flume集群高可用连接kafka集群

前言

  在前面blog文章中：《在hadoopHA节点上部署flume高可用组件》和《在hadoopHA节点上部署kafka集群组件》，已经实现大数据实时数据流传输两大组件的部署和测试，本文将讨论flume组件连接kafka集群相关内容，两组件在项目架构图的位置如下图1红圈所示：

  flume NG集群前向的source是各类实时的log数据，通过flume sink将这些日志实时sink到后向kafka集群，所有flume sink其实是本架构里kafka的producer角色，kafka集群后向连接spark streaming，用于消费kafka的实时消息（log日志数据）流。
组件版本：
flume-1.9.0
kafka-2.12

1.在kafka集群上创建相应的topic

  在实时大数据项目中，实时数据是被flume sink到kafka的topic里，而不是直接sink到hdfs上。
创建topic需要做一定规划，考虑到目前有三个broker节点，分别为nn、dn1以及dn2节点，所以创建了3个分区，每个分区有三个replica，topic名为：sparkapp

[root@nn kafka_2.12]# bin/kafka-topics.sh --create --zookeeper nn:2181/kafka-zk --replication-factor 3 --partitions 3 --topic sparkapp 
Created topic sparkapp.
[root@nn kafka-2.12]# bin/kafka-topics.sh --describe --zookeeper nn:2181/kafka-zk --topic sparkapp
Topic:sparkapp  PartitionCount:3        ReplicationFactor:3     Configs:
        Topic: sparkapp Partition: 0    Leader: 11      Replicas: 11,12,10      Isr: 11,12,10
        Topic: sparkapp Partition: 1    Leader: 12      Replicas: 12,10,11      Isr: 12,10,11
        Topic: sparkapp Partition: 2    Leader: 10      Replicas: 10,11,12      Isr: 10,11,12

-zookeeper nn:2181/kafka-zk：因为kafka在zk的所有znode都统一放置在/kafka-zk路径下，所以启动时需要注意加上该路径。

2.单节点配置flume的agent sink

2.1 配置flume 文件

  这里首先给出单节点的flume是如何连接到kafka集群，在nn节点上启动flume进程。在第3章节，将给出flume集群连接kafka集群，实现两组件之间的高可用实时数据流。
flume source的数据源为/opt/flume_log/web_log/access.log
这里拷贝一份新的配置文件，配置过程简单，相关组件的参数说明可以参考flume官网最新文档：
kafka-sink章节
[root@nn conf]# cp flume-conf.properties flume-kafka.properties

[root@nn conf]# pwd
/opt/flume-1.9.0/conf
vi flume-kafka.properties
# 列出三个组件
a1.sources = r1
a1.channels = c1
a1.sinks = k1

#设置source组件exec模式用 tail -F实时读取文本新的数据行
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/flume_log/web_log/access.log

# 设置channel组件，使用本节点的内存缓存event
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# 设置sink组件
# 指定sinktype 为kafka sink
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
# kafka的broker列表，用逗号（英文）隔开
a1.sinks.k1.kafka.bootstrap.servers = nn:9092,dn1:9092,dn2:9092
# 前面创建的topic名称
a1.sinks.k1.kafka.topic = sparkapp
# How many messages to process in one batch. flume一次写入kafka的消息数
a1.sinks.k1.kafka.flumeBatchSize = 20
# ack=1 说明只要求producer写入leader主分区即完成（wait for leader only)）
#How many replicas must acknowledge a message before its considered successfully written. 
a1.sinks.k1.kafka.producer.acks = 1
# 可以设置分区ID，这里使用默认，也即kafka自己分区器
#a1.sinks.k1.kafka.defaultPartitionId
a1.sinks.k1.kafka.producer.linger.ms = 5
# 消息的压缩类型
a1.sinks.k1.kafka.producer.compression.type = snappy

# source组件和sinks组件绑定channel组件
a1.sources.r1.channels = c1
# 注意这里sink的channel是单数
a1.sinks.k1.channel = c1

这里的linger.ms=5主要是处理下情况：
producer是按照batch进行发送，但是还要看linger.ms的值，默认是0，表示不做停留。这种情况下，可能有的batch中没有包含足够多的produce请求就被发送出去了，造成了大量的小batch，给网络IO带来的极大的压力。
这里设置producer请求延时5ms才会被发送。

2.2 测试数据消费情况

在dn1节点上启动kafka consumer进程，等待flume sink，因为kafka已经集群，所以–bootstrap-server 选任意一个节点都可以，前提所选节点需在线

[root@dn1 kafka-2.12]# bin/kafka-console-consumer.sh --bootstrap-server nn:9092 --topic  saprkapp

在nn节点上启动flume agent，这里不是后台启动，目的是为了实时观测flume agent 实时数据处理情况。

[root@nn flume-1.9.0]# pwd
/opt/flume-1.9.0
# 启动flume agent 实例
[root@nn flume-1.9.0]# bin/flume-ng agent -c conf -f conf/flume-kafka.properties --name a1

手动在source文件最加新的文本行
[root@nn web_log]# echo “testing flume to kafka” >>access.log
在dn1 上可以看到实时输出nn节点上flume sink过来的消息

