Flume+Kafka+storm的连接整合

Flume-ng

Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。

Flume的文档可以看http://flume.apache.org/FlumeUserGuide.html 官方的英文文档 介绍的比较全面。

不过这里写写自己的见解

这个是flume的架构图

从上图可以看到几个名词：

Agent: 一个Agent包含Source、Channel、Sink和其他的组件。Flume就是一个或多个Agent构成的。

Source：数据源。简单的说就是agent获取数据的入口 。

Channel：管道。数据流通和存储的通道。一个source必须至少和一个channel关联。

Sink：用来接收channel传输的数据并将之传送到指定的地方。传送成功后数据从channel中删除。

Flume具有高可扩展性 可随意组合：

注意 source是接收源 sink是发送源

上图是一个source将数据发给3个channel 其中的sink2将数据发给JMS ，sink3将数据发给另一个source。

总的来说flume的扩展性非常高 根据需要可随意组合。

现在在说说一个概念叫Event：

Event是flume的数据传输的基本单元。Flume本质上是将数据作为一个event从源头传到结尾。是由可选的Headers和载有数据的一个byte array构成。

代码结构：

/**
 * Basic representation of a data object inFlume.
 * Provides access to data as it flows throughthe system.
 */
public interface Event{
  /**
   * Returns a map of name-valuepairs describing the data stored in the body.
   */
  public Map<String, String> getHeaders();
  /**
   * Set the event headers
   * @param headersMap of headers to replace the current headers.
   */
  public void setHeaders(Map<String, String> headers);
  /**
   * Returns the raw byte array of the datacontained in this event.
   */
  public byte[] getBody();
  /**
   * Sets the raw byte array of the datacontained in this event.
   * @param body Thedata.
   */
  public void setBody(byte[] body);
}  

下面介绍下kafka以及kafka和flume的整合

Kafka：

从这个链接抄了些内容下来http://dongxicheng.org/search-engine/kafka/

Kafka是Linkedin于2010年12月份开源的消息系统，它主要用于处理活跃的流式数据。活跃的流式数据在web网站应用中非常常见，这些数据包括网站的pv、用户访问了什么内容，搜索了什么内容等。 这些数据通常以日志的形式记录下来，然后每隔一段时间进行一次统计处理。

传统的日志分析系统提供了一种离线处理日志信息的可扩展方案，但若要进行实时处理，通常会有较大延迟。而现有的消（队列）系统能够很好的处理实时或者近似实时的应用，但未处理的数据通常不会写到磁盘上，这对于Hadoop之类（一小时或者一天只处理一部分数据）的离线应用而言，可能存在问题。Kafka正是为了解决以上问题而设计的，它能够很好地离线和在线应用。

2、  设计目标

（1）数据在磁盘上存取代价为O(1)。一般数据在磁盘上是使用BTree存储的，存取代价为O（lgn）。

（2）高吞吐率。即使在普通的节点上每秒钟也能处理成百上千的message。

（3）显式分布式，即所有的producer、broker和consumer都会有多个，均为分布式的。

（4）支持数据并行加载到Hadoop中。

3、  KafKa部署结构

kafka是显式分布式架构，producer、broker（Kafka）和consumer都可以有多个。Kafka的作用类似于缓存，即活跃的数据和离线处理系统之间的缓存。几个基本概念：

（1）message（消息）是通信的基本单位，每个producer可以向一个topic（主题）发布一些消息。如果consumer订阅了这个主题，那么新发布的消息就会广播给这些consumer。

（2）Kafka是显式分布式的，多个producer、consumer和broker可以运行在一个大的集群上，作为一个逻辑整体对外提供服务。对于consumer，多个consumer可以组成一个group，这个message只能传输给某个group中的某一个consumer.

