使用Flume将MySQL表数据实时抽取到hadoop

一、为什么要用到Flume         
在以前搭建HAWQ数据仓库实验环境时，我使用Sqoop抽取从MySQL数据库增量抽取数据到HDFS，然后用HAWQ的外部表进行访问。这种方式只需要很少量的配置即可完成数据抽取任务，但缺点同样明显，那就是实时性。Sqoop使用MapReduce读写数据，而MapReduce是为了批处理场景设计的，目标是大吞吐量，并不太关心低延时问题。就像实验中所做的，每天定时增量抽取数据一次。
        Flume是一个海量日志采集、聚合和传输的系统，支持在日志系统中定制各类数据发送方，用于收集数据。同时，Flume提供对数据进行简单处理，并写到各种数据接受方的能力。Flume以流方式处理数据，可作为代理持续运行。当新的数据可用时，Flume能够立即获取数据并输出至目标，这样就可以在很大程度上解决实时性问题。
        Flume是最初只是一个日志收集器，但随着flume-ng-sql-source插件的出现，使得Flume从关系数据库采集数据成为可能。下面简单介绍Flume，并详细说明如何配置Flume将MySQL表数据准实时抽取到HDFS。

二、Flume简介


1. Flume的概念         

Flume是分布式的日志收集系统，它将各个服务器中的数据收集起来并送到指定的地方去，比如说送到HDFS，简单来说flume就是收集日志的，其架构如图1所示。
 
图1

2. Event的概念          

在这里有必要先介绍一下Flume中event的相关概念：Flume的核心是把数据从数据源（source）收集过来，在将收集到的数据送到指定的目的地（sink）。为了保证输送的过程一定成功，在送到目的地（sink）之前，会先缓存数据（channel）,待数据真正到达目的地（sink）后，Flume再删除自己缓存的数据。 
       在整个数据的传输的过程中，流动的是event，即事务保证是在event级别进行的。那么什么是event呢？Event将传输的数据进行封装，是Flume传输数据的基本单位，如果是文本文件，通常是一行记录。Event也是事务的基本单位。Event从source，流向channel，再到sink，本身为一个字节数组，并可携带headers（头信息）信息。Event代表着一个数据的最小完整单元，从外部数据源来，向外部的目的地去。

3. Flume架构介绍          

Flume之所以这么神奇，是源于它自身的一个设计，这个设计就是agent。Agent本身是一个Java进程，运行在日志收集节点——所谓日志收集节点就是服务器节点。 Agent里面包含3个核心的组件：source、channel和sink，类似生产者、仓库、消费者的架构。 

• Source：source组件是专门用来收集数据的，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、自定义。
• Channel：source组件把数据收集来以后，临时存放在channel中，即channel组件在agent中是专门用来存放临时数据的——对采集到的数据进行简单的缓存，可以存放在memory、jdbc、file等等。
• Sink：sink组件是用于把数据发送到目的地的组件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、Hbase、solr、自定义。
  

4. Flume的运行机制          

Flume的核心就是一个agent，这个agent对外有两个进行交互的地方，一个是接受数据输入的source，一个是数据输出的sink，sink负责将数据发送到外部指定的目的地。source接收到数据之后，将数据发送给channel，chanel作为一个数据缓冲区会临时存放这些数据，随后sink会将channel中的数据发送到指定的地方，例如HDFS等。注意：只有在sink将channel中的数据成功发送出去之后，channel才会将临时数据进行删除，这种机制保证了数据传输的可靠性与安全性。 

三、安装Hadoop和Flume         

我的实验在HDP 2.5.0上进行，HDP安装中包含Flume，只要配置Flume服务即可。HDP的安装步骤参见“HAWQ技术解析（二） —— 安装部署”

