Apache NiFi Processor实战

1 前言

Apache NiFi是什么？NiFi官网给出如下解释：“一个易用、强大、可靠的数据处理与分发系统”。通俗的来说，即Apache NiFi 是一个易于使用、功能强大而且可靠的数据处理和分发系统，其为数据流设计，它支持高度可配置的指示图的数据路由、转换和系统中介逻辑。
为了对NiFi能够表述的更为清楚，下面通过NiFi的架构来做简要介绍，如下图所示。

根据官网对各个组件的说明，做摘要翻译：
• WebServer：其目的在于提供基于HTTP的命令和控制API。
• Flow Controller：这是操作的核心，以Processor为处理单元，提供了用于运行的扩展线程，并管理扩展接收资源时的调度。
• Extensions：在其他文档中描述了各种类型的NiFi扩展，Extensions的关键在于扩展在JVM中操作和执行。
• FlowFile Repository：FlowFile库的作用是NiFi跟踪记录当前在流中处于活动状态的给定流文件的状态，其实现是可插拔的，默认的方法是位于指定磁盘分区上的一个持久的写前日志。
• Content Repository：Content库的作用是给定流文件的实际内容字节所在的位置，其实现也是可插拔的。默认的方法是一种相对简单的机制，即在文件系统中存储数据块。
• Provenance Repository：Provenance库是所有源数据存储的地方，支持可插拔。默认实现是使用一个或多个物理磁盘卷，在每个位置事件数据都是索引和可搜索的。

2 NiFi Processer介绍

上一节说了那么多，主要通过NiFi的架构图介绍了NiFi的基本概念，由概念可知Flow Controller是NiFi的核心，那么Flow Controller具体是什么？Flow Controller扮演者文件交流的处理器角色，维持着多个处理器的连接并管理各个Processer，Processer则是实际处理单元。

那么，让我们通过NiFi的UI看下NiFi的Processor包含哪些？

通过上图可知，Processor包含各种类型的组件，如amazon、attributes、hadoop等，可通过前缀进行轻易辨识，如Get、Fetch开头代表获取，如getFile、getFTP、FetchHDFS，execute代表执行，如ExecuteSQL、ExecuteProcess、ExecuteFlumeSink等均可较容易知其简单用途。

3 NiFi Processer实战

说了那么多，介绍了NiFi的架构和Processor，那么说好的实战呢？那么，本文就以笔者的一个实际需求为例，进行Processor的实战。需求如下：选取一款数据处理调度工具，对服务器脚本实现定制调度执行。其中服务器的脚本涉及到对环境变量、oracle数据库、Hadoop生态圈组件的调度。当对服务器脚本调度执行完成后返回脚本运行状态，并提供失败重运行接口。
为了实现需求，曾调度过各种调度工具，如Apache Oozie、Azkaban、Pentaho等，最终比较了各种利弊尝试选用Apache NiFi作为尝试，通过查阅NiFi Processor API，能更好的支持远程操作的Processor为ExecuteProcess。下面将对需求进行实战讲解。

3.1 Processor的添加与配置

1. 点击“Add Processor”，选择ExecuteProcess后点击Add按钮完成添加，如下图。

2. 右击ExecuteProcess后选择Configure Processor，对Properties选项卡进行配置，其中每一个配置选项均提供了相关的说明，如下图。

如上图所示，这里有必要对各选项进行相关说明。
• Command（执行命令）： sh。
• Command Arguments（执行命令参数）：-c;ssh user@ip sh js/job/job_hourly.sh `date
• Batch Duration（执行间隔时间）：不设置。//我们需求是通过定时调度，而并非按间隔时间执行。
• Redirect Error Stream（重定位流）：不设置。
• Argument Delimiter（执行命令参数分隔符）：; //以；对参数进行分割。

3.2 Processor调度

NiFi支持三种调度策略，包括Time Driven（时间驱动）、CRON Driven（CRON驱动）和Event Driven（事件驱动，非可选），根据我们实际需求选择CRON Driven，个人理解CRON即是Crontab的应用，CRON的各参数含义分别代表：秒、分、时、日、月、周、年，需要配合*、？和L共同执行（*代表字段的值都有效；?代表对于指定的字段不指定值；L代表长整形）。如：“0 0 13 * * ?”代表想要在每天下午1点进行调度执行。因此根据我们的需求进行参数的调度配置。如下图所示。

3.3 运行状态监控

NiFi通过Rest API供开发者调度，这里我们用Processor API对运行状态进行监控（状态参数获取、Processor的启动与停止）。
1）运行状态监控参数获取：
命令如下：curl ‘http://IP/nifi-api/processors/processorsID ‘得到如下结果，可通过json解析器解析并获取状态。

2） Processor的启动与停止：
NiFi的Processor启动停止通过其Put方法实现，Put最有效的作用是改变其运行状态，NiFi的Process总共有三种状态，即Running、Stopped和Disabled。
那么我们将开始和停止两个命令Rest API的放在脚本中执行即可。
• 启动命令（使用Rest API的Put方法）：
curl -i -X PUT -H ‘Content-Type:application/json’ -d ‘
{
“revision”: {
“clientId”: “586ec1d7-015d-1000-6459-28251212434e”,
“version”:17},
“component”: {
“id”: “39e0dafc-015d-1000-918d-bee89ae2226e”,
“state”: “RUNNING”
}
}’ http://IP/nifi-api/processors/processorsID
• 停止命令（使用Rest API的Put方法）：
curl -i -X PUT -H ‘Content-Type:application/json’ -d ‘
{
“revision”: {
“clientId”: “586ec1d7-015d-1000-6459-28251212434e”,
“version”:17},
“component”: {
“id”: “39e0dafc-015d-1000-918d-bee89ae2226e”,
“state”: “STOPPED”
}
}’ http://IP/nifi-api/processors/processorsID

4 小结与后记

本文首先对Apache NiFi进行简介，后以笔者的实际需求为例，对NiFi核心组件Processor的实战说明。由于NiFi仍然属于Apache推出时间不长的一个顶级项目，虽功能十分强大，但可查阅资源仍然有限，本文更多的是一个抛砖的过程，其真正强大的功能还在数据处理上，欢迎感兴趣的各位进行互相探讨。

新一代Java版低成本、私有化、高性能用户行为分析系统 C4J上线啦！

Cobub开源社区交流QQ群：194022996