[root@dn1 kafka_2.12]# bin/kafka-console-consumer.sh --bootstrap-server nn:9092 --topic  sparkapp
testing flume to kafka

以上完成单节点flume实时数据到kafka的配置和测试，下面将使用flume集群模式sink到kafka集群

3.flume NG集群连接kafka集群

图3 为flume NG集群连接kafka集群的示意图
配置也相对简单，只需要把《在hadoopHA节点上部署flume高可用组件》第4.2章节的collector配置的sinks部分改为kafkasink，agent1、agent2和agent3用第4.1章节所提的配置文件内容即可，本文不再给出。
给个flume节点角色分布表

节点	flume 角色	kafka角色
nn	agent1，collector 1	kafka broker
dn1	agen2	kafka broker
dn2	agent3，collector2	kafka broker

3.1 配置collector

因为测试环境计算资源有限，每个flume进程和kafka进程都在同一服务器上运行，实际生产环境flume和kafka分别在不同服务器上。
配置collector：

[root@nn conf]# pwd
/opt/flume-1.9.0/conf
[root@nn conf]# vi avro-collector.properties
# 定义三个组件
collector1.sources = r1
collector1.sinks = k1
collector1.channels = c1

# 定义source：这里的source配成avro，连接flume agent端sink avro
collector1.sources.r1.type = avro
# bind的属性：dn2节点对应改为dn2
collector1.sources.r1.bind = nn
collector1.sources.r1.port = 52020

#定义channel
collector1.channels.c1.type = memory
collector1.channels.c1.capacity = 500
collector1.channels.c1.transactionCapacity = 100

# 指定sinktype 为kafka sink，从而使得flume collector成为kafka的producer
collector1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
collector1.sinks.k1.kafka.bootstrap.servers = nn:9092,dn1:9092,dn2:9092
collector1.sinks.k1.kafka.topic = sparkapp
collector1.sinks.k1.kafka.flumeBatchSize = 20
collector1.sinks.k1.kafka.producer.acks = 1
collector1.sinks.k1.kafka.producer.linger.ms = 5
collector1.sinks.k1.kafka.producer.compression.type = snappy

# source组件和sinks组件绑定channel组件
collector1.sources.r1.channels = c1
collector1.sinks.k1.channel=c1

3.2 启动flume-ng集群服务

在nn和dn2节点上使用nohup & 后台启动flume collector进程
nn节点上collector进程，jps可以看到Application进程

[root@nn flume-1.9.0]# nohup bin/flume-ng agent -c conf -f conf/avro-collector.properties --name  collector1 -Dflume.root.logger=INFO,console &
[1] 26895
[root@nn flume-1.9.0]# jps
27168 Jps
15508 QuorumPeerMain
23589 Kafka
26895 Application

dn2同样操作，这里不再给出。

分别在nn、dn1和dn2节点上使用nohup & 后台启动启动flume agent进程

[root@nn flume-1.9.0]# nohup bin/flume-ng agent -c conf -f conf/avro-agent.properties --name  agent1 -Dflume.root.logger=INFO,console & 
[root@nn flume-1.9.0]# jps
15508 QuorumPeerMain
324 Jps
23589 Kafka
30837 Application
32462 Application

可以在nn节点看到两个 Application进程，一个是flume collector进程，另外一个是flume agent进程。
dn1和dn2取同样的后台启动方式，这里不再给出。

3.3 测试flume与kafka高可用

任找一个节点，启动kafka consumer 进程，这里在dn1节点上启动

[root@dn1 kafka_2.12]# ./bin/kafka-console-consumer.sh --bootstrap-server nn:9092,dn1:9092,dn2:9092 --topic sparkapp

因为nn、dn1、dn2三个节点上都有flume agent进程，分别在每个节点下的access.log追加新数据行，如下所示：

# nn节点追加新数据行
[root@nn web_log]# pwd
/opt/flume_log/web_log
[root@nn web_log]# echo "flume&kafka HA--msg from nn" >>access.log
# dn1节点追加新数据行
[root@dn1 web_log]# pwd
/opt/flume_log/web_log
[root@dn1 web_log]#echo "flume&kafka HA--msg from dn1" >>access.log
# dn2节点追加新数据行
[root@dn2 web_log]# pwd
/opt/flume_log/web_log
[root@dn2 web_log]# echo "flume&kafka HA--msg from dn2" >>access.log

在kafka consumer shell可以看到实时接收三条记录：

能否关闭其中collector所在服务器中的一台用于同时测试flume和kafka的高可用，例如关闭nn服务器？
不能，因为这里只有三个节点，zookeeper集群必须要三个及以上才能保证高可用，因此这里只需要kill nn节点上的collector，此时flume集群只有dn2的collector在工作，按上面的步骤，在三个节点上都给access.log新增数据行，同样可以正常观测到dn1的kafka consumer拿到3条message

4.小结

本文给出了flume与kafka连接的高可用部署过程，设置相对简单，考虑到测试环境资源限制，这里把flume集群和kafka集群放在同一服务器，生产环境中，flume集群有独立的服务器提供，kafka集群也由独立的服务器提供。后面几篇文章将给出有关spark的深度理解和kafka与spark streaming整合内容，目的为用于实现实时处理批数据的环节。