Flume数据采集结合etcd作为配置中心在爬虫数据采集处理中的架构实践。

Apache Flume是一个分布式的、可靠的、可用的系统,用于有效地收集、 聚合和将大量日志数据从许多不同的源移动到一个集中的数据存储，但是其本身是以本地properties作为配置的，配置无法做到动态监听和更新。

一、Flume和ETCD的结合，使用ETCD作为flume 数据采集的配置中心。

那么如何做出一个flume的动态配置中心呢，etcd 可以是一个很好的选择。etcd的API版本有v2和v3两个，这里选择v3版本。在flume启动的时候，可以启动etcd的监听。

...
  @Override
    public void start() {
        //初始化监听
        EtcdUtil.initListen(etcdConfig);
        sinkCounter.start();
        sinkCounter.incrementConnectionCreatedCount();
        super.start();
    }
...

   /**
     * etcd的监听，监听指定的key，当key 发生变化后，监听自动感知到变化。 key发生变化后，会更新本地缓存数据
     *
     * @param key 指定需要监听的key
     */
    public static void initListen(String key) {
        try {

            //加载配置
            loadProperties(getConfig(EtcdUtil.getEtclClient().getKVClient().get(ByteSequence.fromString(key)).get().getKvs()));
            new Thread(() -> {
                Watch.Watcher watcher = EtcdUtil.getEtclClient().getWatchClient().watch(ByteSequence.fromString(key));
                try {
                    while (true) {
                        watcher.listen().getEvents().stream().forEach(watchEvent -> {
                            KeyValue kv = watchEvent.getKeyValue();
                            log.info("etcd event:{} ,change key is:{},afterChangeValue:{}", watchEvent.getEventType(), kv.getKey().toStringUtf8(), kv.getValue().toStringUtf8());
                            loadProperties(kv.getValue().toStringUtf8());
                        });
                    }
                } catch (InterruptedException e) {
                    log.error("etcd listen start cause Exception:{}", e);
                }
            }).start();
        } catch (Exception e) {
            log.error("etcd listen start cause Exception:{}", e);
        }
    }

　　备注：完整的代码可以参考笔者博客：https://www.cnblogs.com/laoqing/p/8967549.html

监听完配置后，就可以在etcd 的配置中心中管理配置了

然后就可以通过如下代码获取配置了

....
EtcdUtil.getLocalPropertie("xxxxx")
....

二、Flume 日志采集中的流水线架构设计

flume 中数据采集是通过source->Sink的方式进行数据采集入库的，但是有一个缺点就是数据中如果需要做一些ETL的业务处理，比如简单的数据加工，或者增加一些业务逻辑处理等然后再入库，无法满足。而是我们就可以对flume原有的架构进行拓展。

拓展后的架构图如下所示。

• 1、用户可以自定义process，继承统一的process接口，用户的process自己打成jar包。放到flume的lib目录中。

  • public interface Processor<T> {
        T process(T log);
    }

• 2、etcd动态配置中，配置需要使用哪些process，在多个process的时候，在etcd动态配置中配置顺序。
  • processors=[{"processor":"com.xxx.flume.tax.processor.TaxCrawlerDataCommonProcessor","logType":"5"}] # logType代表日志类型

  • public class ProcessorBean {
        private String processor;
        private String logType;
        private  Processor processorInstance;
    
        public Processor getProcessorInstance() {
            return processorInstance;
        }
    
        public void setProcessorInstance(Processor processorInstance) {
            this.processorInstance = processorInstance;
        }
    
        public String getProcessor() {
            return processor;
        }
    
        public void setProcessor(String processor) {
            this.processor = processor;
        }
    
        public String getLogType() {
            return logType;
        }
    
        public void setLogType(String logType) {
            this.logType = logType;
        }
    
        @Override
        public String toString() {
            return "ProcessorBean{" +
                    "processor='" + processor + '\'' +
                    ", logType='" + logType + '\'' +
                    ", processorInstance=" + processorInstance +
                    '}';
        }
    }

    ...               
    processorBeanList = GsonUtil.gson.fromJson(EtcdUtil.getLocalPropertie("processors"), new TypeToken<List<ProcessorBean>>() {
                    }.getType());
                    processorBeanList.forEach(processorBean -> {
                        try {
                            Processor<?> processor = (Processor<?>) Class.forName(processorBean.getProcessor()).newInstance();
                            processorBean.setProcessorInstance(processor);
                        } catch (Throwable e) {
                            e.printStackTrace();
                        }
                    });
    ...

