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、配置.bashrc
vi ~/.bashrc
export FLUME_HOME=/usr/local/flume/apache-flume-1.6.0-binexport FLUME_CONF_DIR=$FLUME_HOME/confPATH 加上
$FLUME_HOME/bin二、配置conf
拷贝flume-conf.properties.template为flume-conf.properties并改写
#agent1表示代理名称agent1.sources=source1agent1.sinks=sink1agent1.channels=channel1#配置source1agents1.sources.source1.type=spooldiragents1.sources.source1.spoolDir=/usr/local/flume/tmp/TestDiragents1.sources.source1.channels=channel1agents1.sources.source1.fileHeader=falseagents1.sources.source1.interceptors=i1agents1.sources.source1.interceptors.i1.type=timestamp#配置sink1#sink到HDFSagent1.sinks.sink1.type=hdfsagent1.sinks.sink1.hdfs.path=hdfs://master:9000/library/flumeagent1.sinks.sink1.hdfs.fileType=DataStreamagent1.sinks.sink1.hdfs.writeFormat=TEXTagent1.sinks.sink1.hdfs.rollInterval=1agent1.sinks.sink1.channel=channel1agent1.sinks.sink1.hdfs.filePrefix=%Y-%m-%d#sink到某个端口#agent1.sinks.sink1.type=avro#agent1.sinks.sink1.channel=channel1#agent1.sinks.sink1.hostname=Master#agent1.sinks.sink1.port=9999#sink到Kafka#agent1.sinks.sink1.type=org.apache.flume.plugins.KafkaSink#agent1.sinks.sink1.metadata.broker.list=Master:9092,Worker1:9092,Worker2.9092#agent1.sinks.sink1.partition.key=0#agent1.sinks.sink1.partitioner.class=org.apache.flume.plugins.SinglePartition#agent1.sinks.sink1.serializer.class=kafka.serializer.StringEncoder#agent1.sinks.sink1.request.requiredacks=0#agent1.sinks.sink1.max.message.size=1000000#agent1.sinks.sink1.producer.type=sync#agent1.sinks.sink1.custom.encoding=UTF-8#agent1.sinks.sink1.custom.topic.name=HelloKafka#agent1.sinks.sink1.channel= channel1#配置channel1agent1.channels.channel1.type=fileagent1.channels.channel1.chackpointDir=/usr/local/flume/tmp/checkpointDiragent1.channels.channel1.dataDirs=/usr/local/flume/tmp/dataDirs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,consoleJava代码：
package com.tom.spark.SparkApps.sparkstreaming;import java.util.Arrays;import org.apache.spark.SparkConf;import org.apache.spark.api.java.function.FlatMapFunction;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaPairDStream;import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.flume.FlumeUtils;import org.apache.spark.streaming.flume.SparkFlumeEvent;import scala.Tuple2;public class FlumePushData2SparkStreaming { public static void main(String[] args) { // TODO Auto-generated method stub /** * 第一步：配置SparkConf， * 1、至少2条线程：因为Spark Streaming应用程序在运行的时候至少有一条 * 线程用于不断的循环接收数据，并且至少有一条线程用于处理接收的数据（否则的话无法有线程用 * 于处理数据，随着时间的推移，内存和磁盘都会不堪重负） * 2、对于集群而言，每个Executor一般肯定不止一个Thread，那对于处理Spark Streaming * 应用程序而言，每个Executor一般分配多少Core比较合适？根据经验，5个左右的Core是最佳的 * （一个段子：分配为奇数个Core表现最佳，例如3个、5个、7个Core等 */ SparkConf conf = new SparkConf().setMaster("local[4]").setAppName("FlumePushData2SparkStreaming"); /** * 第二步：创建Spark StreamingContext： * 1、这是SparkStreaming应用程序所有功能的起始点和程序调度的核心. * SparkStreamingContext的构建可以基于SparkConf参数，也可以基于持久化的SparkStreamingContext的 * 内容来恢复过来（典型的场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7*24小时不间断运行的特征， * 所以需要在Driver重新启动后继续上一次的状态，此时的状态恢复需要基于曾经的Checkpoint） * 2、在一个Spark Streaming应用程序中可以创建若干个SparkStreamingContext对象，使用下一个SparkStreaming * 之前需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们得出一个重大启发，SparkStreaming框架也只是 * Spark Core上的一个应用程序而已，只不过Spark Streaming框架想运行的话需要Spark工程师写业务逻辑处理代码 */ JavaStreamingContext javassc = new JavaStreamingContext(conf, Durations.seconds(5)); /** * 第三步：创建Spark Streaming输入数据来源input Stream: * 1、数据输入来源可以基于File、HDFS、Flume、Kafka、Socket等 * 2、在这里我们指定数据来源于网络Socket端口，Spark Streaming连接上该端口并在运行的时候一直监听该端口的数据 * (当然该端口服务首先必须存在），并且在后续会根据业务需要不断有数据产生（当然对于Spark Streaming * 应用程序的运行而言，有无数据其处理流程都是一样的） * 3、如果经常在每间隔5秒钟没有数据的话不断启动空的Job其实会造成调度资源的浪费，因为并没有数据需要发生计算；所以 * 实际的企业级生成环境的代码在具体提交Job前会判断是否有数据，如果没有的话就不再提交Job； */ JavaReceiverInputDStream<SparkFlumeEvent> lines = FlumeUtils.createStream(javassc, "Master", 9999); /** * 第四步：接下来就像对于RDD编程一样基于DStream进行编程，原因是DStream是RDD产生的模板（或者说类），在Spark Streaming具体 * 发生计算前，其实质是把每个Batch的DStream的操作翻译成为对RDD的操作！ * */ JavaDStream<String> words = lines.flatMap(new FlatMapFunction<SparkFlumeEvent, String>(){ //如果是Scala，由于SAM转换，所以可以写成val words = lines.flatMap(_.split(" ")) public Iterable<String> call(SparkFlumeEvent event) throws Exception { String line = event.event().body.array().toString(); return Arrays.asList(line.split(" ")); } }); /** * 第4.2步：在单词拆分的基础上对每个单词实例计数为1，也就是word => (word, 1) */ JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() { public Tuple2<String, Integer> call(String word) throws Exception { // TODO Auto-generated method stub return new Tuple2<String, Integer> (word, 1); } }); /** * 第4.3步：在单词实例计数为1基础上，统计每个单词在文件中出现的总次数 */ JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){ //对相同的key，进行Value的累加（包括Local和Reducer级别同时Reduce） public Integer call(Integer v1, Integer v2) throws Exception { // TODO Auto-generated method stub return v1 + v2; } }); /** * 此处的print并不会直接触发Job的支持，因为现在的一切都是在Spark Streaming框架的控制之下的，对于SparkStreaming * 而言，具体是否触发真正的Job运行是基于设置的Duration时间间隔的 * * 注意，Spark Streaming应用程序要想执行具体的Job，对DStream就必须有ouptputstream操作 * outputstream有很多类型的函数触发，例如print,saveAsTextFile,saveAsHadoopFiles等， * 其中最为重要的一个方法是foreachRDD，因为Spark Streaming处理的结果一般会放在Redis、DB、DashBoard * 等上面，所以foreachRDD主要就是用来完成这些功能的，而且可以随意自定义具体数据到底放在哪里。 */ wordsCount.print(); /** * Spark Streaming 执行引擎也就是Driver开始运行，Driver启动的时候是位于一条新的线程中的，当然其内部有消息循环体，用于 * 接收应用程序本身或者Executor中的消息， */ javassc.start(); javassc.awaitTermination(); javassc.close(); }}联系客服
