Flume+Kafka+Spark搭建与案例实操

大数据开发文档

本文档主要讲述了flume+kafka+spark的单机分布式搭建，由浅入深，介绍了常见大数据流处理流程

单机版环境搭建及相关DEMO

Flume

Flume基本介绍与架构

Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume基于流式架构，灵活简单。

Flume出生日记

有很多的服务和系统

• network devices
• operating system
• web servers
• Applications

这些系统都会产生很多的日志，那么把这些日志拿出来，用来分析时非常有用的。

如何解决数据从其他的server上移动到Hadoop上？

shell cp hadoop集群上的机器上， hadoop fs -put …/ 直接拷贝日志，但是没办法监控，而cp的时效性也不好，容错负载均衡也没办法做

======>

Flume诞生了

Flume架构

Flume组成架构如图1-1，所示：

​ 图1-1 Flume组成架构

Agent

Agent是一个JVM进程，它以事件的形式将数据从源头送至目的，是Flume数据传输的基本单元。

Agent主要有3个部分组成，Source、Channel、Sink。

Source

Source是负责接收数据到Flume Agent的组件。Source组件可以处理各种类型、各种格式的日志数据，包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy。

Channel

Channel是位于Source和Sink之间的缓冲区。因此，Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作。

Flume自带两种Channel：Memory Channel和File Channel

Memory Channel是内存中的队列。Memory Channel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么Memory Channel就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失。

File Channel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。

Sink

Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。

Sink是完全事务性的。在从Channel批量删除数据之前，每个Sink用Channel启动一个事务。批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务。事务一旦被提交，该Channel从自己的内部缓冲区删除事件。

Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定义。

Event

传输单元，Flume数据传输的基本单元，以事件的形式将数据从源头送至目的地。

Flume拓扑结构

Flume的拓扑结构如图1-3、1-4、1-5和1-6所示：

​ 图1-3 Flume Agent连接

​ 图1-4 单source，多channel、sink

​ 图1-5 Flume负载均衡

​ 图1-6 Flume Agent聚合

Flume安装部署

Flume的安装相对简单，但是前提是要先下好Java环境JDK，1.8以上即可，JDK安装可以查看Kafka安装流程，这里以Linux下的安装为例

Flume安装地址

• Flume官网地址

• 文档查看地址

• 下载地址

安装部署

1. 解压apache-flume-1.7.0-bin.tar.gz到/usr/local/目录下(安装包详见安装包文件夹flume文件夹下的tar.gz压缩包)

#把下载的包移动到目录
$ sudo mv apache-flume-1.7.0-bin.tar.gz /usr/local
#解压
$ sudo tar -zxvf apache-flume-1.7.0-bin.tar.gz  /usr/local/

2. 修改apache-flume-1.7.0-bin的名称为flume

$ sudo mv apache-flume-1.7.0-bin flume

3. 将flume/conf下的flume-env.sh.template文件修改为flume-env.sh，并配置flume-env.sh文件

$ mv flume-env.sh.template flume-env.sh

$ vi flume-env.sh

export JAVA_HOME=/opt/module/jdk1.8.0_144(这里路径替换为本机JDK安装目录)

案例实操

• 监控端口数据

  • 案例需求：首先，Flume监控本机44444端口，然后通过telnet工具向本机44444端口发送消息，最后Flume将监听的数据实时显示在控制台。

  • 需求分析：

• 实现步骤：

  • 安装telnet工具

    在/usr/local目录下创建flume-telnet文件夹。

    $ mkdir flume-telnet
    

    再将rpm软件包(xinetd-2.3.14-40.el6.x86_64.rpm、telnet-0.17-48.el6.x86_64.rpm和telnet-server-0.17-48.el6.x86_64.rpm)拷入/usr/local/flume-telnet文件夹下面。执行RPM软件包安装命令：

    $ sudo rpm -ivh xinetd-2.3.14-40.el6.x86_64.rpm
    
    $ sudo rpm -ivh telnet-0.17-48.el6.x86_64.rpm
    
    $ sudo rpm -ivh telnet-server-0.17-48.el6.x86_64.rpm
    
    

• 判断44444端口是否被占用

  判断44444端口是否占用，如果被占用则kill掉或者更换端口

  $ sudo netstat -tunlp | grep 44444
  功能描述：netstat命令是一个监控TCP/IP网络的非常有用的工具，它可以显示路由表、实际的网络连接以及每一个网络接口设备的状态信息。
  
  基本语法：netstat [选项]
  
  选项参数：
  
  -t或--tcp：显示TCP传输协议的连线状况； 
  
  -u或--udp：显示UDP传输协议的连线状况；
  
         -n或--numeric：直接使用ip地址，而不通过域名服务器； 
  
         -l或--listening：显示监控中的服务器的Socket； 
  
         -p或--programs：显示正在使用Socket的程序识别码和程序名称；
  
  

• 创建Flume Agent配置文件flume-telnet-logger.conf

  在flume目录下创建job文件夹并进入job文件夹

  $ mkdir job
  $ cd job/	
  

• 在job文件夹下创建Flume Agent配置文件flume-telnet-logger.conf

  $ touch flume-telnet-logger.conf
  # 如果觉得vim上手难度太大，可以使用gedit来进行编辑
  $ vim flume-telnet-logger.conf
  # 在conf文件中加入以下内容
  
  # Name the components on this agent
  
  a1.sources = r1
  
  a1.sinks = k1
  
  a1.channels = c1
  
   
  
  # Describe/configure the source
  
  a1.sources.r1.type = netcat
  
  a1.sources.r1.bind = localhost
  
  a1.sources.r1.port = 44444
  
   
  
  # Describe the sink
  
  a1.sinks.k1.type = logger
  
   
  
  # Use a channel which buffers events in memory
  
  a1.channels.c1.type = memory
  
  a1.channels.c1.capacity = 1000
  
  a1.channels.c1.transactionCapacity = 100
  
   
  
  # Bind the source and sink to the channel
  
  a1.sources.r1.channels = c1
  
  a1.sinks.k1.channel = c1
  

注：配置文件来源于官方手册

• 先开启flume监听端口

  $ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-telnet-logger.conf -Dflume.root.logger=INFO,console
  
  参数说明：
  
         --conf conf/  ：表示配置文件存储在conf/目录
  
         --name a1       ：表示给agent起名为a1
  
         --conf-file job/flume-telnet.conf ：flume本次启动读取的配置文件是在job文件夹下的flume-telnet.conf文件。
  
         -Dflume.root.logger==INFO,console ：-D表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error。
  

• 使用telnet工具向本机的44444端口发送内容

  $ telnet localhost 44444
  

• 将A服务器上的日志实时采集到B服务器

  一般跨节点都是使用avro sink

  技术选型有两种方案:

  • exec source + memory channel + avro sink

    // Flume的关键就是写配置文件，仍然是在conf文件夹下创建配置文件
    // avro-memory-sink.conf
    
    # Name the components on this agent
    exec-memory-avro.sources = exec-source
    exec-memory-avro.sinks = arvo-sink
    exec-memory-avro.channels = memory-channel
    
    # Describe/configure the source
    exec-memory-avro.sources.exec-source.type = exec
    exec-memory-avro.sources.exec-source.command = tail -F $FLUME_HOME/logs/flume.log
    exec-memory-avro.sources.exec-source.shell = /bin/sh -c
    
    # Describe the sink
    exec-memory-avro.sinks.arvo-sink.type = avro
    exec-memory-avro.sinks.arvo-sink.hostname = localhost
    exec-memory-avro.sinks.arvo-sink.port = 44444
    
    # Use a channel which buffers events in memory
    exec-memory-avro.channels.memory-channel.type = memory
    exec-memory-avro.channels.memory-channel.capacity = 1000
    exec-memory-avro.channels.memory-channel.transactionCapacity = 100
    
    # Bind the source and sink to the channel
    exec-memory-avro.sources.exec-source.channels = memory-channel
    exec-memory-avro.sinks.arvo-sink.channel = memory-channel
    

  • avro source + memory channel + logger sink

    // avro-logger-sink.conf
    # Name the components on this agent
    avro-memory-logger.sources = avro-source
    avro-memory-logger.sinks = logger-sink
    avro-memory-logger.channels = memory-channel
    
    # Describe/configure the source
    avro-memory-logger.sources.avro-source.type = avro
    avro-memory-logger.sources.avro-source.bind = localhost
    avro-memory-logger.sources.avro-source.port = 44444
    
    # Describe the sink
    avro-memory-logger.sinks.logger-sink.type = logger
    
    # Use a channel which buffers events in memory
    avro-memory-logger.channels.memory-channel.type = memory
    avro-memory-logger.channels.memory-channel.capacity = 1000
    avro-memory-logger.channels.memory-channel.transactionCapacity = 100
    
    # Bind the source and sink to the channel
    avro-memory-logger.sources.avro-source.channels = memory-channel
    avro-memory-logger.sinks.logger-sink.channel = memory-channel
    

  接下来启动两个配置

  先启动avro-memory-logger
  
  flume-ng agent \
  
  --name avro-memory-logger \
  
  --conf $FLUME_HOME/conf \
  
  --conf-file $FLUME_HOME/conf/avro-memory-logger.conf \
  
  -Dflume.root.logger=INFO,console
  
  再启动另外一个
  
  flume-ng agent --name exec-memory-avro 
  
  --conf $FLUME_HOME/conf \
  
  --conf-file $FLUME_HOME/conf/exec-memory-avro.conf \
  
  -Dflume.root.logger=INFO,console
  
  

一个可能因为手误出现的bug

log4j:WARN No appenders could be found for logger (org.apache.flume.lifecycle.LifecycleSupervisor).
log4j:WARN Please initialize the log4j system properly.

log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.