数据从producer推送到broker，接着consumer在从broker上拉取数据。Zookeeper是一个分布式服务框架 用来解决分布式应用中的数据管理问题等。

在kafka中 有几个重要概念producer生产者 consumer 消费者 topic 主题。

我们来实际开发一个简单的生产者消费者的例子。

生产者：

public classProducerTest {

      public static void main(String[] args) {
            Properties props = newProperties();
                props.setProperty("metadata.broker.list","xx.xx.xx.xx:9092");
             props.setProperty("serializer.class","kafka.serializer.StringEncoder");
              props.put("request.required.acks","1");
              ProducerConfigconfig = new ProducerConfig(props);
             Producer<String, String> producer = newProducer<String, String>(config);
             KeyedMessage<String, String> data = newKeyedMessage<String, String>("kafka","test-kafka");
              try {
                producer.send(data);
                 } catch (Exception e) {
                  e.printStackTrace();
                 }
             producer.close();
      }
    }

上面的代码中的xx.xx.xx.xx是kafka server的地址.

上面代码的意思就是向主题 kafka中同步（不配置的话 默认是同步发射）发送了一个信息 是test-kafka.

下面来看看消费者：

 public classConsumerTest extends Thread {
    private finalConsumerConnector consumer;
    private final String topic; 

    public static voidmain(String[] args) {
        ConsumerTest consumerThread = newConsumerTest("kafka");
        consumerThread.start();
    }
    publicConsumerTest(String topic) {
        consumer =kafka.consumer.Consumer
                .createJavaConsumerConnector(createConsumerConfig());
        this.topic =topic;
    } 

    private staticConsumerConfig createConsumerConfig() {
        Properties props = newProperties();
        props.put("zookeeper.connect","xx.xx.xx.xx:2181");
        props.put("group.id", "0");
        props.put("zookeeper.session.timeout.ms","10000");
//       props.put("zookeeper.sync.time.ms", "200");
//       props.put("auto.commit.interval.ms", "1000"); 

        return newConsumerConfig(props); 

    } 

    public void run(){ 

        Map<String,Integer> topickMap = new HashMap<String, Integer>();
        topickMap.put(topic, 1);
         Map<String, List<KafkaStream<byte[],byte[]>>>  streamMap =consumer.createMessageStreams(topickMap);
         KafkaStream<byte[],byte[]>stream = streamMap.get(topic).get(0);
         ConsumerIterator<byte[],byte[]> it =stream.iterator();
         System.out.println("--------------------------");
         while(it.hasNext()){
            //
             System.out.println("(consumer)--> " +new String(it.next().message()));
         }

    }
}

上面的代码就是负责接收生产者发送过来的消息 测试的时候先开启消费者 然后再运行生产者即可看到效果。

接下来 我们将flume 和kafka进行整合：

在flume的source数据源接收到数据后 通过管道 到达sink，我们需要写一个kafkaSink 来将sink从channel接收的数据作为kafka的生产者 将数据 发送给消费者。

具体代码：

 public class KafkaSink extends AbstractSinkimplementsConfigurable {  

      private static final Log logger = LogFactory.getLog(KafkaSink.class);  

      private Stringtopic;
      private Producer<String, String>producer;  

      @Override
      public Status process()throwsEventDeliveryException {  

            Channel channel =getChannel();
         Transaction tx =channel.getTransaction();
         try {
                 tx.begin();
                 Event e = channel.take();
                 if(e ==null) {
                         tx.rollback();
                         return Status.BACKOFF;
                 }
                 KeyedMessage<String,String> data = new KeyedMessage<String, String>(topic,newString(e.getBody()));
                 producer.send(data);
                 logger.info("Message: {}"+new String( e.getBody()));
                 tx.commit();
                 return Status.READY;
         } catch(Exceptione) {
           logger.error("KafkaSinkException:{}",e);
                 tx.rollback();
                 return Status.BACKOFF;
         } finally {
                 tx.close();
         }
      }  

      @Override
      public void configure(Context context) {
           topic = "kafka";
            Properties props = newProperties();
                props.setProperty("metadata.broker.list","xx.xx.xx.xx:9092");
             props.setProperty("serializer.class","kafka.serializer.StringEncoder");
//           props.setProperty("producer.type", "async");
//           props.setProperty("batch.num.messages", "1");
              props.put("request.required.acks","1");
              ProducerConfigconfig = new ProducerConfig(props);
              producer = newProducer<String, String>(config);
      }
} 

