { String line = input.getString(0); for(String str : line.split("\\s+")){ List a = newArrayList(); a.add(input); this.collector.emit(a,newValues(str)); } this.collector.ack(input); } public void cleanup() { } public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("words")); } public Map<String, Object> getComponentConfiguration() { // TODOAuto-generated method stub return null; } } public class WordsCounterBlots implementsIRichBolt{ OutputCollector collector; Map<String, Integer> counter; public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; this.counter =new HashMap<String, Integer>(); } public void execute(Tuple input) { String word = input.getString(0); Integer integer = this.counter.get(word); if(integer !=null){ integer +=1; this.counter.put(word, integer); }else{ this.counter.put(word, 1); } System.out.println("execute"); Jedis jedis = JedisUtils.getJedis(); jedis.incrBy(word, 1); System.out.println("============================================="); this.collector.ack(input); } public void cleanup() { for(Entry<String, Integer> entry :this.counter.entrySet()){ System.out.println("------:"+entry.getKey()+"=="+entry.getValue()); } } public void declareOutputFields(OutputFieldsDeclarer declarer) { } public Map<String, Object> getComponentConfiguration() { // TODOAuto-generated method stub return null; } }
Topology测试：
public class KafkaTopology { public static void main(String[] args) { try { JedisUtils.initialPool("xx.xx.xx.xx", 6379); } catch (Exception e) { e.printStackTrace(); } TopologyBuilder builder = newTopologyBuilder(); builder.setSpout("kafka",new KafkaSpout("kafka")); builder.setBolt("file-blots",new FileBlots()).shuffleGrouping("kafka"); builder.setBolt("words-counter",new WordsCounterBlots(),2).fieldsGrouping("file-blots",new Fields("words")); Config config = new Config(); config.setDebug(true); LocalCluster local = newLocalCluster(); local.submitTopology("counter", config, builder.createTopology()); } }
至此flume + kafka+storm的整合就写完了。注意 这个是 初始学习阶段做的测试 不可正式用于线上环境，在写本文之时 已经离测试过去了一段时间 所以可能会有些错误 请见谅。
来源：http://blog.csdn.net/zxcvg/article/details/18600335
