hadoop - 水槽+卡夫卡+HDFS : Split messages

Question

我有以下 flume 代理配置来从 kafka 源读取消息并将它们写回 HDFS 接收器

tier1.sources  = source1
tier 1.channels = channel1
tier1.sinks = sink1

tier1.sources.source1.type = org.apache.flume.source.kafka.KafkaSource
tier1.sources.source1.zookeeperConnect = 192.168.0.100:2181
tier1.sources.source1.topic = test
tier1.sources.source1.groupId = flume
tier1.sources.source1.channels = channel1
tier1.sources.source1.interceptors = i1
tier1.sources.source1.interceptors.i1.type = timestamp
tier1.sources.source1.kafka.consumer.timeout.ms = 100

tier1.channels.channel1.type = org.apache.flume.channel.kafka.KafkaChannel
tier1.channels.channel1.brokerList = 192.168.0.100:9092

tier1.channels.channel1.topic = test
tier1.channels.channel1.zookeeperConnect = 192.168.0.100:2181/kafka
tier1.channels.channel1.parseAsFlumeEvent = false

tier1.sinks.sink1.channel = channel1
tier1.sinks.sink1.type = hdfs
tier1.sinks.sink1.hdfs.writeFormat = Text
tier1.sinks.sink1.hdfs.fileType = DataStream
tier1.sinks.sink1.hdfs.filePrefix = test-kafka
tier1.sinks.sink1.hdfs.fileSufix = .avro
tier1.sinks.sink1.hdfs.useLocalTimeStamp = true
tier1.sinks.sink1.hdfs.path = /tmp/kafka/%y-%m-%d
tier1.sinks.sink1.hdfs.rollCount=0
tier1.sinks.sink1.hdfs.rollSize=0

如果每个轮询周期只有一条 kafka 消息到达，kafka 消息内容是 avro 数据，它被正确序列化到一个文件中。

当两个kafka消息到达同一个批处理时，它们被分组到同一个HDFS文件中，由于avro消息同时包含schema + data，结果文件包含schema + data + schema + data，导致无效.avro 文件。

我如何拆分 avro 事件以将不同的 kafka 消息拆分为将每个消息写入不同的文件

谢谢

Answer 1

一种方法:假设您将源 kafka 传入数据称为“SourceTopic”。您可以将自定义接收器注册到此“SourceTopic”。

<FlumeNodeRole>.sinks.<your-sink>.type =net.my.package.CustomSink

在您的 CustomSink 中，您可以编写一个方法来区分传入的消息、将其拆分并重新发送到不同的“DestinationTopic”。这个“DestinationTopic”现在可以充当文件序列化的新水槽源。

管道衬里水槽引用以下链接: https://flume.apache.org/FlumeUserGuide.html