• 3、process 为动态装载形式，可以随时开启和关闭。Process中业务自己处理自己的业务逻辑。
• 4、source负责数据采集
• 5、sink负责数据入库到目标端，并且负责通知（可以在动态配置中配置是否开启通知功能）
  • isNotice=1#1代表打开通知

  • public interface Notice {
        void noticePostLog(String logType);
        void noticePostLog(List<Map<String,Object>> noticeMsg);
    }

     public void noticePostLog(String logType) {
            if (null != EtcdUtil.getLocalPropertie("isNotice") && "1".equals(EtcdUtil.getLocalPropertie("isNotice"))) {
                List<Map<String, Object>> callList = new ArrayList<>();
                ................
                if (null != callList && callList.size() > 0) {
                    noticePostLog(callList);
                }
            }
        }

             if (null != processorBeanList && processorBeanList.size() > 0) {
                        for (ProcessorBean processorBean : processorBeanList) {
                            try {
                                if (logType.equals(processorBean.getLogType())) {
                                    if ("2".equals(logType)) {
                                        log = (BusinessLog) processorBean.getProcessorInstance().process(log);
                                    } else if ("5".equals(logType)) {
                                        log = (CrawlerLog) processorBean.getProcessorInstance().process(log);
                                    }
                                }
                            } catch (Throwable e) {
                                logger.error("exec process cause Exception", e);
                            }
                        }
                    }

• 6、通知为一个通用的json字段。
• 7、后续所有的应用服务器都在装机时，统一预先把flume包放入进去。用户在使用flume时，只需要做配置以及上传自己的process包。
• 8、除了process不能复用外，其他的部分都通用组件复用。
• 9、process就类似流水线作业的一样。

本文作者：张永清 连接：https://www.cnblogs.com/laoqing/p/12620747.html

三、Flume 日志采集中的流水线架构设计在爬虫中的架构实践

这里以税务数据爬虫为例，仔细看如下的架构设计

• 1、税务的爬虫数据采用flume进行采集入库
• 2、由于各个省的税务网站欠差万别，数据在爬虫下来后，需要按照不同的省份进行进行（html页面数据解析，由于每个省的税务网站不同，html不一样）。解析时，就采用了process处理。
• 3、每个省份有一套解析的代码，每个省份实现同一个底层的解析接口，解析时，通过http接口从业务系统中获取配置的解析规则。

public interface TaxCrawlerAnalysis {

    TaxTable analysisTaxTable(TaxHtmlTable taxHtmlTable,String taxTableType);
}

• 4、每个省份的解析类同样采用动态加载的方式，在解析处理时通过省份编码的形式进行匹配。

taxCrawlerAnalysises=[{"taxCrawlerAnalysis":"com.xxx.bigdata.crawler.tax.common.analysis.TaxCrawlerPdfTableAnalysis","provinceCity":"320000"}]

 四、总结

作者的原创文章，转载须注明出处。原创文章归作者所有，欢迎转载，但是保留版权。对于转载了博主的原创文章，不标注出处的，作者将依法追究版权，请尊重作者的成果。本文作者：张永清 连接：https://www.cnblogs.com/laoqing/p/12620747.html

1、流水线的处理，让flume可以动态的扩展，可以支持自定义的业务处理。业务处理的代码可以作为单独的项目即插即用的集成到flume中。

2、etcd作为动态配置中心后，配置可以做到动态的更新，而不需要配置变更后，对jvm进程进行重启。

3、对flume进行改造和扩展的代码，后续都会放入个人github中。