flume拦截器
Flume最重要的组件是Source、Channel和Sink，另外，Flume Agent还有一些使Flume更加灵活的组件，如拦截器，Channel选择器，Sink组和Sink选择器。本文将讨论一下拦截器的应用。
拦截器
拦截器（Interceptor）是简单的插入式组件，设置在Source和Source写入数据的Channel之间，Source接收到的事件在写入到Channel之前，拦截器都可以对时间进行拦截，转换或删除这些时间。每个拦截器实例只处理同一个Source接受到的事件。
可以添加任意数量的拦截器去处理从单个Source传来的事件，Source将同一个事务中的所有事件传递给Channel处理器，进而传递给拦截器链，然后事件被传递给拦截器链的第一个拦截器，之后对事件进行转换处理，往下一个拦截器传递，依次直到最后一个拦截器返回的事件写入到Channel中。
拦截器必须在事件写入到Channel之前完成处理，因此在拦截器中进行大量的耗时处理不太合适，如果拦截器的处理非常耗时，需要相应调整响应超时时间。防止由于长时间没有响应发送事件的客户端或者Sink，而导致超时。
拦截器是需要命名的组件，每个拦截器都需要限定一个名字。拦截器的配置需要以interceptor开头、后面跟着拦截器的名称，以及配置项名称。
下面是拦截器配置示例
a1.sources = r1
a1.sinks = k1
a1.channels = c1
a1.sources.r1.interceptors = i1 i2
a1.sources.r1.interceptors.i1.type = org.apache.flume.interceptor.HostInterceptor$Builder
a1.sources.r1.interceptors.i1.preserveExisting = false
a1.sources.r1.interceptors.i1.hostHeader = hostname
a1.sources.r1.interceptors.i2.type = org.apache.flume.interceptor.TimestampInterceptor$Builder
a1.sinks.k1.filePrefix = FlumeData.%{CollectorHost}.%Y-%m-%d
a1.sinks.k1.channel = c1时间戳拦截器
Flume中最常用的拦截器是时间戳拦截器，该拦截器将时间戳插入到Flume事件的报头，附带的timeStamp是HDFS Sink用来分桶的报头。如果时间戳报头已经存在，则会替换该时间戳报头，除非preserveExisting参数设置为true。该拦截器经常用在第一层agent，用于从客户端接受数据。
| 参数 | 描述 |
|---|---|
| type | timestamp |
| preserveExisting | 默认值false。如果设置为true，若时间戳报头以及存在，则不会替换该时间戳报头 |
配置示例
a1.sources = r1
a1.channels = c1
a1.sources.r1.channels = c1
a1.sources.r1.type = seq
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = timestamp主机拦截器
主机拦截器插入服务器的IP地址或者主机名，Agent将这些内容注入到Flume的事件报头中，事件报头中的键使用hostHeader配置，默认值为host。如果事件报头在事件中已经存在，则会替换该事件报头，除非preserveExisting参数设置为true。将useIP参数设置为false，插入的主机名会替换ip地址。
| 参数 | 描述 |
|---|---|
| type | host |
| hostHeader | 默认host，事件的头，用于插入ip地址或者主机名 |
| useIP | 如果设置为true，host键插入的是IP地址 |
| preserveExisting | 默认值false。如果设置为true，若报头存在，则不会替换该报头 |
a1.sources = r1
a1.channels = c1
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = host
a1.sources.r1.interceptors.i1.hostHeader = hostname静态拦截器
静态拦截器可以简单的将固定报头的键和值插入拦截的每个事件中。
| 参数 | 描述 |
|---|---|
| type | static |
| key | 默认key，报头的键 |
| value | 默认value，报头键对应的值 |
| preserveExisting | 默认值false。如果设置为true，若该报头已经存在，则不会替换该报头 |
a1.sources = r1
a1.channels = c1
a1.sources.r1.channels = c1
a1.sources.r1.type = seq
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = static
a1.sources.r1.interceptors.i1.key = datacenter
a1.sources.r1.interceptors.i1.value = NEW_YORK正则过滤拦截器
该拦截器可以用于过滤事件，每个正则过滤器拦截将事件体转换为UTF-8的字符串，使用该字符串基于配置的正则表达式去匹配，如果匹配成功，则通过该事件或者抛弃该事件。
| 参数 | 描述 |
|---|---|
| type | regex_filter |
| regex | 默认.* 正则表达式 |
| excludeEvents | 默认false，如果为true，匹配上的事件会丢弃。 |
示例
a1.sources.r1.interceptors.i1.regex = (\\d):(\\d):(\\d)
a1.sources.r1.interceptors.i1.excludeEvents= trueRegex Extractor Interceptor
此拦截器使用指定的正则表达式提取regex捕获组，并将匹配组追加到事件的报头。它还支持在将匹配组添加为事件报头之前对其进行格式化。
| 参数 | 描述 |
|---|---|
| type | regex_extractor |
| regex | 默认.* 正则表达式 |
| serializers | 空格分割的名称，对应正则匹配的捕获组 |
| serializers. |
报头的键名 |
| serializers. |
默认default (org.apache.flume.interceptor.RegexExtractorInterceptorPassThroughSerializer)，还有org.apache.flume.interceptor.RegexExtractorInterceptorMillisSerializer，或者自定义实现org.apache.flume.interceptor.RegexExtractorInterceptorSerializer |