出现这个错误是因为路径没有写对

往监听的日志中输入一段字符串，可以看到我们的logger sink 已经成功接收到信息

上面Flume的基本流程图如下

---

Kafka

Kafka是由Apache软件基金会开发的一个开源流处理平台，由Scala和Java编写。该项目的目标是为处理实时数据提供一个统一、高吞吐、低延迟的平台。其持久化层本质上是一个“按照分布式事务日志架构的大规模发布/订阅消息队列”，[3]这使它作为企业级基础设施来处理流式数据非常有价值。此外，Kafka可以通过Kafka Connect连接到外部系统（用于数据输入/输出），并提供了Kafka Streams——一个Java流式处理库。

具体的架构可以查看官网的intro部分。

因为在实际编程中使用kafka_2.11-0.11.00以上版本和使用以下版本的Java API 不一致，所以推荐直接参照官网的文档进行编程。

环境搭建

单机单节点

搭建说明

需要有一定的Linux操作经验，对于没有权限之类的问题要懂得通过命令解决

Kafka的安装相比Flume来说更加复杂，因为Kafka依赖于Zookeeper

环境说明：

• os：Ubuntu 18.04
• zookeeper：zookeeper 3.4.9
• kafka：kafka_2.11-0.11.0.0
• jdk：jdk 8（kafka启动需要使用到jdk）

详细说明：

一、jdk安装

jdk分为以下几种：jre、openjdk、 oracle jdk，这里我们要安装的是oracle jdk（推荐安装）

add-apt-repository ppa:webupd8team/java
apt-get update
apt-get install oracle-java8-installer
apt-get install oracle-java8-set-default

测试安装版本：

二、安装配置zookeeper单机模式

下载zookeeper 3.4.5，开始安装（软件包详见软件包下的kafka中的压缩包）：

cd /usr/local
wget https://archive.apache.org/dist/zookeeper/zookeeper-3.4.5/zookeeper-3.4.5.tar.gz

等待安装成功：

解压：

tar -zxvf zookeeper-3.4.5.tar.gz

解压后同目录下便存在相同文件夹：

切换到conf目录下：

cd zookeeper-3.4.5/conf/

复制zoo_sample.cfg到zoo.cfg：

cp zoo_sample.cfg zoo.cfg

然后编辑zoo.cfg如下（其它不用管，默认即可）：

initLimit=10
syncLimit=5
dataDir=/home/young/zookeeper/data
clientPort=2181

别忘了新建dataDir目录：

mkdir /home/young/zookeeper/data

为zookeeper创建环境变量，打开/etc/profile文件，并在最末尾添加如下内容：

vi /etc/profile

添加内容如下：

export ZOOKEEPER_HOME=/home/young/zookeeper
export PATH=.:$ZOOKEEPER_HOME/bin:$JAVA_HOME/bin:$PATH

配置完成之后，切换到zookeeper/bin目录下，启动服务：

关闭服务：

这里暂时先关闭zookeeper服务，防止下面使用kafka启动时报端口占用错误。

三、安装配置kafka单机模式

下载kafka（安装包详见软件包kafka下的压缩包）：

cd /usr/local
wget https://www.apache.org/dyn/closer.cgi?path=/kafka/0.11.0.0/kafka_2.11-0.11.0.0.tgz

解压：

tar -zxvf kafka_2.11-0.11.0.0.tgz

进入kafka/config目录下：

以上文件是需要修改的文件，下面一个个修改配置：

配置server.properties：

以下为修改的，其他为默认即可：

#broker.id需改成正整数，单机为1就好
broker.id=1
#指定端口号
port=9092
#localhost这一项还有其他要修改，详细见下面说明
host.name=localhost
#指定kafka的日志目录
log.dirs=/usr/local/kafka_2.11-0.11.0.0/kafka-logs
#连接zookeeper配置项，这里指定的是单机，所以只需要配置localhost，若是实际生产环境，需要在这里添加其他ip地址和端口号
zookeeper.connect=localhost:2181

配置zookeeper.properties：

#数据目录
dataDir=/usr/local/kafka_2.11-0.11.0.0/zookeeper/data
#客户端端口
clientPort=2181
host.name=localhost

配置producer.properties：

zookeeper.connect=localhost:2181

配置consumer.properties：

zookeeper.connect=localhost:2181

最后还需要拷贝几个jar文件到kafka的libs目录，分别是zookeeper-xxxx.jar、log4j-xxxx.jar、slf4j-simple-xxxx.jar，最后如下：

四、kafka的使用

启动zookeeper服务：

bin/zookeeper-server-start.sh config/zookeeper.properties

新开一个窗口启动kafka服务：

bin/kafka-server-start.sh config/server.properties

至此单机服务搭建已经全部完成

单机多节点

对于单机单节点只需要使用一个配置文件来启动即可，那么对于单机多节点，只需要建立多个配置文件，并且启动即可。比如我们需要有三个节点。

然后我们的每个server properies里面的端口以及ID要不一致

server-1.properties

server-2.properties

server-3.properties

当然其对应的log对应目录也要修改，这个就不多说了

然后在控制台启动

> bin/kafka-server-start.sh config/server-1.properties &
> bin/kafka-server-start.sh config/server-2.properties &
> bin/kafka-server-start.sh config/server-3.properties &

通过jps -m 能看到三个kafka即可（可能以普通用户看不到相应的进程，只是因为没给到权限，可以给权限或者直接sudo su切换到超级用户）

Kafka控制台的一些命令操作

控制台中我们可以通过命令建立topic，并且开启一个消费者一个生产者来模拟通信，这些在官网的quickstart中都有详尽的描述

通过我们的一个叫topic的标签，我们建立了一个生产者和一个消费者，可以明显看到消费者接收到了生产者的消息。其他比较常用的命令，比如describe等可以自行探索。

Java API控制Kafka

接下来会说一个简单的在Java中使用Kafka小例子

这里都是基于2.11_0.11.0.0.0版本以及之后的编程来说明，更低版本相应的API有些许变化，低版本中很多函数已经被替代和废除。

基本配置

• 首先在Idea中建立一个新的Maven项目，这里我们选择一个achetype:scala-archetype-simple

• 接下来我们把Maven文件配置好，并且auto import dependencies，这里如果没有选择auto import，我们可以在Pom.xml右键找到maven选项里面有一个reload

  <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <groupId>com.test.spark</groupId>
    <artifactId>spark streaming</artifactId>
    <version>1.0</version>
    <inceptionYear>2008</inceptionYear>
    <properties>
      <scala.version>2.7.0</scala.version>
      <kafka.version>0.11.0.0</kafka.version>
    </properties>
  
  
    <dependencies>
      <dependency>
        <groupId>org.scala-lang</groupId>
        <artifactId>scala-library</artifactId>
        <version>${scala.version}</version>
      </dependency>
      <dependency>
        <groupId>org.apache.kafka</groupId>
        <artifactId>kafka_2.11</artifactId>
        <version>${kafka.version}</version>
      </dependency>
    </dependencies>
  
    <build>
      <sourceDirectory>src/main/scala</sourceDirectory>
      <testSourceDirectory>src/test/scala</testSourceDirectory>
      <plugins>
        <plugin>
          <groupId>org.scala-tools</groupId>
          <artifactId>maven-scala-plugin</artifactId>
          <executions>
            <execution>
              <goals>
                <goal>compile</goal>
                <goal>testCompile</goal>
              </goals>
            </execution>
          </executions>
          <configuration>
            <scalaVersion>${scala.version}</scalaVersion>
            <args>
              <arg>-target:jvm-1.5</arg>
            </args>
          </configuration>
        </plugin>
        <plugin>
          <groupId>org.apache.maven.plugins</groupId>
          <artifactId>maven-eclipse-plugin</artifactId>
          <configuration>
            <downloadSources>true</downloadSources>
            <buildcommands>
              <buildcommand>ch.epfl.lamp.sdt.core.scalabuilder</buildcommand>
            </buildcommands>
            <additionalProjectnatures>
              <projectnature>ch.epfl.lamp.sdt.core.scalanature</projectnature>
            </additionalProjectnatures>
            <classpathContainers>
              <classpathContainer>org.eclipse.jdt.launching.JRE_CONTAINER</classpathContainer>
              <classpathContainer>ch.epfl.lamp.sdt.launching.SCALA_CONTAINER</classpathContainer>
            </classpathContainers>
          </configuration>
        </plugin>
      </plugins>
    </build>
    <reporting>
      <plugins>
        <plugin>
          <groupId>org.scala-tools</groupId>
          <artifactId>maven-scala-plugin</artifactId>
          <configuration>
            <scalaVersion>${scala.version}</scalaVersion>
          </configuration>
        </plugin>
      </plugins>
    </reporting>
  </project>
  
