基于Hadoo的日志收集框架---Chukwa的源码分析(数据处理)
1.工具类、接口简介
(1)
// 用于对数据进行分类 org.apache.hadoop.chukwa.extraction.demux.DemuxManager // mapreduce程序的map处理接口 org.apache.hadoop.chukwa.extraction.demux.processor.mapper.MapProcessor // MapProcessor的工厂类, 用HashMap存储了数据类型与其对应的MapProcessor org.apache.hadoop.chukwa.extraction.demux.processor.mapper.MapProcessorFactory // map处理接口的实现类, 实现了数据块(ChunkImpl)处理、逐行获取内容、创建ChukwaRecord对象, // 但是将写入OutputCollector的实现放在了抽象方法parse()的实现类中 org.apache.hadoop.chukwa.extraction.demux.processor.mapper.AbstractProcessor // AbstractProcessor中parse()方法的实现类 org.apache.hadoop.chukwa.extraction.demux.processor.mapper.DefaultProcessor // mapreduce程序的reduce处理接口 org.apache.hadoop.chukwa.extraction.demux.processor.reducer.ReduceProcessor // reduce处理接口的实现类, 实现了将key、value写入OutputCollector的过程 org.apache.hadoop.chukwa.extraction.demux.processor.reducer.IdentityReducer
(2)
// 用于对数据进行归档 org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveManager
(3)
// 用于将分类后的数据转储备份 org.apache.hadoop.chukwa.extraction.demux.PostProcessorManager
(4)
// 用于将备份数据按小时进行合并 org.apache.hadoop.chukwa.extraction.demux.HourlyChukwaRecordRolling
(5)
// 用于将备份数据按日期进行合并 org.apache.hadoop.chukwa.extraction.demux.DailyChukwaRecordRolling
2.处理流程
(1)数据分类
org.apache.hadoop.chukwa.extraction.demux.DemuxManager
/** * 创建守护进程"DemuxManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程 * 调用start方法启动循环处理过程 */ public static void main(String[] args) /** * 1. 初始化处理过程中用到的目录 * chukwaRootDir /chukwa/ * demuxRootDir /chukwa/demuxProcessing/ * demuxErrorDir /chukwa/demuxProcessing/inError/ * demuxInputDir /chukwa/demuxProcessing/mrInput/ * demuxOutputDir /chukwa/demuxProcessing/mrOutput/ * dataSinkDir /chukwa/logs/ * postProcessDir /chukwa/postProcess/ * archiveRootDir /chukwa/dataSinkArchives/ * 2. 从系统配置文件中获取nagios的配置信息 * 3. 循环处理 * 统计异常次数，如果超过五次则退出 * 检测demuxOutputDir是否存在，如果存在则将其删除 * 检测demuxInputDir是否存在，如果存在则设置可以处理并将处理次数加1，如果已经尝试过3次则将则将demuxInputDir转移到demuxErrorDir * 如果以上两个目录都不存在，则： * reprocess归0 * 在dataSinkDir目录下检测是否有.done文件，如果存在则将其移动到demuxInputDir目录下（最多移动500个），移动完成后将demuxReady设为true * 如果demuxReady已经为true,则开始处理数据(processData) * 发送demux信息到nagios */ public void start() /** * 1. 运行Demux,设置reduce数为demuxReducerCount,设置输入输出目录分别为demuxInputDir、demuxOutputDir * 2. 检测demuxOutputDir是否存在，存在则将demuxOutputDir转移到postProcessDir * 3. 将demuxInputDir转移到archiveDir(archiveRootDir) */ protected boolean processData(String dataSinkDir, String demuxInputDir, String demuxOutputDir, String postProcessDir, String archiveDir) /** * 在main方法中使用ToolRunner启动Demux, 调用内部类MapClass、ReduceClass进行mapreduce处理 * 在运行时设置输出的格式化类为ChukwaRecordOutputFormat */ public static void main(String[] args)
org.apache.hadoop.chukwa.extraction.demux.Demux
在Demux中实现了对数据分类的Mapper类和Reducer类
org.apache.hadoop.chukwa.extraction.demux.Demux$MapClass
