关于flume中hbase插件数据误差的问题

前几天用到flume的日志收集，基于公司的业务对flume本身自带的hbase插件做了些改造，测试的时候却出现了丢数据和多数据的问题……

1.首先查看collector的event数，是与原数据量相符的。所以在agent与collector的交互过程是没有问题的

2.查看开发插件业务处理过程，看了好几遍感觉也没问题。

3.于是问题只有可能出现在hbase的数据处理上了。本来是基于flume自带的hbase插件做的改造，在数据提交那块上没动脑子，后来才发现问题就是出在数据提交这块。

丢数据

为什么会出现丢数据的情况呢？

大家都知道HTable的put操作是支持本地缓存的，如果设置了buffer，HBase不会每次put操作都提交到后台，而是等client端的数据量达到指定的buffer时才向后台提交数据。

本来在flume这种模式下，数据的提交速度本身就很快，如果不设置buffer，性能上会严重出现问题。但由于HTable本身没有提供定时提交buffer的机制，所以数据量未达到buffer时，client端的数据是不会提交到后台的。所以此时会出现丢数据的假象。于是就想独立启用一个线程定时去提交buffer中的数据，不管buffer有没有达到指定数据量。这时可以在出现异常的情况下尽量避免丢失buffer中的数据（但是不能完全避免）。

此时因为是多线程处理HTable的数据，就要考虑到HTable的线程安全，通过HTable的介绍可知，HTable并非是线程安全的。

This class is not thread safe for updates; the underlying write buffer can be corrupted if  multiple threads contend over a single HTable instance. 

所以得控制好多线程操作HTable这块。

多数据

为什么会出现多数据的情况呢？

首先是没有正确操作flume，在flume的agent端，如果采用DFO（Store on failure）的方式，在collector不可抵达时，agent端的event事件会存储在本地磁盘，如果第一次启动agent的时候已经存储了数据在本地磁盘而未删除，在第二次启动agent时，本地磁盘的数据会被重新发送给collector，这个时候就会出现多数据的情况。所以在重启agent的时候，记得处理本地磁盘的数据。

另外一种情况请参考Flume agent端event重复发送（数据暴增不一致）的问题