  

  • 因为我们使用Java编程，所以我们在main下面建立一个java文件夹，并且把整个文件夹设为source，如下图

    

• 然后我们在这个例子会涉及到几个Class，包括启动的Class，消费者，生产者，配置

代码分析

//KafkaProperties.java

package com.test.spark.kafka;

/**
 * Kafka常用配置文件
 */
public class KafkaProperties {

    public static final String ZK= "211.83.96.204:2181";
    public static final String TOPIC= "test";
    public static final String BROKER_LIST = "211.83.96.204:9092";
    public static final String GROUP_ID = "test_group1";

}

首先看一下配置文件，为了配置能更加全局化好修改，我们直接建立一个配置文件，把可能需要的一些全局参数放进来，方便后续开发。其中有zookeeper的IP，Topic名称，服务器列表以及group_id。

// KafkaProducerClient.java

package com.test.spark.kafka;

import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.Producer;
import org.apache.kafka.clients.producer.ProducerRecord;
import java.util.Properties;


/**
 * Kafka 生产者
 */
public class KafkaProducerClient extends Thread{

    private  String topic;
    private  Producer<String, String> producer;
    public KafkaProducerClient(String topic) {
        this.topic = topic;

        Properties properties = new Properties();
        properties.put("bootstrap.servers","localhost:9092");
//        properties.put("serializer.class","kafka.serializer.StringEncoder");
        properties.put("key.serializer","org.apache.kafka.common.serialization.StringSerializer");
        properties.put("value.serializer","org.apache.kafka.common.serialization.StringSerializer");
        properties.put("request.required.acks","1");
        producer = new KafkaProducer<String, String>(properties);
    }

    @Override
    public void run() {

        int messageNo = 1;

        while(true) {
            String message = "message_" + messageNo;
            producer.send(new ProducerRecord<String, String>(topic, message));
            System.out.println("Sent: " + message);

            messageNo ++;

            try {
                Thread.sleep(2000);
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
    }
}

消费者中我们使用多线程的方式，循环发送消息

// KafkaConsumerClient.java

package com.test.spark.kafka;

import kafka.consumer.ConsumerConnector$class;
import org.apache.kafka.clients.consumer.ConsumerRecord;
import org.apache.kafka.clients.consumer.ConsumerRecords;
import org.apache.kafka.clients.consumer.KafkaConsumer;
import org.apache.kafka.common.TopicPartition;

import java.util.Arrays;
import java.util.List;
import java.util.Properties;

/**
 * Kafka消费者
 */
public class KafkaConsumerClient {
    private String topic;

    public KafkaConsumerClient(String topic) {
        this.topic = topic;


    }

    public void start() {
        Properties props = new Properties();

        props.put("bootstrap.servers", "localhost:9092");
        props.put("group.id", KafkaProperties.GROUP_ID);//不同ID 可以同时订阅消息
        props.put("enable.auto.commit", "false");//自动commit
        props.put("auto.commit.interval.ms", "1000");//定时commit的周期
        props.put("session.timeout.ms", "30000");//consumer活性超时时间
        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
        KafkaConsumer<String, String> consumer = new KafkaConsumer<String, String>(props);
        consumer.subscribe(Arrays.asList(this.topic));//订阅TOPIC
        try {
            while(true) {//轮询
                ConsumerRecords<String, String> records =consumer.poll(Long.MAX_VALUE);//超时等待时间
                for (TopicPartition partition : records.partitions()) {
                    List<ConsumerRecord<String, String>> partitionRecords = records.records(partition);
                    for (ConsumerRecord<String, String> record : partitionRecords) {
                        System.out.println("receive" + ": " + record.value());
                    }
                    consumer.commitSync();//同步
                }
            }
        } finally

        {
            consumer.close();
        }
    }
}

在消费中我们会轮询消息

Flume+Kafka配合

把logger sink ===> kafka sink

sink kafka: producer

所以启动一个kafka的consumer，直接对接到kafka sink消费掉即可

//avro-memory-kafka.conf

# Name the components on this agent
avro-memory-kafka.sources = avro-source
avro-memory-kafka.sinks = kafka-sink
avro-memory-kafka.channels = memory-channel

# Describe/configure the source
avro-memory-kafka.sources.avro-source.type = avro
avro-memory-kafka.sources.avro-source.bind = localhost
avro-memory-kafka.sources.avro-source.port = 44444

# Describe the sink
avro-memory-kafka.sinks.kafka-sink.type = org.apache.flume.sink.kafka.KafkaSink
avro-memory-kafka.sinks.kafka-sink.brokerList = localhost:9092
avro-memory-kafka.sinks.kafka-sink.topic = test
avro-memory-kafka.sinks.kafka-sink.batchSize = 5
avro-memory-kafka.sinks.kafka-sink.requiredAcks = 1

# Use a channel which buffers events in memory
avro-memory-kafka.channels.memory-channel.type = memory
avro-memory-kafka.channels.memory-channel.capacity = 1000
avro-memory-kafka.channels.memory-channel.transactionCapacity = 100

# Bind the source and sink to the channel
avro-memory-kafka.sources.avro-source.channels = memory-channel
avro-memory-kafka.sinks.kafka-sink.channel = memory-channel

[外链图片转存失败(img-o7uizDQ2-1569486879031)(…/%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%9C%80%E7%BB%88%E7%89%88%E6%96%87%E6%A1%A3/kafka%E5%AD%A6%E4%B9%A0/flume/connect_flume_kafka.png)]

注意这个batchSize,在数据量没有到达设定的阈值时，他会有一个timeout,这之后才会有数据发过来

---

Spark

Spark 简介

1. 什么是Spark？Spark作为Apache顶级的开源项目，是一个快速、通用的大规模数据处理引擎，和Hadoop的MapReduce计算框架类似，但是相对于MapReduce，Spark凭借其可伸缩、基于内存计算等特点，以及可以直接读写Hadoop上任何格式数据的优势，进行批处理时更加高效，并有更低的延迟。相对于“one stack to rule them all”的目标，实际上，Spark已经成为轻量级大数据快速处理的统一平台，各种不同的应用，如实时流处理、机器学习、交互式查询等，都可以通过Spark建立在不同的存储和运行系统上。
2. Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。
3. Spark于2009年诞生于加州大学伯克利分校AMPLab。目前，已经成为Apache软件基金会旗下的顶级开源项目。相对于MapReduce上的批量计算、迭代型计算以及基于Hive的SQL查询，Spark可以带来上百倍的性能提升。目前Spark的生态系统日趋完善，Spark SQL的发布、Hive on Spark项目的启动以及大量大数据公司对Spark全栈的支持，让Spark的数据分析范式更加丰富。

Spark环境搭建

Hadoop安装（Spark依赖于Hadoop安装）

参考链接

Hadoop可以通过HadoopDownloadOne 或者HadoopDownloadTwo 下载，一般选择下载最新的稳定版本，即下载 “stable” 下的hadoop-2.x.y.tar.gz 这个格式的文件(详见安装文件夹中的hadoop-2.7.7)

$ sudo tar -zxf  hadoop-2.7.7.tar.gz  -C /usr/local    # 解压到/usr/local中
$ cd /usr/local/
$ sudo mv ./hadoop-2.6.0/ ./hadoop            # 将文件夹名改为hadoop
$ sudo chown -R hadoop ./hadoop       # 修改文件权限

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

$ cd /usr/local/hadoop
$ ./bin/hadoop version

Hadoop单机配置及运行测试

Hadoop 默认模式为非分布式模式（本地模式），无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

$ cd /usr/local/hadoop
$ mkdir ./input
$ cp ./etc/hadoop/*.xml ./input   # 将配置文件作为输入文件
$ ./bin/Hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
$ cat ./output/*          # 查看运行结果

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

如果中间提示 Error: JAVA_HOME is not set and could not be found. 的错误，则说明之前设置 JAVA_HOME 环境变量那边就没设置好，请按教程先设置好 JAVA_HOME 变量，否则后面的过程都是进行不下去的。如果已经按照前面教程在.bashrc文件中设置了JAVA_HOME，还是出现 Error: JAVA_HOME is not set and could not be found. 的错误，那么，请到hadoop的安装目录修改配置文件“/usr/local/hadoop/etc/hadoop/hadoop-env.sh”，在里面找到“export JAVA_HOME=${JAVA_HOME}”这行，然后，把它修改成JAVA安装路径的具体地址，比如，“export JAVA_HOME=/usr/lib/jvm/default-java”，然后，再次启动Hadoop。