默认的序列化器，org.apache.flume.interceptor.RegexExtractorInterceptorPassThroughSerializer，只将匹配项映射到指定的头名称，并在regex提取值时传递该值。可以自定义序列化器实现更多功能，以任意方式格式化匹配项。自定义的类需要实现org.apache.flume.interceptor.RegexExtractorInterceptorSerializer 接口。
示例一
a1.sources.r1.interceptors.i1.regex = (\\d):(\\d):(\\d)
a1.sources.r1.interceptors.i1.serializers = s1 s2 s3
a1.sources.r1.interceptors.i1.serializers.s1.name = one
a1.sources.r1.interceptors.i1.serializers.s2.name = two
a1.sources.r1.interceptors.i1.serializers.s3.name = three示例二
a1.sources.r1.interceptors.i1.regex = ^(?:\\n)?(\\d\\d\\d\\d-\\d\\d-\\d\\d\\s\\d\\d:\\d\\d)
a1.sources.r1.interceptors.i1.serializers = s1
a1.sources.r1.interceptors.i1.serializers.s1.type = org.apache.flume.interceptor.RegexExtractorInterceptorMillisSerializer
a1.sources.r1.interceptors.i1.serializers.s1.name = timestamp
a1.sources.r1.interceptors.i1.serializers.s1.pattern = yyyy-MM-dd HH:mmUUID拦截器
拦截器可以为每个事件生成唯一的标识符，生成的UUID可以设置为可配置的参数，还可以为UUID生成相应的前缀。
| 参数 | 描述 |
|---|---|
| type | org.apache.flume.sink.solr.morphline.UUIDInterceptor$Builder |
| headerName | 报头名称 |
| preserveExisting | 默认true，如果UUID已存在，保留不覆盖。 |
| prefix | 生成UUID的前缀 |
a1.sources.r1.interceptors.i1.type = org.apache.flume.sink.solr.morphline.UUIDInterceptor$Builder
a1.sources.r1.interceptors.i1.headerName = prefix-
a1.sources.r1.interceptors.i1.preserveExisting = false自定义拦截器
拦截器是Flume中最容易编写的组件，只需要实现Interceptor接口。该接口本身非常简单，Flume本身要求所有的拦截器必须有一个实现Interceptor$Builder接口的Builder类。所有的Builde类必须有一个公共的无参构造方法。Flume使用该方法完成实例化，可以使用传递到Builder类的Context实例配置拦截器，所有需要的参数都传递到Context实例。
拦截器一般用于拦截，转换事件，通常给拦截的事件插入事件报头，这些事件用于后续的HDFS Sink（用于时间戳或者基于报头的分桶），Hbase Sink（用于行键）等。这些事件报头也经常在复杂的Channel处理器中用于将流分为多个流的分支，或者基于优先级将事件发送到不同的Sink中。
Interceptor接口
public interface Interceptor {
void initialize();
Event intercept(Event var1);
List intercept(List var1);
void close();
public interface Builder extends Configurable {
Interceptor build();
}
}
可以看到有两种处理事件的方法，第一种方法接受一个事件返回一个事件列表，第二种方法 可以接受一个事件列表并返回一个事件列表。这两个方法必须都是线程安全的，因为如果Source运行在多线程环境下，这些方法可能被多个线程调用。
整体流程：
- 编写java代码
- 打包上传到flume的lib目录下
- 编写flume配置文件
flume Interceptor源码
-
public void initialize()运行前的初始化，一般不需要实现
- public Event intercept(Event event)处理单个event；
- public List intercept(List events)批量处理event，内部调用单个的event逻辑即可；
- public void close()可以做一些清理工作，可以不实现
- public interface Builder extends Configurable 构建Interceptor对象，外部使用这个Builder来获取Interceptor对象。
综上所述，实现Interceptor，自定义flume拦截器主要实现以下3个方法、接口
示例
需求：实现过滤某个不需要的字段，并加密另外一个字段
原始数据格式
# 加密 |不处理|不处理|过滤|不处理
13504245101,male,11,chifan,bei
13717457125,female,22,shuijue,shang
18451762413,male,33,dadoudou,guang
处理后的数据
xxxxxxxxxxx,male,11,bei
xxxxxxxxxxx,female,22,shang
xxxxxxxxxxx,male,33,guang
第一个flume代码（自定义flume拦截器）
pom文件
org.apache.flume
flume-ng-core
1.6.0-cdh5.14.2
java代码
public class MyInterceptor implements Interceptor{
//需要加密字段的坐标
private final String encrypted_field_index;
//需要过滤字段的坐标
private final String filter_field_inedex;
public MyInterceptor(String encrypted_field_index,String filter_field_inedex){
this.encrypted_field_index = encrypted_field_index;
this.filter_field_inedex = encrypted_field_index;
}
@Override
public void initialize() {
//do nothing
}
@Override
public Event intercept(Event event) {
if (event == null){
return null;
}
