文章目录
一、上传压缩包二、解压压缩包三、监控本地文件（file to kafka）3.1 编写配置文件3.2 自定义拦截器3.2.1 开发拦截器jar包（1）创建maven项目（2）开发拦截器类（3）开发pom文件（4）打成jar包上传到Flume
3.2.3 修改配置文件
3.3 创建Kafka Topic3.4 启动Flume3.5 停止Flume
四、监控Kafka（kafka to hdfs）3.0 将lib文件夹下的guava-11.0.2.jar删除以兼容Hadoop 3.1.33.1 自定义拦截器3.2 编写配置文件3.3 启动Flume3.4 停止Flume
五、监控 ip+port（TODO）
一、上传压缩包
官网：https://flume.apache.org/
二、解压压缩包
[mall@mall software]$ tar -zxf /opt/software/apache-flume-1.9.0-bin.tar.gz -C /opt/module/
三、监控本地文件（file to kafka）
Flume是用java写的，所以需要确保JDK环境可用 需求描述：监控目录下多个文件写入Kafka TAILDIR SOURCE：本质是tail -F [file]命令，只能监控文件的新增和修改，不能处理历史文件。
3.1 编写配置文件
[mall@mall ~]$ cd /opt/module/apache-flume-1.9.0-bin/
[mall@mall apache-flume-1.9.0-bin]$ mkdir job
[mall@mall apache-flume-1.9.0-bin]$ cd job/
[mall@mall job]$ vim file_to_kafka.conf
内容：
# 0、配置agent：给source channel sink组件命名
a1.sources = r1
a1.channels = c1
# 1、配置source组件
a1.sources.r1.type = TAILDIR
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /opt/module/applog/app.*
# 断点续传标记信息存储位置
a1.sources.r1.positionFile = /opt/module/apache-flume-1.9.0-bin/taildir_position.json
# 2、配置channel组件：event临时缓冲区
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.channels.c1.kafka.topic = topic_mall_applog
# 按照字符串类型传到kafka去
a1.channels.c1.parseAsFlumeEvent = false
# 3、配置source、channel、sink之间的连接关系
a1.sources.r1.channels = c1
3.2 自定义拦截器
作用：拦截events，经拦截器处理，输出处理后的events。 开发：创建maven项目，打成jar包形式上传到flume所在机器
3.2.1 开发拦截器jar包
（1）创建maven项目
（2）开发拦截器类
package com.songshuang.flume.interceptor;
import com.alibaba.fastjson.JSONException;
import com.alibaba.fastjson.JSONObject;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.nio.charset.StandardCharsets;
import java.util.Iterator;
import java.util.List;
/**
* @date 2023/11/21 20:40
* 功能：剔除掉非json格式数据
*
* 1、实现接口
* 2、实现抽象方法
* 3、建造者模式：静态内部类
*/
public class ETLInterceptor implements Interceptor {
public void initialize() {
}
// 将log中event为非json格式数据置为null
public Event intercept(Event event) {
byte[] body = event.getBody();
// byte数组转为字符串
String log = new String(body, StandardCharsets.UTF_8);
boolean flag = false;
// 判断log是否是json格式
try {
JSONObject jsonObject = JSONObject.parseObject(log);
flag = true;
} catch (JSONException e) {
}
return flag ? event : null;
}
// 将log中event为null的删掉
public List
// 遍历events
Iterator
while (iterator.hasNext()) {
Event event = iterator.next();
if (intercept(event) == null) {
iterator.remove();
}
}
return events;
}
public void close() {
}
// 建造者模式
public static class Builder implements Interceptor.Builder {
@Override
public Interceptor build() {
return new ETLInterceptor();
}
@Override
public void configure(Context context) {
}
}
}
（3）开发pom文件
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
（4）打成jar包上传到Flume
上传到 /opt/module/apache-flume-1.9.0-bin/lib 目录下
3.2.3 修改配置文件
[mall@mall job]$ vim file_to_kafka.conf
新增内容：
# 自定义拦截器
a1.sources.r1.interceptors = i1
# 指定自定义拦截器的建造者类名（入口）
a1.sources.r1.interceptors.i1.type = com.songshuang.flume.interceptor.ETLInterceptor$Builder
3.3 创建Kafka Topic
为什么要手动创建topic：flume自动创建的topic默认1个分区，每个分区1个副本。手动创建可以指定分区和副本数，可以有效利用Kafka集群资源。 –bootstrap-server参数作用：连接Kafka集群
[hadoop@hadoop102 kafka_2.11-2.4.1]$ bin/kafka-topics.sh --bootstrap-server hadoop102:9092,hadoop103:9092,hadoop104:9092 --create --replication-factor 2 --partitions 3 --topic topic_mall_applog
3.4 启动Flume
注意：放开Kafka集群所在机器9092端口，对Flume所在机器放开。 原因：Flume需要向Kafka集群写入数据，所以需要具有访问Kafka集群端口的权限。 – conf参数：配置文件存储所在目录 – name参数：agent名称，每个Flume配置文件就是一个agent。 – conf-file参数：flume本次启动读取的配置文件 nohup配合&：后台运行 &>/dev/null：将标准输出重定向到 /dev/null ，即丢弃所有输出 2>/dev/null：将标准错误输出重定向到 /dev/null ，即丢弃所有错误输出
[mall@mall ~]$ cd /opt/module/apache-flume-1.9.0-bin/
[mall@mall apache-flume-1.9.0-bin]$ nohup bin/flume-ng agent --conf conf/ --name a1 --conf-file job/file_to_kafka.conf &>/dev/null 2>/dev/null &
3.5 停止Flume
