flume监控spoolDir日志到HDFS整个流程小Demo

今天做了一个flume监控spoolDir日志到HDFS整个流程的小Demo。

流程:



1.编写java代码，随机生成用户ID号码，区县号码，乡镇号码(区县和乡镇号码用随机的三位字母表示)和个人总收入格式样例：779362a1-bf04-468a-91b6-a19d772f41fa####AFC####sfe####8091748。

2.用一个线程循环执行,用Thread.sleep(100)来控制线程执行一次停止100ms，防止cpu在死循环中过载，一秒生成10条数据，用log4j生成相应的日志到指定的目录下面，其中日志每分钟就生成一个格式为yyyy-MM-dd-HH-mm 例如：service.log.2016-10-13-11-32，最后在linux下用shell脚本启动这个java程序。

3.编写shell脚本，定时每分钟从log4j生成的脚本copy当前时间前一分钟产生的日志文件到被flume监控的文件夹内，注意copy过去应该在文件名后面加上.COMPLETED，copy完成后又把这个文件名的.COMPLETED去掉。

例如：

#首先
cp ./log4j/service.log.2016-10-13-11-37 ./monitor/service.log.2016-10-13-11-37.COMPLETED

#然后
mv ./monitor/service.log.2016-10-13-11-37.COMPLETED ./monitor/service.log.2016-10-13-11-37

主要是防止源日志文件太大copy的时候会花比较长的时间，到时候flume会抛异常，当然你还可以使用另外一种解决方案：直接move源日志文件到被flume监控的目录中，不过这种方案没有上面的方案优。

4.配置flume的conf文件

5.编辑crontab每分钟执行这个脚本来拉取源日志文件。

环境：

1.使用的虚拟机为:vmware12

2.centOS6.5

3.hadoop2.2.0 单节点（主要测试用，所以直接用的单节点）

4.Flume 1.6.0 （刚开始用的flume-ng-1.5.0-cdh5.4.5，结果配置中的一个方法在这个版本的flume包里找不到抛异常，就换了个版本搞定）



java代码如下:

其中需要配置log4j配置文件，以及添加log4j的依赖jar包

package com.lijie.test;

import java.util.UUID;

import org.apache.log4j.Logger;

public class DataProduct {

public static void main(String[] args) {
Thread t1 = new Thread(new A());
t1.start();
}
}

class A extends Thread {
private final Logger log = Logger.getLogger(A.class);

public void run() {

//无限循环
while (true) {

//随机产生一个用户uuid
UUID userId = UUID.randomUUID();

//产生一个随机的用户总资产
int num = (int) (Math.random() * 10000000) + 100000;

//产生一个随意的县名
StringBuilder sb = new StringBuilder();
for (int i = 0; i < 3; i++) {
char a = (char) (Math.random() * (90 - 65) + 65);
sb.append(a);
}
String xian = sb.toString();

//产生一个随机的镇名
StringBuilder sb1 = new StringBuilder();
for (int i = 0; i < 3; i++) {
char a = (char) (Math.random() * (122 - 97) + 97);
sb1.append(a);
}
String zhen = sb1.toString();

//生成日志
log.info(userId + "####" + xian + "####" + zhen + "####" + num);

//停0.1秒钟
try {
Thread.sleep(100);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}
}

log4j的配置文件：

log4j.rootCategory=INFO, stdout , R

log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%t] %C.%M(%L) | %m%n

log4j.appender.R=org.apache.log4j.DailyRollingFileAppender
log4j.appender.R.File=/home/hadoop/log4j/service.log
log4j.appender.R.DatePattern = '.'yyyy-MM-dd-HH-mm
log4j.appender.R.layout=org.apache.log4j.PatternLayout
log4j.appender.R.layout.ConversionPattern=%d %p [%t] %C.%M(%L) | %m%n

log4j.logger.com.xxx=DEBUG
log4j.logger.controllers=DEBUG
log4j.logger.vo=DEBUG
log4j.logger.notifiers=DEBUG

log4j.logger.com.opensymphony.oscache=WARN
log4j.logger.net.sf.navigator=WARN
log4j.logger.org.apache.commons=WARN
log4j.logger.org.apache.struts=WARN
log4j.logger.org.displaytag=WARN
log4j.logger.org.springframework=WARN
log4j.logger.org.apache.velocity=FATAL