将此文件打成jar包 传到flume的lib下面 如果你也用的是maven的话 需要用到assembly 将依赖的jar包一起打包进去。

在flume的配置是如下：

      agent1.sources = source1
agent1.sinks = sink1
agent1.channels =channel1

# Describe/configuresource1
agent1.sources.source1.type= avro
agent1.sources.source1.bind= localhost
agent1.sources.source1.port= 44444
# Describe sink1
agent1.sinks.sink1.type= xx.xx.xx.KafkaSink(这是类的路径地址)

# Use a channel whichbuffers events in memory
agent1.channels.channel1.type= memory
agent1.channels.channel1.capacity= 1000
agent1.channels.channel1.transactionCapactiy= 100

# Bind the source andsink to the channel
agent1.sources.source1.channels= channel1
agent1.sinks.sink1.channel= channel1

测试的话是avro的方式传送数据的 可以这样测试

bin/flume-ng avro-client--conf conf -H localhost -p 44444 -F/data/flumetmp/a

/data/flumetmp/a 这个为文件的地址.

测试的时候在本地 一定要把上面写的消费者程序打开 以便接收数据测试是否成功。

接下来我们介绍下storm然后将kafka的消费者和storm进行整合：

Storm：

Storm是一个分布式的实时消息处理系统。

Storm各个组件之间的关系：

Storm集群主要由一个主节点和一群工作节点（worker node）组成，通过 Zookeeper进行协调。

主节点：主节点通常运行一个后台程序 —— Nimbus，用于响应分布在集群中的节点，分配任务和监测故障。

工作节点： Supervisor,负责接受nimbus分配的任务，启动和停止属于自己管理的worker进程。Nimbus和Supervisor之间的协调由zookeeper完成。

Worker：处理逻辑的进程，在其中运行着多个Task，每个task 是一组spout/blots的组合。

Topology:是storm的实时应用程序，从启动开始一直运行，只要有tuple过来 就会触发执行。拓扑：storm的消息流动很像一个拓扑结构。

2. stream是storm的核心概念，一个stream是一个持续的tuple序列，这些tuple被以分布式并行的方式创建和处理。

3. spouts是一个stream的源头，spouts负责从外部系统读取数据，并组装成tuple发射出去，tuple被发射后就开始再topology中传播。

4. bolt是storm中处理 数据的核心，storm中所有的数据处理都是在bolt中完成的

这里就简单介绍一些概念 具体的可以看些详细的教程。

我们接下来开始整合storm和kafka。

从上面的介绍得知storm的spout是负责从外部读取数据的 所以我们需要开发一个KafkaSpout 来作为kafka的消费者和storm的数据接收源。可以看看这个https://github.com/HolmesNL/kafka-spout。我在下面只写一个简单的可供测试。

具体代码：

public class KafkaSpout implements IRichSpout {

      private static final Log logger = LogFactory.getLog(KafkaSpout.class);
      /**
       *
       */
      private static final long serialVersionUID = -5569857211173547938L;
      SpoutOutputCollector collector;
      private ConsumerConnectorconsumer;
      private Stringtopic;

      public KafkaSpout(String topic) {
           this.topic = topic;
      }

      @Override
      public void open(Map conf, TopologyContext context,
                 SpoutOutputCollector collector) {
           this.collector = collector;

      }

      private static ConsumerConfig createConsumerConfig() {
           Properties props = newProperties();
           props.put("zookeeper.connect","xx.xx.xx.xx:2181");
           props.put("group.id","0");
           props.put("zookeeper.session.timeout.ms","10000");
           //props.put("zookeeper.sync.time.ms", "200");
           //props.put("auto.commit.interval.ms", "1000");

           return new ConsumerConfig(props);
      }

      @Override
      public void close() {
           // TODOAuto-generated method stub

