第87课 Flume推送数据到SparkStreaming案例实战和内幕源码解密

本课是由DT大数据梦工厂推出的IMF传奇行动Spark课程的第87讲，本期内容有：
（1）Flume on HDFS案例回顾
（2）Flume推送数据到Spark Streaming实战
（3）原理绘图剖析

一、 Flume on HDFS案例回顾

上节课要求大家自己安装配置Flume，并且测试数据的传输。我昨天是要求传送的HDFS上。文件配置如下：

~/.bashrc中

export FLUME_HOME=/usr/local/flume/apache-flume-1.6.0-bin
export FLUME_CONF_DIR=$FLUME_HOME/conf

PATH中增加：${FLUME_HOME}/bin

进入Flume的conf目录下拷贝flume-conf.properties.template，更名为conf/flume-cong.properties，只写以下内容：

agent1表示代理名称
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1

#配置source1
agent1.sources.source1.type=spooldir
agent1.sources.source1.spoolDir=/usr/local/flume/tmp/TestDir
agent1.sources.source1.channels=channel1
agent1.sources.source1.fileHeader = false
agent1.sources.source1.interceptors = i1
agent1.sources.source1.interceptors.i1.type = timestamp

#配置sink1
agent1.sinks.sink1.type=hdfs
agent1.sinks.sink1.hdfs.path=hdfs://master:9000/library/flume
agent1.sinks.sink1.hdfs.fileType=DataStream
agent1.sinks.sink1.hdfs.writeFormat=TEXT
agent1.sinks.sink1.hdfs.rollInterval=1
agent1.sinks.sink1.channel=channel1
agent1.sinks.sink1.hdfs.filePrefix=%Y-%m-%d
#agent1.sinks.sink1.type=avro
#agent1.sinks.sink1.channel=channel1
#agent1.sinks.sink1.hostname=Master
#agent1.sinks.sink1.port=9999

#配置channel1
agent1.channels.channel1.type=file
agent1.channels.channel1.checkpointDir=/usr/local/flume/tmp/checkpointDir
agent1.channels.channel1.dataDirs=/usr/local/flume/tmp/dataDirs

在flume-env.sh下配置配置如下内容:

# export JAVA_HOME=/usr/lib/jvm/java-6-sun
export JAVA_HOME=/usr/local/jdk/jdk1.8.0_60

# Give Flume more memory and pre-allocate, enable remote monitoring via JMX
# export JAVA_OPTS="-Xms100m -Xmx2000m -Dcom.sun.management.jmxremote"
export JAVA_OPTS="-Xms100m -Xmx2000m -Dcom.sun.management.jmxremote"

建立文件夹 /usr/local/flume/tmp/TestDir这个目录，然后可以把文件放在这个目录下，Flume会自动识别这个目录下的数据文件。再到HDFS上建立/library/flume文件夹。

然后进入Flume的bin目录下启动Flume：

./flume-ng agent -n agent1 -c conf -f /usr/local/flume/apache-flume-1.6.0-bin/conf/flume-conf.properties -Dflume.root.logger=DEBUG,console

在/usr/local/flume/tmp/TestDir下，拷入用于测试的的文件，比如：NOTICE。Flume 控制台会有一些相关信息：

16/04/22 11:03:49 INFO avro.ReliableSpoolingFileEventReader: Preparing to move file /usr/local/flume/tmp/TestDir/NOTICE to /usr/local/flume/tmp/TestDir/NOTICE.COMPLETED
16/04/22 11:03:51 INFO hdfs.HDFSDataStream: Serializer = TEXT, UseRawLocalFileSystem = false
16/04/22 11:03:51 INFO hdfs.BucketWriter: Creating hdfs://master:9000/library/flume/2016-04-22.1461294231806.tmp
16/04/22 11:03:52 INFO hdfs.BucketWriter: Closing hdfs://master:9000/library/flume/2016-04-22.1461294231806.tmp
16/04/22 11:03:52 INFO hdfs.BucketWriter: Renaming hdfs://master:9000/library/flume/2016-04-22.1461294231806.tmp to hdfs://master:9000/library/flume/2016-04-22.1461294231806