启动java程序的shell脚本 start.sh

APP_HOME=/home/hadoop/myjar
APP_CLASSPATH=$APP_HOME/bin
jarList=$(ls $APP_CLASSPATH|grep jar)
echo $jarList
for i in $jarList
do
APP_CLASSPATH="$APP_CLASSPATH/$i":
done
echo $APP_CLASSPATH
export CLASSPATH=$CLASSPATH:$APP_CLASSPATH
echo $CLASSPATH
java -Xms50m -Xmx250m com.lijie.test.DataProduct
echo Linux Test End

定时拉取源日志的shell脚本 mvlog.sh

#! /bin/bash

DIR=$(cd `dirname $0`; pwd)

mydate=`date +%Y-%m-%d-%H-%M -d  '-1 minutes'`

logName="service.log"

monitorDir="/home/hadoop/monitor/"

filePath="${DIR}"/log4j/""

fileName="${logName}"".""${mydate}"

echo "文件地址:${filePath}"

echo "文件名字:${fileName}"

if [ -f "${monitorDir}""${fileName}" ]
then
echo "文件存在，删除文件"
rm -rf "${monitorDir}""${fileName}"
fi

echo "开始复制文件"

cp "${filePath}${fileName}" "${monitorDir}${fileName}"".COMPLETED"

echo "日志复制完成，更改名字"

mv "${monitorDir}${fileName}"".COMPLETED" "${monitorDir}${fileName}"

echo "日志改名完成"

exit

flume的配置文件:

#agent名， source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /home/hadoop/monitor
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://192.168.80.123:9000/flume/%Y%m%d
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#不按照条数生成文件
a1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a1.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a1.sinks.k1.hdfs.rollInterval = 60

#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

启动flume的命令：

../bin/flume-ng agent -n a1 -c conf -f ./flume-conf.properties -Dflume.root.logger=DEBUG,console

crontab的配置

#首先crontab -e编辑下面的代码然后保存
* * * * * sh /home/hadoop/mvlog.sh

#然后启动crontab服务
service crond start

准备工作进行好之后，执行java程序

sh ./start.sh

产生如下日志文件:



日志的内容：



定时任务会拉取这个目录下的日志到monitor目录下,flume就会收集，手机完成后会在文件名添加.COMPLETED后缀:



hdfs的flume下面就会生成当天时间格式化的目录，并且收集的数据会被put到该目录下：



java代码一直生成日志文件，crontab每隔一分钟都会拉取日志到flume监控的目录下面，flume就会把该文件收集到hdfs，这样一个简单的flume监控spoolDir日志到HDFS整个流程的小Demo就实现了。

这里给出老版本和新版本的配置demo，因为官网上面已经明确指明了，新版本已经将一些配置舍弃了：



备注下kafkasource配置（老版本）：

#agent名， source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type =org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.zookeeperConnect = lijie:2181
a1.sources.r1.groupId = flume
a1.sources.r1.topic = topic001
a1.sources.r1.kafka.consumer.timeout.ms = 100
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://192.168.80.123:9000/flumetest/%Y%m%d
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#不按照条数生成文件
a1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a1.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a1.sinks.k1.hdfs.rollInterval = 60

#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

测试了一下，启动多个flume配置都是同一个group消费同一个kafka数据，也遵循kafka的算法 topic的partition只有三个，我启动了4个flume发现只有三个flume在采集数据，而第四个flume程序在空跑。

测试结果：



新版本：

#agent名， source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type =org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.kafka.bootstrap.servers=testmaster:9092,testslave01:9092,testslave02:9092
a1.sources.r1.kafka.topics = kafkatest
a1.sources.r1.kafka.consumer.group.id = lijiegrp
a1.sources.r1.kafka.consumer.timeout.ms = 100
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://testmaster:8020/flumetest/%Y%m%d
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#不按照条数生成文件
a1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a1.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a1.sinks.k1.hdfs.rollInterval = 60

#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1