try {
{
//每个event由header和body组成，body是数据的载体
String line = new String(event.getBody(), Charsets.UTF_8);
String[] fields = line.split(" ");
String newLine = "";
for (int i = 0; i < fields.length; i++) {
int encryptedIndex = Integer.parseInt(encrypted_field_index);
int filterIndex = Integer.parseInt(filter_field_inedex);
if (i == encryptedIndex){
newLine+=md5(fields[i] + ",");
}else if (i !=filterIndex){
newLine += fields[i] + ",";
}
}
newLine = newLine.substring(0,newLine.length() - 1);
event.setBody(newLine.getBytes(Charsets.UTF_8));
return event;
}
}catch (Exception e){
return event;
}
}
@Override
public List intercept(List events) {
return null;
}
@Override
public void close() {
//do nothing
}
/**
* 相当于自定义Interceptor的工厂类
* 在flume采集配置文件中通过制定该Builder来创建Interceptor对象
* 可以在Builder中获取、解析flume采集配置文件中的拦截器Interceptor的自定义参数：
* 指定需要加密的字段下标 指定不需要对应列的下标等
* @author
*
*/
public static class MyBuilder implements Interceptor.Builder{
//需要加密的字段下标
private String encrypt_field_index;
//需要过滤的字段下标
private String filter_field_index;
@Override
public Interceptor build() {
return new MyInterceptor(encrypt_field_index,filter_field_index);
}
@Override
public void configure(Context context) {
this.encrypt_field_index = context.getString("encrypt_field_index","");
this.filter_field_index = context.getString("filter_field_index","");
}
}
//md5加密的方法
public static String md5(String plainText) {
//定义一个字节数组
byte[] secretBytes = null;
try {
// 生成一个MD5加密计算摘要
MessageDigest md = MessageDigest.getInstance("MD5");
//对字符串进行加密
md.update(plainText.getBytes());
//获得加密后的数据
secretBytes = md.digest();
} catch (NoSuchAlgorithmException e) {
throw new RuntimeException("md5 error");
}
//将加密后的数据转换为16进制数字
String md5code = new BigInteger(1, secretBytes).toString(16);// 16进制数字
// 如果生成数字未满32位，需要前面补0
for (int i = 0; i < 32 - md5code.length(); i++) {
md5code = "0" + md5code;
}
return md5code;
}
}
flume配置文件
# name the agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# config the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /flume/testData.txt
a1.sources.r1.channels = c1
a1.sources.r1.intercepotrs = i1
#MyBuilder为MyInterceptor的内部类
a1.sources.r1.interceptors.i1=type = com.interceptor.MyInterceptor$MyBuilder
# 这的字段一定要和代码中的config中的字段相等
a1.sources.r1.interceptors.i1.encrypt_field_index = 0
a1.sources.r1.interceptors.i1.filter_field_index = 3
# channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.channels = c1
a1.sinks.k1.hdfs.path = hdfs://node01:8020/Myinterceptor/%Y-%m-%d/%H%M
a1.sinks.k1.hdfs.filePrefix =events-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
a1.sinks.k1.hdfs.rollInterval = 5
a1.sinks.k1.hdfs.rollSize = 50
a1.sinks.k1.hdfs.rollCount = 10
a1.sinks.k1.hdfs.batchSize = 100
a1.sinks.k1.hdfs.useLocalTimeStamp = true
a1.sinks.k1.hdfs.fileType = DataStream
运行结果
CounterInterceptor 类的拦截方法是线程安全的，因为变量是由final修饰的，或者是Atomic原子操作。如果需要拦截该事件，则返回null即可，如果是事件列表，则必须返回一个事件列表，即使为空，也必须返回列表。
拦截器的调用是由Channel处理器来完成的，Channel处理器会首先实例化Builder类，然后调用Builder类的configure方法，该方法用于传递包含配置拦截器的Context实例。然后Channel处理器调用build方法，该方法返回拦截器。Channel处理器通过调用拦截器实例的Initialize方法初始化拦截器。
-
- 实现Interceptor接口中
intercept(Event event)方法 intercept(List方法。events) - 创建内部类Builder实现
Interceptor.Builder接口
- 实现Interceptor接口中