/** * 根据ChunkImpl的datatype在$CHUKWA_HOME/conf/chukwa-demux-conf.xml中查找是否配置了mapProcessorClass * 如果没有则默认使用DefaultProcessor处理 * 将获取的mapProcessorClass添加到mapProcessor工厂类的hashmap中 * 在AbstractProcessor中实现了process方法 * 获取数据块的相关信息 * 从数据块中逐行读取内容 * 将处理行内容的parse方法实现放在了DefaultProcessor中, 在此方法中调用父类的buildGenericRecord方法完成 * ChukwaArchiveKey -> ChukwaRecordKey * ChunkImpl -> ChukwaRecord * 的转换 * 写入OutputCollector */ public void map(ChukwaArchiveKey key, ChunkImpl chunk, OutputCollector<ChukwaRecordKey, ChukwaRecord> output, Reporter reporter)
org.apache.hadoop.chukwa.extraction.demux.Demux$ReduceClass
/** * 根据ChukwaRecordKey的reduceType来确定reduceProcessorClass * org.apache.hadoop.chukwa.extraction.demux.processor.reducer. + reduceType * 如果没有找到类则使用IdentityReducer * 在IdentityReducer的process方法中只是将key、value写入OutputCollector */ public void reduce(ChukwaRecordKey key, Iterator<ChukwaRecord> values, OutputCollector<ChukwaRecordKey, ChukwaRecord> output, Reporter reporter)
org.apache.hadoop.chukwa.extraction.demux.ChukwaRecordOutputFormat
继承自MultipleSequenceFileOutputFormat，用于格式化输出结果
/** * 使输出目录为clusterName/dataType/dataType+Util.generateTimeOutput(record.getTime()) */ protected String generateFileNameForKeyValue(ChukwaRecordKey key, ChukwaRecord record, String name)
org.apache.hadoop.chukwa.extraction.demux.processor.Util
/** * 根据时间戳构造文件名 * 从timestamp中获取workingDay、workingHour、minutes * 如果运行日期不等于当前日期，则输出文件为 * [dataType]_[yyyyMMdd].D.evt * 否则如果运行时间（小时）不等于当前时间（小时），则输出文件为 * [dataType]_[yyyyMMdd]_[HH].H.evt * 否则输出结果文件为 * 分钟的个位数小于5， * [dataType]_[yyyyMMdd]_[HH]_[minutes/10].0.R.evt * 分钟的个位数大于等于5 * [dataType]_[yyyyMMdd]_[HH]_[minutes/10].5.R.evt */ public static String generateTimeOutput(long timestamp)
(2)数据归档
org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveManager
/** * 创建守护进程"DemuxManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程 * 调用start方法启动循环处理过程 */ public static void main(String[] args) /** * 1. 初始化处理过程中用到的目录 * chukwaRootDir /chukwa/ * archiveRootDir /chukwa/dataSinkArchives/ * archivesRootProcessingDir /chukwa/archivesProcessing/ * archivesMRInputDir /chukwa/archivesProcessing/mrInput/ * archivesMROutputDir /chukwa/archivesProcessing/mrOutput/ * finalArchiveOutput /chukwa/finalArchives/ * 2. 开始循环处理 * errorCount记录错误次数，当超过四次时退出 * 判断archivesMRInputDir目录是否存在(是否已经有archive job的输入目录存在)，存在则使用runArchive方法对当天数据进行归档 * 获取archiveRootDir目录下的文件， * 如果没有文件则休眠一分钟 * 如果只有一个日期目录，则判断是否是当天且当前时间是否与上次运行间隔了两个小时，如果还不到两个小时则休眠半个小时 * 如果有多个日期目录，则使用processDay方法处理每个日期目录下的文件 */ public void start() /** * 处理指定日期的数据 * now 当前时间 * currentDay 当前日期 * workingDay 要处理的日期目录 * oneHourAgo 一个小时之前的时间 * 如果要处理的日期目录下没有文件且日期在当天日期之前，则将目录删除后返回 * 使用fileCount记录文件总数, 遍历日期目录 * 如果文件修改时间不到一个小时 * 记录日期目录下的文件数 * 将文件转移到archivesMRInputDir目录 * 如果文件数已经到达最大文件数(500)，则调用runArchive方法进行归档，并将fileCount重置为0 */ public void processDay(FileStatus fsDay, String archivesMRInputDir, String archivesMROutputDir, String finalArchiveOutput) /** * 1. 构建job运行参数，从配置文件中加载配置项"archive.grouper"(归档分组类型) * 2. 检测mrOutput目录是否存在，存在则删除 * 3. 使用ToolRunner运行ChukwaArchiveBuilder * 4. 使用mrInput中的日期在finalArchiveOutput中创建对应的目录 * 5. 将mrOutput目录转储到上一步创建的目录下的"archive_+当前时间" * 6. 删除mrInput目录 */ public void runArchive(String archivesMRInputDir, String archivesMROutputDir, String finalArchiveOutput)