Spark安装

此处采用Spark和Hadoop一起安装使用，这样，就可以让Spark使用HDFS存取数据。需要说明的是，当安装好Spark以后，里面就自带了scala环境，不需要额外安装scala。在安装spark之前，需要先安装Java和Hadoop。

需要的具体运行环境如下：

Ø Ubuntu16.04以上

Ø Hadoop 2.7.1以上

Ø Java JDK 1.8以上

Ø Spark 2.1.0 以上

Ø Python 3.4以上

（此次系统环境使用的Ubuntu16.04，自带Python，不需额外安装）

Spark官网下载

由于已经安装了Hadoop，所以在Choose a package type后面需要选择Pre-build with user-provided Hadoop，然后点击Download Spark后面的spark-2.1.0-bin-without-hadoop.tgz下载即可。需要说明的是，Pre-build with user-provided Hadoop:属于“Hadoop free”版，这样下载到的Spark，可应用到任意Hadoop版本。

Spark部署模式主要有四种：Local模式（单机模式）、Standalone模式（使用Spark自带的简单集群管理器）、YARN模式（使用YARN作为集群管理器）和Mesos模式（使用Mesos作为集群管理器）。

这里介绍Local模式（单机模式）的 Spark安装。我们选择Spark 2.4.3版本，并且假设当前使用用户名hadoop登录了Linux操作系统。

$ sudo tar -zxf ~/下载/spark-2.4.3-bin-without-hadoop.tgz -C/usr/local/
$ sudo mv ./spark-2.4.3-bin-without-hadoop/ ./spark
$ sudo chown -R hadoop:hadoop ./spark       # 此处的 hadoop 为你的用户名

安装后，还需要修改Spark的配置文件spark-env.sh

$ cd /usr/local/spark
$ sudo cp conf/spark-env.sh.template conf/spark-env.sh
$ sudo vim conf/spark-env.sh
#添加下面的环境变量信息
export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop:classpath)

有了上面的配置信息以后，Spark就可以把数据存储到Hadoop分布式文件系统HDFS中，也可以从HDFS中读取数据。如果没有配置上面信息，Spark就只能读写本地数据，无法读写HDFS数据。

配置完成后就可以直接使用，不需要像Hadoop运行启动命令。通过运行Spark自带的示例，验证Spark是否安装成功。

$ cd /usr/local/spark
$ bin/run-example SparkPi

过滤后的运行结果如下图示，可以得到π 的 5 位小数近似值：

Spark不依赖Hadoop安装

Spark同样也可以不依赖hadoop进行安装，但是仍然需要JDK环境，同样是在Spark官网上，选择spark-2.4.3-bin-hadoop2.7.tgz。我们直接将其解压出来，下面我们开始配置环境变量。我们进入编辑/etc/profile，在最后加上如下代码。

#Spark
export SPARK_HOME=/opt/spark-2.4.3
export PATH=$PATH:$SPARK_HOME/bin

然后进入/spark-2.3.1/bin目录下即可直接运行spark-shell。

下面配置本地集群环境，首先我们进入刚刚解压的Spark目录，进入/spark-2.2.1/conf/，拷贝一份spark-env.sh。

$ cp spark-env.sh.template spark-env.sh

然后我们编辑这个文件，添加如下环境设置（按自身环境修改）

#export SCALA_HOME=/opt/scala-2.13.0
export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.181-3.b13.el7_5.x86_64  #这里是你jdk的安装路径
export SPARK_HOME=/opt/spark-2.4.3
export SPARK_MASTER_IP=XXX.XX.XX.XXX  #将这里的xxx改为自己的Linux的ip地址
#export SPARK_EXECUTOR_MEMORY=512M
#export SPARK_WORKER_MEMORY=1G
#export master=spark://XXX.XX.XX.XXX:7070

再回到conf目录下，拷贝一份slaves。

$ cp slaves.template slaves

在slaves最后加上localhost，保存即可。最后想要启动spark，进入安装目录下的sbin文件夹下，运行start-all.sh输入登录密码，master和worker进程就能按照配置文件启动。

在Spark Shell 中运行代码

这里介绍Spark Shell的基本使用。Spark shell提供了简单的方式来学习API，并且提供了交互的方式来分析数据。它属于REPL（Read-Eval-Print Loop，交互式解释器），提供了交互式执行环境，表达式计算完成就会输出结果，而不必等到整个程序运行完毕，因此可即时查看中间结果，并对程序进行修改，这样可以在很大程度上提升开发效率。

Spark Shell支持Scala和Python，本文使用 Scala 来进行介绍。前面已经安装了Hadoop和Spark，如果Spark不使用HDFS和YARN，那么就不用启动Hadoop也可以正常使用Spark。如果在使用Spark的过程中需要用到 HDFS，就要首先启动 Hadoop。

这里假设不需要用到HDFS，因此，就没有启动Hadoop。现在直接开始使用Spark。Spark-shell命令及其常用的参数如下：

$ ./bin/spark-shell —master

Spark的运行模式取决于传递给SparkContext的Master URL的值。Master URL可以是以下任一种形式：

• local 使用一个Worker线程本地化运行SPARK(完全不并行)

• local[*] 使用逻辑CPU个数数量的线程来本地化运行Spark

• local[K] 使用K个Worker线程本地化运行Spark（理想情况下，K应该根据运行机器的CPU核数设定）

• spark://HOST:PORT 连接到指定的Spark standalone master。默认端口是7077.

• yarn-client 以客户端模式连接YARN集群。集群的位置可以在HADOOP_CONF_DIR 环境变量中找到。

• yarn-cluster 以集群模式连接YARN集群。集群的位置可以在HADOOP_CONF_DIR 环境变量中找到。

• mesos://HOST:PORT 连接到指定的Mesos集群。默认接口是5050。

需要强调的是，本文采用“本地模式”（local）运行Spark，关于如何在集群模式下运行Spark，之后的文章会着重介绍。

在Spark中采用本地模式启动Spark Shell的命令主要包含以下参数：

–master：这个参数表示当前的Spark Shell要连接到哪个master，如果是local[*]，就是使用本地模式启动spark-shell，其中，中括号内的星号表示需要使用几个CPU核心(core)；

–jars： 这个参数用于把相关的JAR包添加到CLASSPATH中；如果有多个jar包，可以使用逗号分隔符连接它们；

比如，要采用本地模式，在4个CPU核心上运行spark-shell：

$ cd /usr/local/spark
$ /bin/spark-shell —master local[4]

或者，可以在CLASSPATH中添加code.jar，命令如下：

$ cd /usr/local/spark
$ ./bin/spark-shell -master local[4] --jars code.jar

可以执行spark-shell –help命令，获取完整的选项列表，具体如下：

$ cd /usr/local/spark
$ ./bin/spark-shell —help

[外链图片转存失败(img-36hzRWo9-1569486879033)(spark-shell.png)]

上面是命令使用方法介绍，下面正式使用命令进入spark-shell环境，可以通过下面命令启动spark-shell环境：

scala> 8*2+5
res0: Int = 21

最后，可以使用命令“:quit”退出Spark Shell，如下所示：

scala>:quit

或者，也可以直接使用“Ctrl+D”组合键，退出Spark Shell

Scala编写wordCount

任务需求

学会了上文基本的安装和执行后，现在练习一个任务：编写一个Spark应用程序，对某个文件中的单词进行词频统计。

准备工作：进入Linux系统，打开“终端”，进入Shell命令提示符状态，然后，执行如下命令新建目录：

$ cd /usr/local/spark
$ mkdir mycode
$ cd mycode
$ mkdir wordcount
$ cd wordcount

然后，在/usr/local/spark/mycode/wordcount目录下新建一个包含了一些语句的文本文件word.txt，命令如下：

$  vim word.txt

首先可以在文本文件中随意输入一些单词，用空格隔开，编写Spark程序对该文件进行单词词频统计。然后，按键盘Esc键退出vim编辑状态，输入“:wq”保存文件并退出vim编辑器。

在Spark-Shell中执行词频统计

• 启动Spark-Shell

  首先，登录Linux系统(要注意记住登录采用的用户名，本教程统一采用hadoop用户名进行登录)，打开“终端”（可以在Linux系统中使用Ctrl+Alt+T组合键开启终端），进入shell命令提示符状态，然后执行以下命令进入spark-shell：

$ cd /usr/local/spark
$ ./bin_spark-shell
$ …这里省略启动过程显示的一大堆信息
$ scala>

​ 启动进入spark-shell需要一点时间，在进入spark-shell后，我们可能还需要到Linux文件系统中对相关目录下的文件进行编辑和操作（比如要查看spark程序执行过程生成的文件），这个无法在park-shell中完成，因此，这里再打开第二个终端，用来在Linux系统的Shell命令提示符下操作。