四、配置与测试

1. 建立MySQL数据库表         


建立测试表并添加数据。

[SQL]  纯文本查看  复制代码

use test;

create table  wlslog
(id         int not null ,
 time_stamp varchar (40),
 category   varchar (40),
 type       varchar (40),
 servername varchar (40),
 code       varchar (40),
 msg        varchar (40),
 primary key ( id )
);

insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (1, 'apr-8-2014-7:06:16-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000365' , 'server state changed to standby' );
insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (2, 'apr-8-2014-7:06:17-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000365' , 'server state changed to starting' );
insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (3, 'apr-8-2014-7:06:18-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000365' , 'server state changed to admin' );
insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (4, 'apr-8-2014-7:06:19-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000365' , 'server state changed to resuming' );
insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (5, 'apr-8-2014-7:06:20-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000361' , 'started weblogic adminserver' );
insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (6, 'apr-8-2014-7:06:21-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000365' , 'server state changed to running' );
insert into wlslog(id,time_stamp,category,type,servername,code,msg) values (7, 'apr-8-2014-7:06:22-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000360' , 'server started in running mode' );
commit ;

2. 建立相关目录与文件
（1）创建本地状态文件

[Bash shell]  纯文本查看  复制代码

mkdir -p /var/lib/flume
cd /var/lib/flume
touch sql- source .status
chmod -R 777 /var/lib/flume

（2）建立HDFS目标目录

[Bash shell]  纯文本查看  复制代码

hdfs dfs - mkdir -p /flume/mysql
hdfs dfs - chmod -R 777 /flume/mysql

3. 准备JAR包

        从 http://book2s.com/java/jar/f/flu ... l-source-1.3.7.html 下载flume-ng-sql-source-1.3.7.jar文件，并复制到Flume库目录。

[Bash shell]  纯文本查看  复制代码

cp flume-ng-sql- source -1.3.7.jar /usr/hdp/current/flume-server/lib/

        将MySQL JDBC驱动JAR包也复制到Flume库目录。

[Bash shell]  纯文本查看  复制代码

cp mysql-connector-java-5.1.17.jar /usr/hdp/current/flume-server/lib/mysql-connector-java .jar

4. 建立外部表

[SQL]  纯文本查看  复制代码

create external table ext_wlslog
(id         int ,
 time_stamp varchar (40),
 category   varchar (40),
 type       varchar (40),
 servername varchar (40),
 code       varchar (40),
 msg        varchar (40)
) location ( 'pxf://mycluster/flume/mysql?profile=hdfstextmulti' ) format 'csv' (quote=e '"' );

5. 配置Flume
        在Ambari -> Flume -> Configs -> flume.conf中配置如下属性：

[Bash shell]  纯文本查看  复制代码

agent.channels.ch1. type = memory
agent.sources.sql- source .channels = ch1
agent.channels = ch1
agent.sinks = HDFS

agent.sources = sql- source
agent.sources.sql- source . type = org.keedio.flume. source .SQLSource

agent.sources.sql- source .connection.url = jdbc:mysql: //172 .16.1.127:3306 /test
agent.sources.sql- source .user = root
agent.sources.sql- source .password = 123456
agent.sources.sql- source .table = wlslog
agent.sources.sql- source .columns.to. select = *

agent.sources.sql- source .incremental.column.name = id
agent.sources.sql- source .incremental.value = 0

agent.sources.sql- source .run.query.delay=5000

agent.sources.sql- source .status. file .path = /var/lib/flume
agent.sources.sql- source .status. file .name = sql- source .status

agent.sinks.HDFS.channel = ch1
agent.sinks.HDFS. type = hdfs
agent.sinks.HDFS.hdfs.path = hdfs: //mycluster/flume/mysql
agent.sinks.HDFS.hdfs.fileType = DataStream
agent.sinks.HDFS.hdfs.writeFormat = Text
agent.sinks.HDFS.hdfs.rollSize = 268435456
agent.sinks.HDFS.hdfs.rollInterval = 0
agent.sinks.HDFS.hdfs.rollCount = 0

