用海豚调度器定时调度从Kafka到HDFS的kettle任务脚本

在实际项目中，从Kafka到HDFS的数据是每天自动生成一个文件，按日期区分。而且Kafka在不断生产数据，因此看看kettle是不是需要时刻运行？能不能按照每日自动生成数据文件？

为了测试实际项目中的海豚定时调度从Kafka到HDFS的Kettle任务情况，特地提前跑一下海豚定时调度这个任务，看看到底什么情况,也给大家提供一个参考！

海豚调度任务配置

（一）SHELL脚本配置

!/bin/bash

source /etc/profile

/opt/install/kettle9.2/data-integration/pan.sh -rep=hurys_linux_kettle_repository -user=admin -pass=admin -dir=/kafka_to_hdfs/ -trans=04_Kafka_to_HDFS_turnratio level=Basic >>/home/log/kettle/04_Kafka_to_HDFS_turnratio_`date +%Y%m%d`.log

（二）定时任务设置

定时任务设置为每天的零点，零点一到开始执行任务

（三）最后工作流情况

启动工作流

工作流启动，成功！工作流一直在跑

相应的任务实例也在跑！

启动工作流每天HDFS情况

（一）第一天为2023/8/30日

由于第一天开始执行任务，因此自动生成2023/08/30的HDFS文件

（二）第二天为2023/8/31日

2023/08/31早上更新

（1）04_Kafka_to_HDFS_turnratio任务

第二天的海豚任务自动调度，自动生成2023/08/31的HDFS文件

但问题是，除了再跑31日的任务外，30日的任务还在跑，可能是定时配置有问题，需要优化

而且这样搞容易把kettle搞出问题！

2023/08/31晚上更新

（1）04_Kafka_to_HDFS_turnratio任务

不设置定时任务，kettle任务一直运行，已经生成8月31日的文件，观察明天会不会自动生成9月1日的数据文件

已生成的8月31日文件

（2）01_Kafka_to_HDFS_queue任务

不设置定时任务，kettle任务一直运行，已经生成8月31日的文件，观察明天会不会自动生成9月1日的数据文件

已生成的8月31日文件

如果明早不能自动生成9月1日的文件，那就要设置海豚定时为每天的执行时间为0时0分0秒到23时59分59秒  或者在脚本里设置时间  或者在kettle里设置时间？我们试试看！

（三）第三天为2023/9/1日

2023/09/01早上更新

昨晚海豚调度的两个kettle任务以失败告终，没有自动生成9月1日的数据文件



今日再尝试其他的方式

2023/09/01下午更新

下午尝试用Crontab定时任务调度Kettle脚本

\[root@hurys22 kettle\_job\_sh\]# crontab -l
SHELL=/bin/bash
\#  */1 * * * * /bin/sh  /opt/install/kettle9.2/kettle\_job\_sh/test2.sh
06-07 17 * * * /bin/sh  /opt/install/kettle9.2/kettle\_job\_sh/01\_Kafka\_to\_HDFS\_queue.sh

设置每天的17点的6分到7分中执行

但是日志文件显示kettle任务却一直再跑

当然，HDFS中确实生成了9月1日今日的文件，而且任务运行时间是我设置的17点7分

这个方法不行，后面再试试其他方法？怎么就不会设置任务停止呢

（四）第四天为2023/9/4日

2023/09/04早上更新

由于Kafka里有时间戳字段，因此在kettle任务里获取当前系统时间戳的日期字段、然后文件名直接从这个日期字段获取

（1）当前系统时间戳的日期字段

（2）HDFS输出中文件名直接获取这个日期字段，这样kettle任务运行时，是不是能自动生成每天的数据文件？

（3）测试结果，任务可以跑通，但是HDFS生成的文件不知却在哪？

终于查到了，原来这样导出的文件不在HDFS，而在kettle的安装文件里，即在本地

而且这么直接以日期命名也有问题，因为有多个Kafka，不可能仅仅以日期命名区分

2、2023/09/04晚上更新

因为上午的思路有问题，导出的文件没有在HDFS中，反而在本地，于是下午又换了种思路。

还是从系统获得时间day，但是文件路径直接写成HDFS的文件路径+day，这样的url字段才是HDFS输出控件中的文件名字段

（1）用海豚调度对比，定时调度01_Kafka_to_HDFS_queue任务

目前已生成生成9月4日的文件

（2）用海豚调度对比，不加定时调度04_Kafka_to_HDFS_turnratio任务

目前已生成生成9月4日的文件

（五）第五天为2023/9/5日

2023/09/05早上更新

虽然自动生成了9月5日的文件，但是由于数据量过大、加上把hadoop.tmp.dir放在了/opt/soft/hadoop313/hadooptmp，导致opt文件夹磁盘溢出，使得namenode处于安全模式。

