Spark+Kafka实时监控Oracle数据预警

目标： 监控Oracle某张记录表，有新增数据则获取表数据，并推送到微信企业。

流程： Kafka实时监控Oracle指定表，获取该表操作信息（日志），使用Spark Structured Streaming消费Kafka，获取数据后清洗后存入指定目录，Python实时监控该目录，提取文本里面数据并推送到微信。（Oracle一台服务器，Kafka及Spark在另外一台服务器）

架构： Oracle+Kafka+Spark Structured Streaming+Python

centos7

oracle 11g

apache-maven-3.6.3-bin.tar.gz

kafka-connect-oracle-master.zip

hadoop-2.7.1.tar.gz

kafka_2.11-2.4.1.tgz （scala版本必须与系统及连接spark的jar包一致，这里是2.11）

spark-2.4.0-bin-without-hadoop.tgz

spark-streaming-kafka-0-8_2.11-2.4.0.jar

Java 1.8

python 3.6

一、Oracle侧

这边设置比较简单，使用SYS或者SYSTEM账户开启归档日志及附加日志即可，一般实际工作出于数据安全考虑日志都会开启状态，故不再多赘述，有搭建及开启问题可以随时私信。

二、Kafka侧

①配置maven，并添加进环境变量

#下载地址：http://maven.apache.org/download.cgi
#解压  所有配置文件默认放在/usr/local路径
tar xvf apache-maven-3.6.3-bin.tar.gz -C /usr/local/

#修改环境变量
vi /etc/profile

#加入下面内容
export MAVEN_HOME=/usr/local/apache-maven
export PATH=$PATH:${MAVEN_HOME}/bin

#刷新配置
source /ect/profile

②配置kafka-connect-oracle-master，config文件按oracle侧信息配置，然后使用maven工具编译。

#压缩包下载地址：https://github.com/erdemcer/kafka-connect-oracle
#解压
unzip kafka-connect-oracle-master.zip 

#修改config下的配置文件
vi kafka-connect-oracle-master/config/OracleSourceConnector.properties 

#修改内容如下：
db.name.alias=dbserver   #oracle实例名称：select instance_name from v$instance
tasks.max=1
topic=cdczztar    #kafka主体名称
db.name=DBSERVER    #oracle服务器：select name from v$database;
db.hostname=192.168.81.159  #oracle服务器地址
db.port=1521  #oracle端口，一般默认1521
db.user=test  #数据库用户名
db.user.password=123456  #数据库密码
db.fetch.size=1
table.whitelist=LINHL.LHL_TEST  #需要监控的表名，可以使用*号监控所有，必须大写
table.blacklist=  #不监控的表名，没有为空，缺少该行会报错
parse.dml.data=true
reset.offset=true
start.scn=
multitenant=false

#编译 ,成功会有提示，并生成target文件夹
cd /usr/local/kafka-connect-oracle-master
mvn clean package

③解压kafka，并放入前面master文件夹下的几个jar包及配置文件

#解压 下载地址：http://kafka.apache.org/downloads
tar xvf kafka_2.11-2.4.1.tgz -C /usr/local/

#改名
mv ./kafka_2.11-2.4.1 ./kafka

#复制配置文件
cp /usr/local/kafka-connect-oracle-master/target/kafka-connect-oracle-1.0.71.jar  /usr/local/kafka/libs/
cp /usr/local/kafka-connect-oracle-master/lib/ojdbc7.jar  /usr/local/kafka/libs/
cp /usr/local/kafka-connect-oracle-master/config/OracleSourceConnector.properties  /usr/local/kafka/config/

④开启Kafka

#进入Kafka文件夹
cd /usr/local/kafka/bin/

#下面全都在单独的窗口开启服务，勿关闭窗口，测试状态，故没有在后台运行
#启动zookeeper
./zookeeper-server-start.sh ../config/zookeeper.properties
#启动kafka服务
./kafka-server-start.sh ../config/server.properties
#建立topic-cdczztar
./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic cdczztar
#查看所有topic
./kafka-topics.sh --zookeeper localhost:2181 --list
#启动连接oracle
./connect-standalone.sh ../config/connect-standalone.properties ../config/OracleSourceConnector.properties
#启动消费端
#消费端此处只是为了展示用，后续使用spark做消费端
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --from-beginning --topic cdczztar

三、Spark侧

Structured Streaming需要启用HDFS，这里都在本地测试环境实现，因此关于java及hadoop的安装，可以参考这篇的伪分布式配置dblab.xmu.edu.cn/blog/install-hadoop

①配置

#解压 #官网可以下载，没有资源请私信
tar  -zxf  spark-2.4.0-bin-without-hadoop.tgz  -C  /usr/local/

#重命名
mv  ./spark-2.4.0-bin-without-hadoop  ./spark

#修改配置文件
cd  /usr/local/spark
cp  ./conf/spark-env.sh.template  ./conf/spark-env.sh
vi ./conf/spark-env.sh

#加入下面内容
export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath):/usr/local/spark/examples/jars/*:/usr/local/spark/jars/kafka/*:/usr/local/kafka/libs/*