• 加载本地文件

  在开始具体词频统计代码之前，需要考虑如何加载文件，文件可能位于本地文件系统中，也有可能存放在分布式文件系统HDFS中，下面先介绍介绍如何加载本地文件，以及如何加载HDFS中的文件。首先，请在第二个终端窗口下操作，用下面命令到达/usr/local/spark/mycode/wordcount目录，查看一下上面已经建好的word.txt的内容：

  $ cd /usr/local/spark/mycode/wordcount
  $ cat word.txt
  
  

  Cat命令会把word.txt文件的内容全部显示到屏幕上。

  现在切换回spark-shell，然后输入下面命令：

  scala> val textFile = sc.textFile(“file:///usr/local/spark/mycode/wordcount/word.txt”)
  

  上面代码中，val后面的是变量textFile，而sc.textFile()中的这个textFile是sc的一个方法名称，这个方法用来加载文件数据。这两个textFile不是一个东西，不要混淆。实际上，val后面的是变量textFile，你完全可以换个变量名称，比如,val lines = sc.textFile(“file:///usr/local/spark/mycode/wordcount/word.txt”)。这里使用相同名称，就是有意强调二者的区别。

  注意要加载本地文件，必须采用“file:///”开头的这种格式。执行上上面这条命令以后，并不会马上显示结果，因为Spark采用惰性机制，只有遇到“行动”类型的操作，才会从头到尾执行所有操作。所以，下面我们执行一条“行动”类型的语句，就可以看到结果：

  scala>textFile.first()
  

  first()是一个“行动”（Action）类型的操作，会启动真正的计算过程，从文件中加载数据到变量textFile中，并取出第一行文本。屏幕上会显示很多反馈信息，这里不再给出，你可以从这些结果信息中，找到word.txt文件中的第一行的内容。

  正因为Spark采用了惰性机制，在执行转换操作的时候，即使我们输入了错误的语句，spark-shell也不会马上报错，而是等到执行“行动”类型的语句时启动真正的计算，那个时候“转换”操作语句中的错误就会显示出来，比如：

   val textFile = sc.textFile(“file:///usr/local/spark/mycode/wordcount/word123.txt”)
  

  上面我们使用了一个根本就不存在的word123.txt，执行上面语句时，spark-shell根本不会报错，因为，没有遇到“行动”类型的first()操作之前，这个加载操作时不会真正执行的。然后，我们执行一个“行动”类型的操作first()，如下：

   scala> textFile.first()
  

  执行上面语句后，会返回错误信息“拒绝连接”，因为这个word123.txt文件根本就不存在。现在我们可以练习一下如何把textFile变量中的内容再次写回到另外一个文本文件wordback.txt中：

  val textFile = sc.textFile(“file:///usr/local/spark/mycode/wordcount/word.txt”)
  textFile.saveAsTextFile(“file:///usr/local/spark/mycode/wordcount/writeback”)
  
  

  上面的saveAsTextFile()括号里面的参数是保存文件的路径，不是文件名。saveAsTextFile()是一个“行动”（Action）类型的操作，所以马上会执行真正的计算过程，从word.txt中加载数据到变量textFile中，然后，又把textFile中的数据写回到本地文件目录“_usr_local_spark_mycode_wordcount_writeback/”下面，现在让我们切换到Linux Shell命令提示符窗口中，执行下面命令：

  $ cd /usr/local/spark/mycode/wordcount/writeback/
  $ ls
  

  执行结果会显示，有两个文件part-00000和_SUCCESS，我们可以使用cat命令查看一下part-00000文件，会发现结果是和上面word.txt中的内容一样的。

  词频统计

  有了前面的铺垫性介绍，下面我们开始第一个Spark应用程序：WordCount。请切换到spark-shell窗口，输入如下命令：

  scala> val textFile = sc.textFile(“file:///usr/local/spark/mycode/wordcount/word.txt”)
  scala> val wordCount = textFile.flatMap(line => line.split(“ “)).map(word => (word, 1)).reduceByKey((a, b) => a + b)
  scala> wordCount.collect()
  

  上面只给出了代码，省略了执行过程中返回的结果信息，因为返回信息很多。下面简单解释一下上面的语句。

  • textFile包含了多行文本内容，textFile.flatMap(line => line.split(” “))会遍历textFile中的每行文本内容，当遍历到其中一行文本内容时，会把文本内容赋值给变量line，并执行Lamda表达式line => line.split(” “)。line => line.split(” “)是一个Lamda表达式，左边表示输入参数，右边表示函数里面执行的处理逻辑，这里执行line.split(” “)，也就是针对line中的一行文本内容，采用空格作为分隔符进行单词切分，从一行文本切分得到很多个单词构成的单词集合。这样，对于textFile中的每行文本，都会使用Lamda表达式得到一个单词集合，最终，多行文本，就得到多个单词集合。textFile.flatMap()操作就把这多个单词集合“拍扁”得到一个大的单词集合。

  • 然后，针对这个大的单词集合，执行map()操作，也就是map(word => (word, 1))，这个map操作会遍历这个集合中的每个单词，当遍历到其中一个单词时，就把当前这个单词赋值给变量word，并执行Lamda表达式word => (word, 1)，这个Lamda表达式的含义是，word作为函数的输入参数，然后，执行函数处理逻辑，这里会执行(word, 1)，也就是针对输入的word，构建得到一个tuple，形式为(word,1)，key是word，value是1（表示该单词出现1次）。

  • 程序执行到这里，已经得到一个RDD，这个RDD的每个元素是(key,value)形式的tuple。最后，针对这个RDD，执行reduceByKey((a, b) => a + b)操作，这个操作会把所有RDD元素按照key进行分组，然后使用给定的函数（这里就是Lamda表达式：(a, b) => a + b），对具有相同的key的多个value进行reduce操作，返回reduce后的(key,value)，比如(“hadoop”,1)和(“hadoop”,1)，具有相同的key，进行reduce以后就得到(“hadoop”,2)，这样就计算得到了这个单词的词频。

编写独立应用程序执行词频统计

在上面spark-shell编写wordcount后，下面我们编写一个Scala应用程序来实现词频统计。首先登录Linux系统，进入Shell命令提示符状态，然后执行下面命令：

$ cd /usr/local/spark/mycode/wordcount/
$ mkdir -p src/main/scala  这里加入-p选项，可以一起创建src目录及其子目录

然后在“/usr/local/spark/mycode/wordcount/src/main/scala”目录下新建一个test.scala文件，里面包含如下代码：

import org.apache.spark.SparkContext
import org.apache.spark.SparkContext./
import org.apache.spark.SparkConf

object WordCount {
def main(args: Array[String]) {
val inputFile =  “file:///usr/local/spark/mycode/wordcount/word.txt”
val conf = new SparkConf().setAppName(“WordCount”).setMaster(“local[2]”)
val sc = new SparkContext(conf)
val textFile = sc.textFile(inputFile)
val wordCount = textFile.flatMap(line => line.split(“ “)).map(word => (word, 1)).reduceByKey((a, b) => a + b)
wordCount.foreach(println)
}
}

注意，SparkConf().setAppName(“WordCount”).setMaster(“local[2]”)这句语句，也可以删除.setMaster(“local[2]”)，只保留 val conf = new SparkConf().setAppName(“WordCount”)。

如果test.scala没有调用SparkAPI，则只要使用scalac命令编译后执行即可。此处test.scala程序依赖 Spark API，因此需要通过 sbt 进行编译打包。首先执行如下命令：

$ cd /usr/local/spark/mycode/wordcount/
$ vim simple.sbt

通过上面代码，新建一个simple.sbt文件，请在该文件中输入下面代码：

name := “Simple Project”
version := “1.0”
scalaVersion := “2.11.8”
libraryDependencies += “org.apache.spark” %% “spark-core” % “2.1.0”

下面我们使用sbt打包Scala程序。为保证sbt能正常运行，先执行如下命令检查整个应用程序的文件结构，应该是类似下面的文件结构：

$ ./src
$ ./src/main
$ ./src/main/scala
$ ./src/main/scala/test.scala
$ ./simple.sbt
$ ./word.txt

接着，我们就可以通过如下代码将整个应用程序打包成 JAR（首次运行同样需要下载依赖包 ）：

$ cd /usr/local/spark/mycode/wordcount/  请一定把这目录设置为当前目录
$ /usr/local/sbt/sbt package

上面执行过程需要消耗几分钟时间，屏幕上会返回一下信息：

hadoop@dblab-VirtualBox:_usr_local_spark_mycode_wordcount$ /usr_local_sbt_sbt package
OpenJDK 64-Bit Server VM warning: ignoring option MaxPermSize=256M; support was removed in 8.0
[info] Set current project to Simple Project (in build file:/usr_local_spark_mycode_wordcount/)
[info] Updating {file:/usr_local_spark_mycode_wordcount/}wordcount…
[info] Resolving jline#jline;2.12.1 …
[info] Done updating.
[info] Packaging _usr_local_spark_mycode_wordcount_target_scala-2.11_simple-project_2.11-1.0.jar …
[info] Done packaging.
[success] Total time: 34 s, completed 2017-2-20 10:13:13

