hadoop - 编写 Flume 配置，将不断增长的文件上传到 HDFS

Question

我是 Flume 的新手，在配置方面遇到了一些问题。

我在 Oracle VirtualBox 上使用 Hortonworks Sandbox HDP 2.6.5(如果这很重要)。

我的 VM 中有一个文本文件 input_data.txt:

input_data.txt 的内容如下所示:

我使用以下命令来创建并逐渐增加输入:

cat input_data.txt | while read line ; do echo "$line" ; sleep 0.2 ; done > output.txt

我想要实现的目标:

1)编写一个Flume配置，将不断增长的output.txt文件上传到HDFS

2) 如果可能 - HDFS 中的目标文件必须在每次源文件 (/usr/AUX/output.txt) 更改时更新。

例如:我打开/usr/AUX/output.txt ，最后写几个字符串保存:

Nov 16 10:21:22 ephubudw3000 avahi-daemon[990]: Invalid response packet from host 10.0.9.31.
Nov 16 10:21:22 ephubudw3000 avahi-daemon[990]: Invalid response packet from host 10.0.12.143.
...
lolkek
hehehehe
azazaza322

然后这个新数据必须出现在 hdfs://sandbox.hortonworks.com:8020/user/tutorial/的 HDFS 目标文件中

这就是我已经尝试过的:

我创建了这个配置(flume.conf 文件):

a1.sources = src1
a1.sinks =  sink1
a1.channels = memoryChannel

a1.sources.src1.type = exec
a1.sources.src1.shell = /bin/bash -c
a1.sources.src1.command = cat /usr/AUX/output.txt
a1.sources.src1.batchSize = 1
a1.sources.src1.channels = memoryChannel 

a1.channels.memoryChannel.type = memory
a1.channels.memoryChannel.capacity = 1000
a1.channels.memoryChannel.transactionCapacity = 100

a1.sinks.sink1.type = hdfs
a1.sinks.sink1.channels = memoryChannel
a1.sinks.sink1.hdfs.filetype = DataStream
a1.sinks.sink1.hdfs.writeFormat = Text
a1.sinks.sink1.hdfs.path = hdfs://sandbox.hortonworks.com:8020/user/tutorial/

然后我使用此命令启动 Flume 代理 (a1):

/usr/hdp/current/flume-server/bin/flume-ng agent -c /etc/flume/conf -f /etc/flume/conf/flume.conf -n a1

[root@sandbox-hdp AUX]# /usr/hdp/current/flume-server/bin/flume-ng agent -c /etc/flume/conf -f /etc/flume/conf/flume.conf -n a1
Warning: JAVA_HOME is not set!
Info: Including Hadoop libraries found via (/bin/hadoop) for HDFS access
Info: Excluding /usr/hdp/2.6.5.0-292/hadoop/lib/slf4j-api-1.7.10.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/hadoop/lib/slf4j-log4j12-1.7.10.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/tez/lib/slf4j-api-1.7.5.jar from classpath
Info: Including HBASE libraries found via (/bin/hbase) for HBASE access
Info: Excluding /usr/hdp/2.6.5.0-292/hbase/lib/slf4j-api-1.7.7.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/hadoop/lib/slf4j-api-1.7.10.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/hadoop/lib/slf4j-log4j12-1.7.10.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/tez/lib/slf4j-api-1.7.5.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/hadoop/lib/slf4j-api-1.7.10.jar from classpath
Info: Excluding /usr/hdp/2.6.5.0-292/hadoop/lib/slf4j-log4j12-1.7.10.jar from classpath
Info: Including Hive libraries found via () for Hive access
+ exec /usr/bin/java -Xmx20m -cp '/etc/flume/conf:/usr/hdp/2.6.5.0-292/flume/lib/*:/usr/hdp/2.6.5.0-292/hadoop/conf:/usr/hdp/2.6.5.0-292/hadoop/lib/activation-1.1.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/apacheds-i18n-2.0.0-M15.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/apacheds-kerberos-codec-2.0.0-M15.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/api-asn1-api-1.0.0-M20.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/api-util-1.0.0-M20.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/asm-3.2.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/avro-1.7.4.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/aws-java-sdk-core-1.10.6.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/aws-java-sdk-kms-1.10.6.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/aws-java-sdk-s3-1.10.6.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/azure-keyvault-core-0.8.0.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/azure-storage-5.4.0.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/commons-beanutils-1.7.0.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/commons-beanutils-core-1.8.0.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/commons-cli-1.2.jar:/usr/hdp/2.6.5.0-292/hadoop/lib/commons-codec-1.4.jar:
...........................
2/hadoop/lib/native/Linux-amd64-64:/usr/hdp/2.6.5.0-292/hadoop/lib/native::/usr/hdp/2.6.5.0-292/hadoop/lib/native/Linux-amd64-64:/usr/hdp/2.6.5.0-292/hadoop/lib/native org.apache.flume.node.Application -f /etc/flume/conf/flume.conf -n a1
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/hdp/2.6.5.0-292/flume/lib/slf4j-log4j12-1.7.10.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/hdp/2.6.5.0-292/flume/lib/log4j-slf4j-impl-2.10.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.

在此之后，我在/usr/AUX/output.txt 的末尾添加了几个字符串...

什么也没有发生。 HDFS 中没有更新的文件

我将不胜感激。是否可以实现我提到的目标(更新VM中的文件后自动更新HDFS中的文件)，我的Flume配置有什么问题？

谢谢!

Answer 1

If it is possible - destination file in HDFS must be updated every time when the source file (/usr/AUX/output.txt) changes

嗯，问题是 HDFS 文件并不意味着要“更新”，因为 HDFS 是针对追加优化的文件系统。因此，推荐的模式是创建一个新文件。而且几乎所有的 Hadoop 处理引擎都可以读取整个目录，所以这应该不是问题。

就 Flume 而言，您应该使用 Spooling Directory 源，而不是带有 cat 或 tail -f 的 Exec 源。否则，Flume 代理不是为读取“文件更新”而设计的，只能读取“新看到”的文件。然后它标记为完成，并在以后移动/忽略它们。

因此，您会想要这样的东西，它会在您的进程每次运行时生成一个带时间戳 的文件。这足以让 Flume 说该文件是新文件并且应该被读取/处理。

some_process >> /flume_watcher/output_$(date +%s%3N).txt

参见 Spooling Directory , 和 why Exec Source is discouraged (红框)。

---

附加通知:HDP has deprecated Flume ，并推荐使用 Hortonworks DataFlow (Apache Nifi)。 IE。在 HDP 3.0 沙盒(如果有的话)中，你不会有 Flume。因此，不要在上面浪费太多时间。