      }

      @Override
      public void activate() {
           this.consumer = Consumer.createJavaConsumerConnector(createConsumerConfig());
           Map<String, Integer> topickMap = newHashMap<String, Integer>();
           topickMap.put(topic,new Integer(1));
           Map<String, List<KafkaStream<byte[],byte[]>>>streamMap =consumer.createMessageStreams(topickMap);
           KafkaStream<byte[],byte[]>stream = streamMap.get(topic).get(0);
           ConsumerIterator<byte[],byte[]> it =stream.iterator();
           while (it.hasNext()) {
                 String value = newString(it.next().message());
                 System.out.println("(consumer)-->" + value);
                 collector.emit(new Values(value), value);
           }

      }

      @Override
      public void deactivate() {
           // TODOAuto-generated method stub

      }

      private boolean isComplete;

      @Override
      public void nextTuple() {

      }

      @Override
      public void ack(Object msgId) {
           // TODOAuto-generated method stub

      }

      @Override
      public void fail(Object msgId) {
           // TODOAuto-generated method stub

      }

      @Override
      public void declareOutputFields(OutputFieldsDeclarer declarer) {
           declarer.declare(new Fields("KafkaSpout"));

      }

      @Override
      public Map<String, Object> getComponentConfiguration() {
           // TODOAuto-generated method stub
           return null;
      }

}

public class FileBlots implementsIRichBolt{

      OutputCollector collector;

      public void prepare(Map stormConf, TopologyContext context,
                 OutputCollector collector) {
           this.collector = collector;

      }

      public void execute(Tuple input) {
           String line = input.getString(0);
           for(String str : line.split("\\s+")){
           List a = newArrayList();
           a.add(input);
           this.collector.emit(a,newValues(str));
           }
           this.collector.ack(input);
      }

      public void cleanup() {

      }

      public void declareOutputFields(OutputFieldsDeclarer declarer) {
           declarer.declare(new Fields("words"));

      }

      public Map<String, Object> getComponentConfiguration() {
           // TODOAuto-generated method stub
           return null;
      }

}
public class WordsCounterBlots implementsIRichBolt{

      OutputCollector collector;
      Map<String, Integer> counter;

      public void prepare(Map stormConf, TopologyContext context,
                 OutputCollector collector) {
           this.collector = collector;
           this.counter =new HashMap<String, Integer>();

      }

      public void execute(Tuple input) {
           String word = input.getString(0);
           Integer integer = this.counter.get(word);
           if(integer !=null){
                 integer +=1;
                 this.counter.put(word, integer);
           }else{
                 this.counter.put(word, 1);
           }
           System.out.println("execute");
           Jedis jedis = JedisUtils.getJedis();
           jedis.incrBy(word, 1);
           System.out.println("=============================================");
           this.collector.ack(input);
      }

      public void cleanup() {
           for(Entry<String, Integer> entry :this.counter.entrySet()){
                      System.out.println("------:"+entry.getKey()+"=="+entry.getValue());
           }

      }

      public void declareOutputFields(OutputFieldsDeclarer declarer) {

      }

      public Map<String, Object> getComponentConfiguration() {
           // TODOAuto-generated method stub
           return null;
      }

}

Topology测试：

public class KafkaTopology {

      public static void main(String[] args) {
           try {
                 JedisUtils.initialPool("xx.xx.xx.xx", 6379);
           } catch (Exception e) {
                 e.printStackTrace();
           }

           TopologyBuilder builder = newTopologyBuilder();           builder.setSpout("kafka",new KafkaSpout("kafka"));
           builder.setBolt("file-blots",new FileBlots()).shuffleGrouping("kafka");
           builder.setBolt("words-counter",new WordsCounterBlots(),2).fieldsGrouping("file-blots",new Fields("words"));
           Config config = new Config();
           config.setDebug(true);
                 LocalCluster local = newLocalCluster();
                 local.submitTopology("counter", config, builder.createTopology());
      }
}

至此flume + kafka+storm的整合就写完了。注意 这个是 初始学习阶段做的测试 不可正式用于线上环境，在写本文之时 已经离测试过去了一段时间 所以可能会有些错误 请见谅。

来源：http://blog.csdn.net/zxcvg/article/details/18600335