org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveBuilder
org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveBuilder$UniqueKeyReduce
/** * 统计每个key有多少个value */ public void reduce(ChukwaArchiveKey key, Iterator<ChunkImpl> vals, OutputCollector<ChukwaArchiveKey, ChunkImpl> out, Reporter r) /** * 在main方法中使用ToolRunner启动ChukwaArchiveBuilder, * 在run方法中调用IdentityMapper、内部类UniqueKeyReduce进行mapreduce处理 * 根据不同的参数设置不同的partitionerClass、outputFormat、jobName */ public static void main(String[] args)
(3)数据转储
org.apache.hadoop.chukwa.extraction.demux.PostProcessorManager
/** * 创建守护进程"PostProcessorManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程 * 调用start方法启动循环处理过程 */ public static void main(String[] args) /** * 1. 初始化处理过程中用到的目录 * chukwaRootDir /chukwa/ * postProcessDir /chukwa/postProcess/ * chukwaRootReposDir /chukwa/repos/ * chukwaPostProcessInErrorDir /chukwa/postProcessInError/ * 2. 开始循环处理 * errorCount记录了错误次数，如果已经超过四次则退出 * 遍历demuxOutputDir, * 如果此目录下没有文件则休眠10秒 * 如果有文件则将文件添加到directories(ArrayList<String>)并进行排序 * 遍历directories * 对每一个文件使用processDemuxPigOutput方法进行处理，完成后调用 * movetoMainRepository方法移动文件，然后将文件删除，如果出现异常， * 则将文件转移到错误目录 */ public void start() /** * 从$CHUKWA_HOME/conf/chukwa-demux-conf.xml中加载配置项 * chukwa.post.demux.data.loader，得到两个实现类 * org.apache.hadoop.chukwa.dataloader.MetricDataLoaderPool, * org.apache.hadoop.chukwa.dataloader.FSMDataLoader * 遍历配置的实现类 * 分别获取实例，构建查找对象 * (/chukwa/postProcess/cluster/dataType/*.evt) * 将查找到的文件交由dataloader处理 */ public boolean processDemuxPigOutput(String directory) /** * 这里将移动到repository的功能整合到了org.apache.hadoop.chukwa.extraction.demux.MoveToRepository中 */ public boolean movetoMainRepository(String sourceDirectory, String repoRootDirectory)
org.apache.hadoop.chukwa.extraction.demux.MoveToRepository
/** * 遍历要转储的目录 * 获取cluster名称，过滤掉"_logs"、"_temporary" * 使用processClusterDirectory方法处理每个cluster下的文件 * 删除已经完成转储的cluster目录 */ public static void main(String[] args) /** * 遍历cluster目录 * 获取dataType名称 * 使用processDatasourceDirectory方法处理每个dataType下的文件 */ static void processClusterDirectory(Path srcDir, String destDir) /** * 遍历某个dataType下的evt文件 * 如果是以".D.evt"结尾的文件 * 获取日期 * 调用writeRecordFile方法写入文件，其中 * 输出目录为/chukwa/repos/<cluster>/<dataType>/<yyyyMMdd>/ * 输出文件为<dataType>_<yyyyMMdd> * 如果是以".H.evt"结尾的文件 * 获取日期、小时 * 调用writeRecordFile方法写入文件，其中 * 输出目录为/chukwa/repos/<cluster>/<dataType>/<yyyyMMdd>/<HH>/ * 输出文件为<dataType>_<yyyyMMdd>_<HH> * 调用addDirectory4Rolling方法对日期、小时做标记 * 如果是以".R.evt"结尾的文件 * 获取日期、小时、分钟 * 调用writeRecordFile方法写入文件，其中 * 输出目录为/chukwa/repos/<cluster>/<dataType>/<yyyyMMdd>/<HH>/<mm>/ * 输出文件为<dataType>_<yyyyMMdd>_<HH>_<mm> * 调用addDirectory4Rolling方法对日期、小时做标记 */ static void processDatasourceDirectory(String cluster, Path srcDir, String destDir) /** * 将文件转储并改名 */ static void writeRecordFile(String destDir, Path recordFile, String fileName) /** * 在/chukwa/rolling/目录下生成相应数据类型的目录以便于进行数据合并 * 如果不在当前日期，在/chukwa/rolling/下生成 * daily/<yyyyMMdd>/<cluster>/<dataType> * 否则，在/chukwa/rolling/下生成 * hourly/<yyyyMMdd>/<cluster>/<dataType> */ static void addDirectory4Rolling(boolean isDailyOnly, int day, int hour, String cluster, String dataSource)
