hadoop - 在接收器失败后，我如何强制 Flume-NG 处理积压的事件？

Question

我正在尝试设置 Flume-NG 以从一堆服务器(主要运行 Tomcat 实例和 Apache Httpd)收集各种类型的日志，并将它们转储到 5 节点 Hadoop 集群上的 HDFS 中。设置如下所示:

每个应用程序服务器将相关日志拖尾到一个 Exec Sources(每个日志类型一个:java、httpd、syslog)，通过 FileChannel 将它们输出到 Avro sink。在每台服务器上，不同的源、 channel 和接收器由一个代理管理。事件由驻留在 Hadoop 集群(同时托管 SecondaryNameNode 和 Jobtracker 的节点)上的 AvroSource 获取。对于每种日志类型，都有一个监听不同端口的 AvroSource。事件通过 FileChannel 进入 HDFS Sink，HDFS Sink 使用 FlumeEventAvro EventSerializer 和 Snappy 压缩保存事件。

问题:Hadoop 节点上管理 HDFS 接收器(同样，每种日志类型一个接收器)的代理在几个小时后失败，因为我们没有更改 JVM 的堆大小。从那时起，在该节点上的 FileChannel 中收集了大量事件，之后也在应用服务器上的 FileChannel 中收集了很多事件，因为 Hadoop 节点上的 FileChannel 达到了它的最大容量。当我解决这个问题时，我无法让 Hadoop 节点上的代理足够快地处理积压工作以恢复正常运行。 FileChannel 在接收事件之前保存事件的 tmp 目录的大小一直在增长。此外，HDFS 写入似乎真的很慢。有没有办法强制 Flume 在摄取新事件之前先处理积压？以下配置是否最优？可能相关:写入 HDFS 的文件非常小，大约 1 - 3 MB 左右。对于 64MB 的 HDFS 默认 block 大小以及 future 的 MR 操作，这肯定不是最佳选择。我应该使用什么设置来收集足够大到 HDFS block 大小的文件中的事件？我感觉 Hadoop 节点上的配置不正确，我怀疑 BatchSize、RollCount 和相关参数的值已关闭，但我不确定最佳值应该是多少。

应用服务器上的示例配置:

agent.sources=syslogtail httpdtail javatail
agent.channels=tmpfile-syslog tmpfile-httpd tmpfile-java
agent.sinks=avrosink-syslog avrosink-httpd avrosink-java

agent.sources.syslogtail.type=exec
agent.sources.syslogtail.command=tail -F /var/log/messages
agent.sources.syslogtail.interceptors=ts
agent.sources.syslogtail.interceptors.ts.type=timestamp
agent.sources.syslogtail.channels=tmpfile-syslog
agent.sources.syslogtail.batchSize=1

...

agent.channels.tmpfile-syslog.type=file
agent.channels.tmpfile-syslog.checkpointDir=/tmp/flume/syslog/checkpoint
agent.channels.tmpfile-syslog.dataDirs=/tmp/flume/syslog/data

...

agent.sinks.avrosink-syslog.type=avro
agent.sinks.avrosink-syslog.channel=tmpfile-syslog
agent.sinks.avrosink-syslog.hostname=somehost
agent.sinks.avrosink-syslog.port=XXXXX
agent.sinks.avrosink-syslog.batch-size=1

Hadoop 节点上的示例配置

agent.sources=avrosource-httpd avrosource-syslog avrosource-java
agent.channels=tmpfile-httpd tmpfile-syslog tmpfile-java
agent.sinks=hdfssink-httpd hdfssink-syslog hdfssink-java

agent.sources.avrosource-java.type=avro
agent.sources.avrosource-java.channels=tmpfile-java
agent.sources.avrosource-java.bind=0.0.0.0
agent.sources.avrosource-java.port=XXXXX

...

agent.channels.tmpfile-java.type=file
agent.channels.tmpfile-java.checkpointDir=/tmp/flume/java/checkpoint
agent.channels.tmpfile-java.dataDirs=/tmp/flume/java/data
agent.channels.tmpfile-java.write-timeout=10
agent.channels.tmpfile-java.keepalive=5
agent.channels.tmpfile-java.capacity=2000000

...

agent.sinks.hdfssink-java.type=hdfs
agent.sinks.hdfssink-java.channel=tmpfile-java
agent.sinks.hdfssink-java.hdfs.path=/logs/java/avro/%Y%m%d/%H
agent.sinks.hdfssink-java.hdfs.filePrefix=java-
agent.sinks.hdfssink-java.hdfs.fileType=DataStream
agent.sinks.hdfssink-java.hdfs.rollInterval=300
agent.sinks.hdfssink-java.hdfs.rollSize=0
agent.sinks.hdfssink-java.hdfs.rollCount=40000
agent.sinks.hdfssink-java.hdfs.batchSize=20000
agent.sinks.hdfssink-java.hdfs.txnEventMax=20000
agent.sinks.hdfssink-java.hdfs.threadsPoolSize=100
agent.sinks.hdfssink-java.hdfs.rollTimerPoolSize=10

Answer 1

我在您的配置中看到一些可能导致问题的事情:

1. 您的第一个代理似乎有一个批量大小为 1 的 avro 接收器。您应该将其提高到至少 100 或更多。这是因为第二个代理上的 avro 源将提交到批量大小为 1 的 channel 。每次提交都会导致 fsync，从而导致文件 channel 性能不佳。 exec 源上的批量大小也是 1，导致该 channel 也很慢。您可以增加批处理大小(或使用假脱机目录源 - 稍后会详细介绍)。

2. 您可以让多个 HDFS 接收器从同一 channel 读取数据以提高性能。您应该只确保每个接收器写入不同的目录或具有不同的“hdfs.filePrefix”，这样多个 HDFS 接收器就不会尝试写入相同的文件。

3. 您的 HDFS 接收器的批处理大小是 20000，这是相当高的，您的 callTimeout 是默认的 10 秒。如果你想保持如此巨大的批量大小，你应该增加“hdfs.callTimeout”。我建议将批量大小减少到 1000 左右，超时时间约为 15-20 秒。 (请注意，在当前批大小下，每个文件仅包含 2 个批处理 - 因此请减小批处理大小，增加 rollInterval 和 timeOut)

如果您使用的是 tail -F，我建议您试用新的 Spool Directory Source。要使用此源，请将您的日志文件轮换到假脱机目录源处理的目录。此源将仅处理不可变的文件，因此您需要将日志文件轮换出来。如 Flume 用户指南中所述，将 tail -F 与 exec 源一起使用会出现问题。