花了一上午时间终于解决NameNode的安全模式问题，发现应该把HADOOP 运行时存储路径放在home目录下，因为home的磁盘空间最大

2023/09/05晚上更新

惊喜！！！

可能已经找到了解决方法，直接对Kafka里的时间戳字段进行截取，然后拼接文件路径，从而形成一个可以根据时间戳字段的日期变动的HDFS文件，即每天自动生成一个数据文件

（1）通过Java自定义文件名  字段url（HDFS路径+截取的可变的时间戳字段）

var url="hdfs://root:***@hurys22:8020/rtp/queue\_dynamic/queue\_dynamic"+substr(create_time,0,10)

（2）在HDFS输出控件的文件就选择url字段

（3）结果

已经生成了9月5日的数据文件，不需要海豚定时调度，只需要海豚一直跑kettle任务即可！

虽然还是生成了9月5日的数据文件，不过我今天下午按照生成每小时维度的数据文件测试过

下午16时运行任务，生成了16时的数据文件，然后到17时，又生成了17时的数据文件，这两个数据文件都在跑，而且HDFS里大小显示都为0。

不过区别是，16时的数据是完整的，17时的数据文件是不断增加的。因为Kafka是实时的，17时只会发送17时的数据，不会发送16时数据。下面是16时的文件数据

16时的数据文件是有固定的数据，17点后就没有再写入数据。之所以看不到这个这个block的大小，是因为写入数据的规模太小了，等到这个写入的数据规模达到128MB，即一个块大小后才会看到这个block的数据。

所以只要一直运行这个kettle任务、不断写入数据即可，只要写入的数据规模达到128MB，第一个block就会被看到。

已用海豚调度一个kettle任务，没有定时，就一直跑。目前HDFS已生成了9月5日的数据文件，明天就可以观察几点

1、有没有自动生成明天9月6日的数据文件

2、今天9月5日的数据文件里面的数据是不是固定的、完整的，晚上12点之后不再写入

3、等到写入数据规模达到128MB看第一个block的数据大小可不可看到？

明天9月6日除了看这几点外，还用flume去做Kafka到HDFS的采集工作，以防万一，这两天被这个问题搞得头疼，kettle真是一个易入门难精通的工具！

（六）第六天为2023/9/6日

2023/09/06早上更新

由于昨晚Kafka突然有问题，导致kettle没能导入数据到HDFS的文件，今早已重新启动Kafka服务

（1）目前已重新启动海豚调度的kettle服务

（2）目前已自动生成9月6日的数据文件

（3）只能明天9月7日看一下昨晚的3个问题

1、有没有自动生成明天9月7日的数据文件

2、今天9月6日的数据文件里面的数据是不是固定的、完整的，晚上12点之后不再写入

3、等到写入数据规模达到128MB看第一个block的数据大小可不可看到？

2023/09/06下午更新

（1）为了以防万一，加了个对比测试。看看如果一天的数据放不满一个block或者部分多余数据放不满一个block，可不可以正常显示？即使它总的写入数据量大于128MB

不仅多加了几台模拟设备推送数据，还对动态排队数据和静态排队数据两个kettle任务进行对比

（2）动态排队数据有自动日期分区，可以自动分成不同日期的文件，就是昨晚跑的kettle任务

（3）而静态排队数据没有日期分区，就往第一个日期文件里写入数据

目前静态排队数据也已经生成了9月6日的数据文件，后面会一直写入这个文件

明早对比这两个kettle任务的数据文件看看情况

（七）第七天为2023/9/7日

2023/09/07早上更新

A、HDFS文件有日期分区的动态排队数据kettle任务状况

（1）首先是自动生成9月7日的文件

（2）然后是6日的数据文件固定，没有7日的数据

（3）6日的数据这一块由于只有62.8MB，因此HDFS的块没有显示大小

B、HDFS文件没有日期分区的静态排队数据kettle任务状况

由于写入的HDFS文件没有日期分区，而且数据量写入超过了128MB，所以这一块的数据虽然在不断写入，但是这一块的文件显示大小为128MB

疑问：现在任务依然运行，我想看看这个块已经有128MB后，会不会在其他block写入数据？

2023/09/07晚上更新

A、HDFS文件有日期分区的动态排队数据kettle任务状况

（1）今日9月7日写入的数据量超过128MB，因此HDFS已显示文件大小

总结一下：用kettle采集Kafka数据写入HDFS这条路是可行的，只要设置变动的文件名、生成每日的数据文件，然后一直跑任务就好！！！

本文由 白鲸开源 提供发布支持！