若屏幕上返回上述信息表明打包成功，生成的 jar 包的位置为/usr/local/spark/mycode/wordcount/target/scala-2.11_simple-project_2.11-1.0.jar。

最后通过spark-submit 运行程序。我们就可以将生成的jar包通过spark-submit提交到Spark中运行了，命令如下：

$ /usr/local/spark/bin/spark-submit —class “WordCount”  /usr/local/spark/mycode/wordcount/target/scala-2.11_simple-project_2.11-1.0.jar

最终得到的词频统计结果类似如下：

(Spark,1)
(is,1)
(than,1)
(fast,1)
(love,2)
(i,1)
(I,1)
(hadoop,2)

---

Flume_Kafka_SparkStreaming实现词频统计

准备工作

在做这个project之前，需要预先准备好的环境如下：

安装kafka（参考第一节）、安装flume（参考第二节）、安装Spark（参考第三节） 。

做完上面三个工作之后，我们开始进入正式的词频统计Demo。

Spark准备工作

要通过Kafka连接Spark来进行Spark Streaming操作，Kafka和Flume等高级输入源，需要依赖独立的库（jar文件）。也就是说Spark需要jar包让Kafka和Spark streaming相连。按照我们前面安装好的Spark版本，这些jar包都不在里面，为了证明这一点，我们现在可以测试一下。请打开一个新的终端，输入以下命令启动spark-shell：

$ cd /usr/local/spark
$ ./bin/spark-shell

启动成功后，在spark-shell中执行下面import语句：

import org.apache.spark.streaming.kafka._

程序报错，因为找不到相关jar包。根据Spark官网的说明，对于Spark版本，如果要使用Kafka，则需要下载spark-streaming-kafka相关jar包。Jar包下载地址（注意版本对应关系）。

接下来需要把这个文件复制到Spark目录的jars目录下，输入以下命令：

$ cd /usr/local/spark/jars
$ mkdir kafka
$ cp ./spark-streaming-kafka-0-8_2.11-2.1.0.jar /usr/local/spark/jars/kafka

下面把Kafka安装目录的libs目录下的所有jar文件复制到/usr/local/spark/jars/kafka目录下输入以下命令：至此，所有环境准备工作已全部完成，下面开始编写代码。

Project 过程

• 编写Flume配置文件flume_to_kafka.conf

  输入命令：

  $ cd /usr/local/kafka/libs
  $ ls
  $ cp ./* /usr/local/spark/jars/kafka
  
  

  内容如下：

  a1.sources=r1
  a1.channels=c1
  a1.sinks=k1
  #Describe/configure the source 
  a1.sources.r1.type=netcat
  a1.sources.r1.bind=localhost
  a1.sources.r1.port=33333
  #Describe the sink
  a1.sinks.k1.type=org.apache.flume.sink.kafka.KafkaSink  
  a1.sinks.k1.kafka.topic=test  
  a1.sinks.k1.kafka.bootstrap.servers=localhost:9092  
  a1.sinks.k1.kafka.producer.acks=1  
  a1.sinks.k1.flumeBatchSize=20  
  #Use a channel which buffers events in memory  
  a1.channels.c1.type=memory
  a1.channels.c1.capacity=1000000
  a1.channels.c1.transactionCapacity=1000000
  #Bind the source and sink to the channel
  a1.sources.r1.channels=c1
  a1.sinks.k1.channel=c1
  

• 编写Spark Streaming程序(进行词频统计的程序)

  首先创建scala代码的目录结构，输入命令：

  $ cd /usr/local/spark/mycode
  $ mkdir flume_to_kafka
  $ cd flume_to_kafka
  $ mkdir -p src/main/scala
  $ cd src/main/scala
  $ vim KafkaWordCounter.scala
  
  

  KafkaWordCounter.scala是用于单词词频统计，它会把从kafka发送过来的单词进行词频统计，代码内容如下：

  reduceByKeyAndWindow函数作用解释如下：

  package org.apache.spark.examples.streaming
  import org.apache.spark._
  import org.apache.spark.SparkConf
  import org.apache.spark.streaming._
  import org.apache.spark.streaming.kafka._
  import org.apache.spark.streaming.StreamingContext._
  import org.apache.spark.streaming.kafka.KafkaUtils
  
  object KafkaWordCounter{
  def main(args:Array[String]){
  StreamingExamples.setStreamingLogLevels()
  val sc=new SparkConf().setAppName("KafkaWordCounter").setMaster("local[2]")
  val ssc=new StreamingContext(sc,Seconds(10))
  ssc.checkpoint("file:///usr/local/spark/mycode/flume_to_kafka/checkpoint") //设置检查点
  val zkQuorum="localhost:2181" //Zookeeper服务器地址
  val group="1"  //topic所在的group，可以设置为自己想要的名称，比如不用1，而是val group = "test-consumer-group" 
  val topics="test" //topics的名称          
  val numThreads=1 //每个topic的分区数
  val topicMap=topics.split(",").map((_,numThreads.toInt)).toMap
  val lineMap=KafkaUtils.createStream(ssc,zkQuorum,group,topicMap)
  val lines=lineMap.map(_._2)
  val words=lines.flatMap(_.split(" "))
  val pair=words.map(x => (x,1))
  val wordCounts=pair.reduceByKeyAndWindow(_ + _,_ - _,Minutes(2),Seconds(10),2) 
  wordCounts.print
  ssc.start
  ssc.awaitTermination
  }
  }
  
  

  reduceByKeyAndWindow(func, invFunc, windowLength, slideInterval, [numTasks]) 更加高效的reduceByKeyAndWindow，每个窗口的reduce值，是基于先前窗口的reduce值进行增量计算得到的；它会对进入滑动窗口的新数据进行reduce操作，并对离开窗口的老数据进行“逆向reduce”操作。但是，只能用于“可逆reduce函数”，即那些reduce函数都有一个对应的“逆向reduce函数”（以InvFunc参数传入）；

  此代码中就是一个窗口转换操作reduceByKeyAndWindow，其中，Minutes(2)是滑动窗口长度，Seconds(10)是滑动窗口时间间隔（每隔多长时间滑动一次窗口）。reduceByKeyAndWindow中就使用了加法和减法这两个reduce函数，加法和减法这两种reduce函数都是“可逆的reduce函数”，也就是说，当滑动窗口到达一个新的位置时，原来之前被窗口框住的部分数据离开了窗口，又有新的数据被窗口框住，但是，这时计算窗口内单词的词频时，不需要对当前窗口内的所有单词全部重新执行统计，而是只要把窗口内新增进来的元素，增量加入到统计结果中，把离开窗口的元素从统计结果中减去，这样，就大大提高了统计的效率。尤其对于窗口长度较大时，这种“逆函数”带来的效率的提高是很明显的。

• 创建StreamingExamples.scala

  继续在当前目录(/usr/local/spark/mycode/flume_to_kafka/src/main/scala)下创建StreamingExamples.scala代码文件，用于设置log4j，输入命令：

  vim StreamingExamples.scala

  package org.apache.spark.examples.streaming
  import org.apache.spark.internal.Logging
  import org.apache.log4j.{Level, Logger}
  //Utility functions for Spark Streaming examples. 
  object StreamingExamples extends Logging {
  //Set reasonable logging levels for streaming if the user has not configured log4j. 
    def setStreamingLogLevels() {
      val log4jInitialized = Logger.getRootLogger.getAllAppenders.hasMoreElements
      if (!log4jInitialized) {
        // We first log something to initialize Spark's default logging, then we override the
        // logging level.
        logInfo("Setting log level to [WARN] for streaming example." +" To override add a custom log4j.properties to the classpath.")
        Logger.getRootLogger.setLevel(Level.WARN)
      }
    }
  }
  
  

• 创建StreamingExamples.scala

  继续在当前目录(/usr/local/spark/mycode/flume_to_kafka/src/main/scala)下创建StreamingExamples.scala代码文件，用于设置log4j，输入命令：

  vim StreamingExamples.scala

  package org.apache.spark.examples.streaming
  import org.apache.spark.internal.Logging
  import org.apache.log4j.{Level, Logger}
  //Utility functions for Spark Streaming examples. 
  object StreamingExamples extends Logging {
  //Set reasonable logging levels for streaming if the user has not configured log4j. 
    def setStreamingLogLevels() {
      val log4jInitialized = Logger.getRootLogger.getAllAppenders.hasMoreElements
      if (!log4jInitialized) {
        // We first log something to initialize Spark's default logging, then we override the
        // logging level.
        logInfo("Setting log level to [WARN] for streaming example." +" To override add a custom log4j.properties to the classpath.")
        Logger.getRootLogger.setLevel(Level.WARN)
      }
    }
  }
  
  

• 打包文件simple.sbt

  输入命令：

  $ cd /usr/local/spark/mycode/flume_to_kafka
  $ vim simple.sbt
  

  内容如下：

  name := "Simple Project"
  version := "1.0"
  scalaVersion := "2.11.8"
  libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"
  libraryDependencies += "org.apache.spark" % "spark-streaming_2.11" % "2.1.0"
  libraryDependencies += "org.apache.spark" % "spark-streaming-kafka-0-8_2.11" % "2.1.0"
  

  要注意版本号一定要设置正确,在/usr/local/spark/mycode/flume_to_kafka目录下输入命令：

  $ cd /usr/local/spark/mycode/flume_to_kafka
  $ find .
  

