大資料IMF傳奇行動絕密課程第87課:Flume推送資料到Spark Streaming案例實戰和內幕原始碼解密
阿新 • • 發佈:2019-01-26
Flume推送資料到Spark Streaming案例實戰和內幕原始碼解密
1、Flume on HDFS案例回顧
2、Flume推送資料到Spark Streaming實戰
3、原理繪圖剖析
一、配置.bashrc
vi ~/.bashrc
export FLUME_HOME=/usr/local/flume/apache-flume-1.6.0-bin
export FLUME_CONF_DIR=$FLUME_HOME/conf
PATH 加上
$FLUME_HOME/bin
二、配置conf
拷貝flume-conf.properties.template為flume-conf.properties並改寫
#agent1表示代理名稱
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1
#配置source1
agents1.sources.source1.type=spooldir
agents1.sources.source1.spoolDir=/usr/local/flume/tmp/TestDir
agents1.sources.source1.channels=channel1
agents1.sources.source1.fileHeader=false
agents1.sources.source1.interceptors =i1
agents1.sources.source1.interceptors.i1.type=timestamp
#配置sink1
#sink到HDFS
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
#sink到某個埠
#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channel1
agent1.channels.channel1.type=file
agent1.channels.channel1.chackpointDir=/usr/local/flume/tmp/checkpointDir
agent1.channels.channel1.dataDirs=/usr/local/flume/tmp/dataDirs
啟動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
Java程式碼:
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條執行緒:因為Spark Streaming應用程式在執行的時候至少有一條
* 執行緒用於不斷的迴圈接收資料,並且至少有一條執行緒用於處理接收的資料(否則的話無法有執行緒用
* 於處理資料,隨著時間的推移,記憶體和磁碟都會不堪重負)
* 2、對於叢集而言,每個Executor一般肯定不止一個Thread,那對於處理Spark Streaming
* 應用程式而言,每個Executor一般分配多少Core比較合適?根據經驗,5個左右的Core是最佳的
* (一個段子:分配為奇數個Core表現最佳,例如3個、5個、7個Core等
*/
SparkConf conf = new SparkConf().setMaster("local[4]").setAppName("FlumePushData2SparkStreaming");
/**
* 第二步:建立Spark StreamingContext:
* 1、這是SparkStreaming應用程式所有功能的起始點和程式排程的核心.
* SparkStreamingContext的構建可以基於SparkConf引數,也可以基於持久化的SparkStreamingContext的
* 內容來恢復過來(典型的場景是Driver崩潰後重新啟動,由於Spark Streaming具有連續7*24小時不間斷執行的特徵,
* 所以需要在Driver重新啟動後繼續上一次的狀態,此時的狀態恢復需要基於曾經的Checkpoint)
* 2、在一個Spark Streaming應用程式中可以建立若干個SparkStreamingContext物件,使用下一個SparkStreaming
* 之前需要把前面正在執行的SparkStreamingContext物件關閉掉,由此,我們得出一個重大啟發,SparkStreaming框架也只是
* Spark Core上的一個應用程式而已,只不過Spark Streaming框架想執行的話需要Spark工程師寫業務邏輯處理程式碼
*/
JavaStreamingContext javassc = new JavaStreamingContext(conf, Durations.seconds(5));
/**
* 第三步:建立Spark Streaming輸入資料來源input Stream:
* 1、資料輸入來源可以基於File、HDFS、Flume、Kafka、Socket等
* 2、在這裡我們指定資料來源於網路Socket埠,Spark Streaming連線上該埠並在執行的時候一直監聽該埠的資料
* (當然該埠服務首先必須存在),並且在後續會根據業務需要不斷有資料產生(當然對於Spark Streaming
* 應用程式的執行而言,有無資料其處理流程都是一樣的)
* 3、如果經常在每間隔5秒鐘沒有資料的話不斷啟動空的Job其實會造成排程資源的浪費,因為並沒有資料需要發生計算;所以
* 實際的企業級生成環境的程式碼在具體提交Job前會判斷是否有資料,如果沒有的話就不再提交Job;
*/
JavaReceiverInputDStream<SparkFlumeEvent> lines = FlumeUtils.createStream(javassc, "Master", 9999);
/**
* 第四步:接下來就像對於RDD程式設計一樣基於DStream進行程式設計,原因是DStream是RDD產生的模板(或者說類),在Spark Streaming具體
* 發生計算前,其實質是把每個Batch的DStream的操作翻譯成為對RDD的操作!
*
*/
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<SparkFlumeEvent, String>(){ //如果是Scala,由於SAM轉換,所以可以寫成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:在單詞拆分的基礎上對每個單詞例項計數為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:在單詞例項計數為1基礎上,統計每個單詞在檔案中出現的總次數
*/
JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){
//對相同的key,進行Value的累加(包括Local和Reducer級別同時Reduce)
public Integer call(Integer v1, Integer v2) throws Exception {
// TODO Auto-generated method stub
return v1 + v2;
}
});
/**
* 此處的print並不會直接觸發Job的支援,因為現在的一切都是在Spark Streaming框架的控制之下的,對於SparkStreaming
* 而言,具體是否觸發真正的Job執行是基於設定的Duration時間間隔的
*
* 注意,Spark Streaming應用程式要想執行具體的Job,對DStream就必須有ouptputstream操作
* outputstream有很多型別的函式觸發,例如print,saveAsTextFile,saveAsHadoopFiles等,
* 其中最為重要的一個方法是foreachRDD,因為Spark Streaming處理的結果一般會放在Redis、DB、DashBoard
* 等上面,所以foreachRDD主要就是用來完成這些功能的,而且可以隨意自定義具體資料到底放在哪裡。
*/
wordsCount.print();
/**
* Spark Streaming 執行引擎也就是Driver開始執行,Driver啟動的時候是位於一條新的執行緒中的,當然其內部有訊息迴圈體,用於
* 接收應用程式本身或者Executor中的訊息,
*/
javassc.start();
javassc.awaitTermination();
javassc.close();
}
}