可以发现本地的NOTICE文件更名为NOTICE.COMPLETED。

用浏览器查询：http://localhost:50070/explorer.html#/library/flume，可看到Flume把NOTICE文件传送到 HDFS的/library/flume下，文件名为 2016-04-22.1461294231806。打开文件看内容可以验证。说明当Flume指定的源文件夹中有新文件时，Flume会自动将此文件，导入到Flume配置时指定的HDFS文件夹中。
一般正常业务情况下，应该是把Flume的数据放到Kafka中，然后让不同的数据消费者去消费数据。如果要在Flume和Kafka两者间做选择的话，则要看业务中数据是否持续不断的产生。如果是这样，则应该选择Kafka。如果产生的数据时大时小，甚至有些时间没有数据，则没必要用Kafka，可以节省资源。

二、Flume推送数据到Spark Streaming实战

现在我们不把Flume的数据导入到HDFS中，而是把数据推送到Spark Streaming中。
修改conf/flume-cong.properties文件，改导入到HDFS，变为推送到Spark Streaming。

#配置sink1
#agent1.sinks.sink1.type=hdfs
#agent1.sinks.sink1.hdfs.path=hdfs://master:9000/library/flume
#agent1.sinks.sink1.hdfs.fileType=DataStream
#agent1.sinks.sink1.hdfs.writeFormat=TEXT
#agent1.sinks.sink1.hdfs.rollInterval=1
#agent1.sinks.sink1.channel=channel1
#agent1.sinks.sink1.hdfs.filePrefix=%Y-%m-%d
agent1.sinks.sink1.type=avro
agent1.sinks.sink1.channel=channel1
agent1.sinks.sink1.hostname=Master
agent1.sinks.sink1.port=9999

我们采用在IDE中编写Spark Streaming应用的Java程序：

public class FlumePushData2SparkStreaming {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("local[4]").
                setAppName("FlumePushDate2SparkStreaming");

        JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(30));

        JavaReceiverInputDStream lines = FlumeUtils.createStream(jsc,"Master", 9999);

        // 注意此处输入的event类型是SparkFlumeEvent类型。
        JavaDStream<String> words = lines.flatMap(new FlatMapFunction<SparkFlumeEvent, String>() {

            @Override
            public Iterable<String> call(SparkFlumeEvent event) throws Exception {
                String line = new String(event.event().getBody().array());
                return Arrays.asList(line.split(" "));
            }
        });

        JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {

            @Override
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<String, Integer>(word, 1);
            }
        });

        JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {

            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });
        wordsCount.print();
        jsc.start();
        jsc.awaitTermination();
        jsc.close();
    }
}

代码中用到了FlumeUtils，我们剖析一下代码中用到的FlumeUtils。以上代码中FlumeUtil的方法createStream：

实际是调用以下createStream方法：

可以看到流处理默认的存储方式是，既在内存，又在磁盘中，同时做序列化，而且用两台机器。继续看调用的createStream方法：

实际上返回的是FlumeInputDStream对象，而且事件是Flume所定义的事件SparkFlumeEvent。所以要注意，在以上Java代码做flatMap时，FlatMapFunction的输入类型必须是SparkFlumeEvent类型。再看看FlumeInputDStream的代码：

可以看到getReceiver返回的是用于接收数据的FlumeReceiver对象。再看FlumeReceiver：

可以发现Flume使用了Netty。如果搞分布式编程，要重视使用Netty。

把以上的应用Spark Streaming的Java程序运行起来。确认Flume也在运行。
我们找若干文件拷入TestDir文件夹，比如：flume下的若干文本文件。那么在Java运行的控制台，可以发现以下信息：

说明Flume推送数据到了Spark Streaming，Spark Streaming对数据及时进行了处理。

三、原理绘图剖析

课程笔记来源: DT大数据梦工厂IMF传奇行动课程学员整理。YY直播永久课堂频道68917580每晚8点准时开课!
主编辑：王家林
编写人：姜伟及其IMF-Spark Steaming企业级开发实战小组