  打包之前，这条命令用来查看代码结构，目录结构如下所示：

• 打包编译

一定要在/usr/local/spark/mycode/flume_to_kafka目录下运行打包命令。

输入命令：

$ cd /usr/local/spark/mycode/flume_to_kafka
$ /usr/local/sbt/sbt package

第一次打包的过程可能会很慢，请耐心等待几分钟。打包成功后，会看到SUCCESS的提示。

• 启动zookeeper和kafka

#启动zookeeper：
$ cd /usr/local/kafka
$ ./bin/zookeeper-server-start.sh config/zookeeper.properties

# 新开一个终端，启动Kafka：
$ cd /usr/local/kafka
$ bin/kafka-server-start.sh config/server.properties

• 运行程序KafkaWordCounter

打开一个新的终端，我们已经创建过topic，名为test（这是之前在flume_to_kafka.conf中设置的topic名字），端口号2181。在终端运行KafkaWordCounter程序，进行词频统计，由于现在没有启动输入，所以只有提示信息，没有结果。

输入命令：

$ cd /usr/local/spark
$/usr/local/spark/bin/spark-submit --driver-class-path /usr/local/spark/jars/*:/usr/local/spark/jars/kafka/* --class "org.apache.spark.examples.streaming.KafkaWordCounter" /usr/local/spark/mycode/flume_to_kafka/target/scala-2.11/simple-project_2.11-1.0.jar

其中”/usr/local/spark/jars/“和”/usr/local/spark/jars/kafka/”用来指明引用的jar包，“org.apache.spark.examples.streaming.KafkaWordCounter”代表包名和类名，这是编写KafkaWordCounter.scala里面的包名和类名，最后一个参数用来说明打包文件的位置。

执行该命令后，屏幕上会显示程序运行的相关信息，并会每隔10秒钟刷新一次信息，用来输出词频统计的结果，此时还只有提示信息，如下所示：

[外链图片转存失败(img-ZnMkMxIN-1569486879035)(result_one.png)]

在启动Flume之前，Zookeeper和Kafka要先启动成功，不然启动Flume会报连不上Kafka的错误。

• 启动flume agent

打开第四个终端，在这个新的终端中启动Flume Agent

输入命令：

$ cd /usr/local/flume
$ bin/flume-ng agent --conf ./conf --conf-file ./conf/flume_to_kafka.conf --name a1 -Dflume.root.logger=INFO,console

启动agent以后，该agent就会一直监听localhost的33333端口，这样，我们下面就可以通过“telnet localhost 33333”命令向Flume Source发送消息。这个终端也不要关闭，让它一直处于监听状态。

• 发送消息

打开第五个终端，发送消息。输入命令：

$ telnet localhost 33333

这个端口33333是在flume conf文件中设置的source

在这个窗口里面随便敲入若干个字符和若干个回车，这些消息都会被Flume监听到，Flume把消息采集到以后汇集到Sink，然后由Sink发送给Kafka的topic(test)。因为spark Streaming程序不断地在监控topic，在输入终端和前面运行词频统计程序那个终端窗口内看到统计结果。

---

分布式环境搭建及相关DEMO

Flume

Flume在分布式环境下跟单机下一致，只需要在一台机器上搭建即可。

Kafka

搭建高吞吐量Kafka分布式发布订阅消息集群

• Zookeeper集群: 121.48.163.195:2181 , 113.54.154.68:2181，113.54.159.232:2181

• kafka 集群: 121.48.163.195 , 113.54.154.68，113.54.159.232

搭建 kafka 集群

kafka 集群: 121.48.163.195 , 113.54.154.68，113.54.159.232

1. 下载kafka和zookeeper

   步骤和前面单机版一致

2. 修改配置

   $ vim /usr/local/kafka_2.12-0.11.0.0/config/server.properties 
   
   设置broker.id
   第一台为broker.id = 0
   第二台为broker.id = 1
   第三台为broker.id = 2
   注意这个broker.id每台服务器不能重复
   
   然后设置zookeeper的集群地址
   zookeeper.connect=121.48.163.195:2181 , 113.54.154.68:2181，113.54.159.232:2181
   

3. 修改zookeeper配置文件

   $ vim /usr/local/zookeeper-3.4.5/conf/zoo.cfg
   #添加server.1 server.2 server.3
   
   server.1=121.48.163.195:2888:3888
   server.2=113.54.154.68:2888:3888
   server.3=113.54.159.232:2888:3888
   
   #添加id
   $ sudo echo "1" > /usr/local/zookeeper-3.4.5/data/myid(每台机器的id可以和brokerid保持一致)
   

4. 启动服务

   # 每台机器运行命令，但是在实际大型集群中可以使用脚本的方式一键启动
   $ bin/kafka-server-start.sh config/server.properties &
   

5. 创建主题

   $ /usr/local/kafka_2.12-0.11.0.0/bin/kafka-topics.sh --create --zookeeper 121.48.163.195:2181 , 113.54.154.68:2181，113.54.159.232:2181 --replication-factor 2 --partitions 1 --topic ymq 
   
   --replication-factor 2 #复制两份
   
   --partitions 1 #创建1个分区
   
   --topic #主题为ymq
   
   # 运行list topic命令，可以看到该主题：
   
   $ /usr/local/kafka_2.12-0.11.0.0/bin/kafka-topics.sh --list --zookeeper 121.48.163.195:2181 , 113.54.154.68:2181，113.54.159.232:2181
   
   

6. 其它操作

   其它操作基本语法差不多一致，不再赘述，详情可以参考官网

7. Kafka Manager

   Yahoo开源Kafka集群管理器Kafka Manager

Spark

• 选取三台服务器

  • 121.48.163.195 主节点
  • 113.54.154.68 从节点
  • 113.54.159.232 从节点

  设置三台服务器root用户，之后操作都用root用户进行，便于管理

• 修改hosts文件

  $ sudo vim /etc/hosts
  # 在上面加上服务器ip
  121.48.163.195 Master
  113.54.154.68  Slave1
  113.54.159.232 Slave2
  

  修改完之后source /etc/hosts

• SSH无密码验证配置

  • 安装和启动ssh协议

    我们需要两个服务：ssh和rsync。可以通过下面命令查看是否已经安装：

     rpm -qa|grep openssh
    
    　　   rpm -qa|grep rsync
    
    　　如果没有安装ssh和rsync，可以通过下面命令进行安装：
    
    　　   sudo apt  install ssh （安装ssh协议）
    
    　　   sudo apt  install rsync （rsync是一个远程数据同步工具，可通过LAN/WAN快速同步多台主机间的文件）
    
    　　   service sshd restart （启动服务）
    

  • 配置Master无密码登录所有Slave

    配置Master节点，以下是在Master节点的配置操作。

    • 在Master节点上生成密码对，在Master节点上执行以下命令：

    ssh-keygen -t rsa -P ‘’

    生成的密钥对：id_rsa和id_rsa.pub，默认存储在"/root/.ssh"目录下。

    • 接着在Master节点上做如下配置，把id_rsa.pub追加到授权的key里面去。

    cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

    • 修改ssh配置文件"/etc/ssh/sshd_config"的下列内容，将以下内容的注释去掉，在三台机器上均进行修改：

       RSAAuthentication yes # 启用 RSA 认证
      
      　　   PubkeyAuthentication yes # 启用公钥私钥配对认证方式
      
      　　   AuthorizedKeysFile .ssh/authorized_keys # 公钥文件路径（和上面生成的文件同）
      
      