[mall@mall apache-flume-1.9.0-bin]$ ps -ef | grep file_to_kafka.conf
[mall@mall apache-flume-1.9.0-bin]$ kill 11001
四、监控Kafka（kafka to hdfs）
需求描述：监控Kafka，将数据写入HDFS 如果想要从头消费需要设置kafka.consumer.auto.offset.reset = earliest，默认从最新offset开始 注意：需要在HDFS所在机器部署FLume，需要调用HADOOP相关jar包。
3.0 将lib文件夹下的guava-11.0.2.jar删除以兼容Hadoop 3.1.3
否则Flume向HDFS写数据时会失败！
[hadoop@hadoop104 ~]$ rm /opt/module/apache-flume-1.9.0-bin/lib/guava-11.0.2.jar
3.1 自定义拦截器
作用：按照kafka消息中的时间字段，决定消息存储到hdfs的哪个文件中。
代码：
package com.songshuang.flume.interceptor;
import com.alibaba.fastjson.JSONObject;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.nio.charset.StandardCharsets;
import java.util.List;
import java.util.Map;
/**
* @date 2023/11/22 16:52
* 作用：获取kafka中时间戳字段，放入event头中，flume写入hdfs时，从头部获取时间，作为该event放入hdfs的文件夹名称
*/
public class TimestampInterceptor implements Interceptor {
@Override
public void initialize() {
}
// 获取kafka时间戳字段，放入event的header
@Override
public Event intercept(Event event) {
byte[] body = event.getBody();
String log = new String(body, StandardCharsets.UTF_8);
JSONObject jsonObject = JSONObject.parseObject(log);
String ts = jsonObject.getString("ts");
Map
headers.put("timestamp",ts); // event是引用变量类型，存储的是地址，header变了，自然event所对应地址上的值就变了
return event;
}
@Override
public List
for (Event event : events) {
intercept(event);
}
return events;
}
@Override
public void close() {
}
// 建造者模式
public static class Builder implements Interceptor.Builder {
@Override
public Interceptor build() {
return new TimestampInterceptor();
}
@Override
public void configure(Context context) {
}
}
}
3.2 编写配置文件
[hadoop@hadoop104 job]$ vim kafka_to_hdfs.conf
内容：
a1.sources.r1.kafka.consumer.group.id：消费者组名。 a1.channels.c1.type：file类型channel，缓冲数据放在磁盘中，而不是内存中。 a1.channels.c1.dataDirs：file channel缓冲内容落盘地址。 a1.channels.c1.checkpointDir：检查点存放位置，用于断点续传。 a1.sinks.k1.hdfs.fileType：指定文件的格式。包括：SequenceFile、DataStream、CompressedStream，当使用DataStream时候，文件不会被压缩，不需要设置hdfs.codeC;当使用CompressedStream时候，必须设置一个正确的hdfs.codeC值； a1.sinks.k1.hdfs.codeC：压缩编码。 a1.sinks.k1.hdfs.rollInterval：表示每隔多少秒，Flume就会将内部的缓冲区数据写入HDFS。默认值是30s。本质是rename .tmp文件。 a1.sinks.k1.hdfs.rollSize：表示当Flume的内部缓冲区达到指定字节数时，就会触发写入操作。单位是bytes。默认值是1024byte。 a1.sinks.k1.hdfs.rollCount：表示不论内部缓冲区的大小或时间，当写入的文件数量达到指定数量时，就会触发滚动操作。默认值是10。rollCount设为0表示关闭指定数量触发滚动的机制,是为了防止又出现文件数大小特别小且数量多的小文件情况；也就是不根据event（Kafka中的每条json消息）数量来滚动文件。
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# 配置source
a1.sources.r1.type = org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.sources.r1.kafka.topics = topic_mall_applog
a1.sources.r1.kafka.consumer.group.id = consumer_group_flume
# 指定consumer从哪个offset开始消费，默认latest
# a1.sources.r1.kafka.consumer.auto.offset.reset = earliest
# 自定义拦截器
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = com.songshuang.flume.interceptor.TimestampInterceptor$Builder
# 配置sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /warehouse/applog/gmall/tracking_log/%Y-%m-%d
a1.sinks.k1.hdfs.fileType = CompressedStream
a1.sinks.k1.hdfs.codeC = gzip
# 文件滚动策略
a1.sinks.k1.hdfs.rollInterval = 20
a1.sinks.k1.hdfs.rollSize = 134217728
a1.sinks.k1.hdfs.rollCount = 0
# 配置channel
a1.channels.c1.type = file
a1.channels.c1.dataDirs = /opt/module/apache-flume-1.9.0-bin/data/kafka_to_hdfs
a1.channels.c1.checkpointDir = /opt/module/apache-flume-1.9.0-bin/checkpoint/kafka_to_hdfs
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
3.3 启动Flume
注意1：需要放开kafka端口，即9092端口，Flume要读Kafka。
[hadoop@hadoop104 job]$ cd /opt/module/apache-flume-1.9.0-bin/
[hadoop@hadoop104 apache-flume-1.9.0-bin]$ nohup bin/flume-ng agent --conf conf/ --name a1 --conf-file job/kafka_to_hdfs.conf &>/dev/null 2>/dev/null &
3.4 停止Flume
[hadoop@hadoop104 job]$ ps -ef | grep kafka_to_hdfs.conf
[hadoop@hadoop104 job]$ kill 21664
五、监控 ip+port（TODO）
相关链接
发表评论