(4)数据合并
org.apache.hadoop.chukwa.extraction.demux.HourlyChukwaRecordRolling
/** * 1. 创建守护进程"PostProcessorManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程 * 2. 初始化处理过程中用到的目录 * rollingFolder /chukwa/rolling/ * chukwaMainRepository /chukwa/repos/ * tempDir /chukwa/temp/hourlyRolling/ * 3. 从执行参数中获取rollInSequence(是否顺序执行合并线程),deleteRawdata(是否删除原始数据)这两个参数设置的值 * 4. 获取当前日期和小时 * 5. 遍历 /chukwa/rolling/hourly/ 目录 * 获取此目录下的每个日期，对其遍历 * 获取此目录下的小时，如果此目录日期小于当前日期，或两者相同而且此小时小于当前小时(即只对当前小时之前的数据进行合并) * 调用buildHourlyFiles */ public static void main(String[] args) /** * 获取处理目录 /chukwa/rolling/hourly/workingDay/workingHour * 遍历此目录下所有的cluster * 遍历每个cluster目录下的所有数据类型(dataSource) * 创建目录 /chukwa/repos/cluster/dataSource/workingDay/workingHour/rotateDone * 构建合并参数数组 mergeArgs * mergeArgs[0] = /chukwa/repos/cluster/dataSource/workingDay/workingHour/[0-5]* /*.evt * mergeArgs[1] = /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis * mergeArgs[2] = /chukwa/repos/cluster/dataSource/workingDay/workingHour * mergeArgs[3] = dataSource_HourlyDone_workingDay_workingHour * mergeArgs[4] = /chukwa/rolling/hourly/workingDay/workingHour/cluster/dataSource * 新建RecordMerger对象merge * 如果rollInSequence为true,则启动merge线程 * 否则将merge添加到列表并启动线程，等待此线程运行完成 * 删除dataSource目录 * 删除cluster目录 * 删除hour目录 */ public static void buildHourlyFiles(String chukwaMainRepository, String tempDir, String rollingFolder, int workingDay, int workingHour) /** * 使用IdentityMapper作为mapperClass, 使用IdentityReducer作为reducerClass, 只是简单的合并数据 */ public int run(String[] args)
org.apache.hadoop.chukwa.extraction.demux.RecordMerger
/** * 调用ToolRunner.run运行tool, 即调用HourlyChukwaRecordRolling中的run方法，将 * /chukwa/repos/cluster/dataSource/workingDay/workingHour/[0-5]* /*.evt * 合并到 * /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis * 如果此任务处理成功 * 调用 writeRecordFile() * 如果deleteRawData参数为true * 删除输入文件 * /chukwa/repos/cluster/dataSource/workingDay/workingHour/[0-5]* /*.evt * 遍历 /chukwa/repos/cluster/dataSource/workingDay/workingHour * 删除小时或分钟的目录 * /chukwa/repos/cluster/dataSource/workingDay/workingHour[0-5]* / * 删除合并标记文件 * dataSource_HourlyDone_workingDay_workingHour * 删除临时目录 * /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis */ public void run() /** * 将mapreduce运行结果文件改名转储, 即将HourlyChukwaRecordRolling中的run方法合并后的文件转储 * input /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis/part-00000 * outputDir /chukwa/repos/cluster/dataSource/workingDay/workingHour * filename dataSource_HourlyDone_workingDay_workingHour * destFile /chukwa/repos/cluster/dataSource/workingDay/workingHour/dataSource_HourlyDone_workingDay_workingHour.1.evt */ void writeRecordFile(String input, String outputDir, String fileName)