    • 重启ssh服务，才能使刚才设置有效。

      service sshd restart

    • 验证无密码登录本机是否成功

      ssh localhost

    • 接下来的就是把公钥复制到所有的Slave机器上。使用下面的命令进行复制公钥：

      $ scp /root/.ssh/id_rsa.pub root@Slave1:/root/
      
      $ scp /root/.ssh/id_rsa.pub root@Slave2:/root/
      　　  
      

    接着配置Slave节点，以下是在Slave1节点的配置操作。

    1>在"/root/“下创建”.ssh"文件夹，如果已经存在就不需要创建了。

    mkdir /root/.ssh

    2）将Master的公钥追加到Slave1的授权文件"authorized_keys"中去。

    cat /root/id_rsa.pub >> /root/.ssh/authorized_keys

    3）修改"/etc/ssh/sshd_config"，具体步骤参考前面Master设置的第3步和第4步。

    4）用Master使用ssh无密码登录Slave1

    ssh 114.55.246.77

    5）把"/root/"目录下的"id_rsa.pub"文件删除掉。

    rm –r /root/id_rsa.pub

    重复上面的5个步骤把Slave2服务器进行相同的配置。

  • 配置Slave无密码登录Master

    以下是在Slave1节点的配置操作。

    1）创建"Slave1"自己的公钥和私钥，并把自己的公钥追加到"authorized_keys"文件中，执行下面命令：

    ssh-keygen -t rsa -P ‘’

    cat /root/.ssh/id_rsa.pub >> /root/.ssh/authorized_keys

    2）将Slave1节点的公钥"id_rsa.pub"复制到Master节点的"/root/"目录下。

    scp /root/.ssh/id_rsa.pub root@Master:/root/

    以下是在Master节点的配置操作。

    1）将Slave1的公钥追加到Master的授权文件"authorized_keys"中去。

    cat ~/id_rsa.pub >> ~/.ssh/authorized_keys

    2）删除Slave1复制过来的"id_rsa.pub"文件。

    rm –r /root/id_rsa.pub

    配置完成后测试从Slave1到Master无密码登录。

    ssh 114.55.246.88

    按照上面的步骤把Slave2和Master之间建立起无密码登录。这样，Master能无密码验证登录每个Slave，每个Slave也能无密码验证登录到Master。

• 安装基础环境（JAVA和SCALA环境）

  这里不再赘述

• Hadoop2.7.3完全分布式搭建

  以下是在Master节点操作：

  • 下载二进制包hadoop-2.7.7.tar.gz

  • 解压并移动到相应目录，我习惯将软件放到/opt目录下，命令如下：

    $ tar -zxvf hadoop-2.7.3.tar.gz
    
    $ mv hadoop-2.7.7 /opt
    
    

  • 修改对应的配置文件，修改/etc/profile，增加如下内容：

     export HADOOP_HOME=/opt/hadoop-2.7.3/
     export PATH=$PATH:$HADOOP_HOME/bin
     export PATH=$PATH:$HADOOP_HOME/sbin
     export HADOOP_MAPRED_HOME=$HADOOP_HOME
     export HADOOP_COMMON_HOME=$HADOOP_HOME
     export HADOOP_HDFS_HOME=$HADOOP_HOME
     export YARN_HOME=$HADOOP_HOME
     export HADOOP_ROOT_LOGGER=INFO,console
     export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
     export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"
    

  • 修改完成后执行$ source /etc/profile

  • 修改$HADOOP_HOME/etc/hadoop/hadoop-env.sh，修改JAVA_HOME 如下：

    ​ export JAVA_HOME=/usr/local/jdk1.8.0_121

  • 修改$HADOOP_HOME/etc/hadoop/slaves，将原来的localhost删除，改成如下内容：

    • Slave1

    • Slave2

  • 修改$HADOOP_HOME/etc/hadoop/core-site.xml

    <configuration>
          <property>
              <name>fs.defaultFSname>
              <value>hdfs://Master:9000value>
          property>
          <property>
             <name>io.file.buffer.sizename>
    		 <value>131072value>
         property>
         <property>
              <name>hadoop.tmp.dirname>
              <value>/opt/hadoop-2.7.7/tmpvalue>
         property>
    configuration>
    
    

  • 修改$HADOOP_HOME/etc/hadoop/hdfs-site.xml

    <configuration>
        <property>
          <name>dfs.namenode.secondary.http-addressname>
          <value>Master:50090value>
        property>
        <property>
          <name>dfs.replicationname>
          <value>2value>
        property>
        <property>
          <name>dfs.namenode.name.dirname>
          <value>file:/opt/hadoop-2.7.7/hdfs/namevalue>
        property>
        <property>
          <name>dfs.datanode.data.dirname>
          <value>file:/opt/hadoop-2.7.7/hdfs/datavalue>
        property>
    configuration>
    
    

  • cp mapred-site.xml.template mapred-site.xml，并修改$HADOOP_HOME/etc/hadoop/mapred-site.xml

    <configuration>
     <property>
        <name>mapreduce.framework.namename>
        <value>yarnvalue>
      property>
      <property>
              <name>mapreduce.jobhistory.addressname>
              <value>Master:10020value>
      property>
      <property>
              <name>mapreduce.jobhistory.addressname>
              <value>Master:19888value>
      property>
    configuration>
    
    

  • 修改$HADOOP_HOME/etc/hadoop/yarn-site.xml

    <configuration>
         <property>
             <name>yarn.nodemanager.aux-servicesname>
             <value>mapreduce_shufflevalue>
         property>
         <property>
             <name>yarn.resourcemanager.addressname>
             <value>Master:8032value>
         property>
         <property>
             <name>yarn.resourcemanager.scheduler.addressname>
             <value>Master:8030value>
         property>
         <property>
             <name>yarn.resourcemanager.resource-tracker.addressname>
             <value>Master:8031value>
         property>
         <property>
             <name>yarn.resourcemanager.admin.addressname>
             <value>Master:8033value>
         property>
         <property>
             <name>yarn.resourcemanager.webapp.addressname>
             <value>Master:8088value>
         property>
    configuration>
    

  • 复制Master节点的hadoop文件夹到Slave1和Slave2上

  $ scp -r /opt/hadoop-2.7.7 root@Slave1:/opt
  $ scp -r /opt/hadoop-2.7.7 root@Slave2:/opt
  

  • 在Slave1和Slave2上分别修改/etc/profile，过程同Master一样

  • 在Master节点启动集群，启动之前格式化一下namenode：

    • Hadoop namenode -format

    • 启动：/opt/hadoop-2.7.7/sbin/start-all.sh

    • 至此hadoop的完全分布式搭建完毕

  • 查看集群是否启动成功：

    $ jps -m 
  
  　　Master显示：
  
  　　   SecondaryNameNode
  
  　　   ResourceManager
  
  　　   NameNode
  
  　　Slave显示：
  
  　　   NodeManager
  
  　　   DataNode
  
  

• Spark完全分布式环境搭建

  以下操作都在Master节点进行。

  • 下载二进制包spark-2.4.3-bin-hadoop2.7.tgz

  • 解压并移动到相应目录，命令如下：

    $ tar -zxvf spark-2.4.3-bin-hadoop2.7.tgz
    
    $ mv hadoop-2.7.3 /opt
    
    

  • 修改相应的配置文件，修改/etc/profie，增加如下内容：

    export SPARK_HOME=/opt/spark-2.4.3-bin-hadoop2.7/
    export PATH=$PATH:$SPARK_HOME/bin
    

  • 复制spark-env.sh.template成spark-env.sh

    $ cp spark-env.sh.template spark-env.sh
    

  • 修改$SPARK_HOME/conf/spark-env.sh，添加如下内容：

    export   JAVA_HOME=/usr/local/jdk1.8.0_121   
    export   SCALA_HOME=/usr/share/scala   
    export   HADOOP_HOME=/opt/hadoop-2.7.3   
    export   HADOOP_CONF_DIR=/opt/hadoop-2.7.3/etc/hadoop   
    export   SPARK_MASTER_IP=114.55.246.88   
    export   SPARK_MASTER_HOST=114.55.246.88   
    export   SPARK_LOCAL_IP=114.55.246.88   
    export   SPARK_WORKER_MEMORY=1g   
    export   SPARK_WORKER_CORES=2   
    export   SPARK_HOME=/opt/spark-2.4.3-bin-hadoop2.7   
    export   SPARK_DIST_CLASSPATH=$(/opt/hadoop-2.7.3/bin/hadoop classpath)   
    

  • 复制slaves.template成slaves

    $ cp slaves.template slaves
    

  • 修改$SPARK_HOME/conf/slaves，添加如下内容：

    Master
    Slave1
    Slave2
    

  • 将配置好的spark文件复制到Slave1和Slave2节点

    $ scp /opt/spark-2.4.3-bin-hadoop2.7 root@Slave1:/opt
    $ scp /opt/spark-2.4.3-bin-hadoop2.7 root@Slave2:/opt
    

  • 修改Slave1和Slave2配置

    在Slave1和Slave2上分别修改/etc/profile，增加Spark的配置，过程同Master一样。

    在Slave1和Slave2修改$SPARK_HOME/conf/spark-env.sh，将export SPARK_LOCAL_IP=114.55.246.88改成Slave1和Slave2对应节点的IP。

  • 在Master节点启动集群

    /opt/spark-2.4.3-bin-hadoop2.7/sbin/start-all.sh

  • 查看集群是否启动成功

    $ jps -m
    Master在Hadoop的基础上新增了：
    
    　　   Master
    
    　　Slave在Hadoop的基础上新增了：
    
    　　   Worker
    
    

在我的博客查看更多
作者：槐洛文