   Flume在flume.conf文件中指定Source、Channel和Sink相关的配置，各属性描述如表1所示。

属性	描述
agent.channels.ch1.type	Agent的channel类型
agent.sources.sql-source.channels	Source对应的channel名称
agent.channels	Channel名称
agent.sinks	Sink名称
agent.sources	Source名称
agent.sources.sql-source.type	Source类型
agent.sources.sql-source.connection.url	数据库URL
agent.sources.sql-source.user	数据库用户名
agent.sources.sql-source.password	数据库密码
agent.sources.sql-source.table	数据库表名
agent.sources.sql-source.columns.to.select	查询的列
agent.sources.sql-source.incremental.column.name	增量列名
agent.sources.sql-source.incremental.value	增量初始值
agent.sources.sql-source.run.query.delay	发起查询的时间间隔，单位是毫秒
agent.sources.sql-source.status.file.path	状态文件路径
agent.sources.sql-source.status.file.name	状态文件名称
agent.sinks.HDFS.channel	Sink对应的channel名称
agent.sinks.HDFS.type	Sink类型
agent.sinks.HDFS.hdfs.path	Sink路径
agent.sinks.HDFS.hdfs.fileType	流数据的文件类型
agent.sinks.HDFS.hdfs.writeFormat	数据写入格式
agent.sinks.HDFS.hdfs.rollSize	目标文件轮转大小，单位是字节
agent.sinks.HDFS.hdfs.rollInterval	hdfs sink间隔多长将临时文件滚动成最终目标文件，单位是秒；如果设置成0，则表示不根据时间来滚动文件
agent.sinks.HDFS.hdfs.rollCount	当events数据达到该数量时候，将临时文件滚动成目标文件；如果设置成0，则表示不根据events数据来滚动文件

表1

6. 运行Flume代理         


保存上一步的设置，然后重启Flume服务，如图2所示。
 
图2

        重启后，状态文件已经记录了将最新的id值7，如图3所示。
 
图3

        查看目标路径，生成了一个临时文件，其中有7条记录，如图4所示。
 
图4

        查询HAWQ外部表，结果也有全部7条数据，如图5所示。
 
图5

        至此，初始数据抽取已经完成。

7. 测试准实时增量抽取         


在源表中新增id为8、9、10的三条记录。

[Bash shell]  纯文本查看  复制代码

use test ;
insert into wlslog( id ,time_stamp,category, type ,servername,code,msg) values(8, 'apr-8-2014-7:06:22-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000360' , 'server started in running mode' );
insert into wlslog( id ,time_stamp,category, type ,servername,code,msg) values(9, 'apr-8-2014-7:06:22-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000360' , 'server started in running mode' );
insert into wlslog( id ,time_stamp,category, type ,servername,code,msg) values(10, 'apr-8-2014-7:06:22-pm-pdt' , 'notice' , 'weblogicserver' , 'adminserver' , 'bea-000360' , 'server started in running mode' );
commit;

  5秒之后查询HAWQ外部表，从图6可以看到，已经查询出全部10条数据，准实时增量抽取成功。
 
图6

五、方案优缺点         


利用Flume采集关系数据库表数据最大的优点是配置简单，不用编程。相比tungsten-replicator的复杂性，Flume只要在flume.conf文件中配置source、channel及sink的相关属性，已经没什么难度了。而与现在很火的canal比较，虽然不够灵活，但毕竟一行代码也不用写。再有该方案采用普通SQL轮询的方式实现，具有通用性，适用于所有关系库数据源。
        这种方案的缺点与其优点一样突出，主要体现在以下几方面。

• 在源库上执行了查询，具有入侵性。
• 通过轮询的方式实现增量，只能做到准实时，而且轮询间隔越短，对源库的影响越大。
• 只能识别新增数据，检测不到删除与更新。
• 要求源库必须有用于表示增量的字段。
  

        即便有诸多局限，但用Flume抽取关系库数据的方案还是有一定的价值，特别是在要求快速部署、简化编程，又能满足需求的应用场景，对传统的Sqoop方式也不失为一种有效的补充。