#修改系统环境变量
vi /etc/profile

#加入下面内容
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export JAVA_HOME=/opt/java/jdk1.8.0_261
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=$PATH:${JAVA_HOME}/bin:/usr/local/hbase/bin
export SPARK_HOME=/usr/local/spark
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:/usr/local/python3/lib/python3.6/site-packages/:$PYTHONPATH
export PYSPARK_PYTHON=python3
export PATH=$HADOOP_HOME/bin:$SPARK_HOME/bin:$PATH

#更新配置
source /etc/profile

#在jars目录建立kafka文件夹，把kafka所有jar包放到该目录
cp /usr/local/spark-streaming-kafka-0-8_2.11-2.4.0.jar /usr/local/spark/jars/kafka
cp /usr/local/kafka/libs/* /usr/local/spark/jars/kafka

②Structured Streaming脚本建立

#!/usr/bin/env python3

import re
from functools import partial
from pyspark.sql.functions import *
from pyspark.sql import SparkSession

if __name__ == "__main__":

    spark = SparkSession \
        .builder \
        .appName("StructuredKafkaWordCount") \
        .getOrCreate()

    spark.sparkContext.setLogLevel('WARN') #只提示警示信息

    lines = spark \    #使用spark streaming则是基于KakfkaUtils包使用createDirectStream
        .readStream \
        .format("kafka") \
        .option("kafka.bootstrap.servers", "localhost:9092") \
        .option("subscribe", 'cdczztar') \   #要消费的topic
        .load().selectExpr("CAST(value AS STRING)")

    #lines.printSchema()
    #正则处理，根据实际数据处理，kafka获取后是oracle日志，在这只提取表插入的值
    pattern = 'data":(.+)}'
    fields = partial(regexp_extract, str="value", pattern=pattern)

    words = lines.select(fields(idx=1).alias("values"))

#输出模式：存入文件
    query = words \
		.writeStream \
		.outputMode("append") \
		.format("csv") \
		.option("path","file:///tmp/filesink") \   #存到服务器地址
                .option("checkpointLocation","file:///tmp/file-sink-cp") \
		.trigger(processingTime="10 seconds") \
		.start()	

    query.awaitTermination()	

#新开一个服务器窗口运行，这边已经在代码目录下
/usr/local/spark/bin/spark-submit --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.0  spark.py

③运行python实时打开写入的文件，提取信息并推送到微信端

import csv
import pyinotify  #这个包只支持linux，如果是window系统可以使用watchdog，一个原理及写法
import time
import requests
import json
import datetime
import pandas as pd

CORPID = "******"   #企业微信id
SECRET = "*******"  #企业微信密钥
AGENTID = 1000041   #企业微信端口
multi_event = pyinotify.IN_CREATE  #只对create这个动作做监控
wm = pyinotify.WatchManager()

#继承ProcessEvent后，对process_IN_CREATE方法重写
class MyHandler(pyinotify.ProcessEvent):   

    def send_msg_to_wechat(self, content):
        record = '{}\n'.format(datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S'))
        s = requests.session()
        url1 = "https://qyapi.weixin.qq.com/cgi-bin/gettoken?corpid={0}&corpsecret={1}".format(CORPID, SECRET)
        rep = s.get(url1)
        record += "{}\n".format(json.loads(rep.content))
        if rep.status_code == 200:
            token = json.loads(rep.content)['access_token']
            record += "获取token成功\n"
        else:
            record += "获取token失败\n"
            token = None
        url2 = "https://qyapi.weixin.qq.com/cgi-bin/message/send?access_token={}".format(token)
        header = {
            "Content-Type": "application/json"
        }
        form_data = {
            "touser": "@all",
            "toparty": " PartyID1 | PartyID2 ",
            "totag": " TagID1 | TagID2 ",
            "msgtype": "text",
            "agentid": AGENTID,
            "text": {
                "content": content
            },
            "safe": 0
        }
        rep = s.post(url2, data=json.dumps(form_data).encode('utf-8'), headers=header)
        if rep.status_code == 200:
            res = json.loads(rep.content)
            record += "发送成功\n"
        else:
            record += "发送失败\n"
            res = None
        return res

    def process_IN_CREATE(self, event):

        try:
            if '_spark_metadata' in event.pathname or '.crc' in event.pathname:
                pass
            else:
                print(event.pathname)
                f_path = event.pathname
                #此处坑，streaming那边生成文件还没写入数据就会触发该任务，不sleep打开的是空白文件
                time.sleep(5)
                df = pd.read_csv(r'' + f_path, encoding='utf8', names=['value'], sep='/')
                send_str = df.iloc[0, 0].replace('\\', '').replace(',"before":null}', '').replace('"','')
                print(send_str)
                self.send_msg_to_wechat('中间库预警：' + send_str)
        except:
            pass

handler = MyHandler()
notifier = pyinotify.Notifier(wm,handler)

wm.add_watch('/tmp/filesink/',multi_event)
notifier.loop()

微信端消息如下：

四、问题点

还有下面几个问题还没实现，有思路还请随时评论私信交流，感谢

• 在structured streaming消费了kafka信息后，是否可以直接把消息推送到微信端口？

• python监控文件有新增文件路径可以即时获取，但是要获取内容需要等待数据写入，sleep的方式不稳定，是否有方法可以判断数据已经写完就读取该文件？

---

学习交流，有任何问题还请随时评论指出交流。