正文 

当前位置： 首页 > java > java教程

转:大数据架构：flume-ng+kafka+storm+hdfs实时系统组合

elsearch      2022-02-10     805

关键词：

虽然比较久，但是这套架构已经很成熟了，记录一下

一般数据流向，从“数据采集--数据接入--流失计算--数据输出/存储”
<ignore_js_op>技术分享 

1）.数据采集
负责从各节点上实时采集数据，选用cloudera的flume来实现
2）.数据接入
由于采集数据的速度和数据处理的速度不一定同步，因此添加一个消息中间件来作为缓冲，选用apache的kafka
3）.流式计算
对采集到的数据进行实时分析，选用apache的storm
4）.数据输出
对分析后的结果持久化，暂定用mysql
另一方面是模块化之后，假如当Storm挂掉了之后，数据采集和数据接入还是继续在跑着，数据不会丢失，storm起来之后可以继续进行流式计算；

 

那么接下来我们来看下整体的架构图
<ignore_js_op>技术分享 

 

详细介绍各个组件及安装配置：
操作系统：ubuntu

 

Flume
Flume是Cloudera提供的一个分布式、可靠、和高可用的海量日志采集、聚合和传输的日志收集系统，支持在日志系统中定制各类数据发送方，用于收集数据;同时，Flume提供对数据进行简单处理，并写到各种数据接受方(可定制)的能力。
下图为flume典型的体系结构：
Flume数据源以及输出方式:
Flume提供了从console(控制台)、RPC(Thrift-RPC)、text(文件)、tail(UNIX tail)、syslog(syslog日志系统，支持TCP和UDP等2种模式)，exec(命令执行)等数据源上收集数据的能力,在我们的系统中目前使用exec方式进行日志采集。

Flume的数据接受方，可以是console(控制台)、text(文件)、dfs(HDFS文件)、RPC(Thrift-RPC)和syslogTCP(TCP syslog日志系统)等。在我们系统中由kafka来接收。

Flume下载及文档：
http://flume.apache.org/
Flume安装：
  1. $tar zxvf apache-flume-1.4.0-bin.tar.gz/usr/local
复制代码
Flume启动命令：
  1. $bin/flume-ng agent --conf conf --conf-file conf/flume-conf.properties --name producer -Dflume.root.logger=INFO,console
复制代码
Kafka

 

kafka是一种高吞吐量的分布式发布订阅消息系统，她有如下特性：
  • 通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
  • 高吞吐量：即使是非常普通的硬件kafka也可以支持每秒数十万的消息。
  • 支持通过kafka服务器和消费机集群来分区消息。
  • 支持Hadoop并行数据加载。
kafka的目的是提供一个发布订阅解决方案，它可以处理消费者规模的网站中的所有动作流数据。 这种动作（网页浏览，搜索和其他用户的行动）是在现代网络上的许多社会功能的一个关键因素。 这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。 对于像Hadoop的一样的日志数据和离线分析系统，但又要求实时处理的限制，这是一个可行的解决方案。kafka的目的是通过Hadoop的并行加载机制来统一线上和离线的消息处理，也是为了通过集群机来提供实时的消费。
kafka分布式订阅架构如下图：--取自Kafka官网
<ignore_js_op>技术分享
罗宝兄弟文章上的架构图是这样的
<ignore_js_op>技术分享
其实两者没有太大区别，官网的架构图只是把Kafka简洁的表示成一个Kafka Cluster，而上面架构图就相对详细一些；

 

Kafka版本：0.8.0
Kafka下载及文档：http://kafka.apache.org/
Kafka安装：
  1. > tar xzf kafka-<VERSION>.tgz
  2. > cd kafka-<VERSION>
  3. > ./sbt update
  4. > ./sbt package
  5. > ./sbt assembly-package-dependency
复制代码
启动及测试命令：
（1） start server

 

  1. > bin/zookeeper-server-start.shconfig/zookeeper.properties
  2. > bin/kafka-server-start.shconfig/server.properties
复制代码
这里是官网上的教程，kafka本身有内置zookeeper，但是我自己在实际部署中是使用单独的zookeeper集群，所以第一行命令我就没执行，这里只是些出来给大家看下。

 

配置独立的zookeeper集群需要配置server.properties文件，讲zookeeper.connect修改为独立集群的IP和端口

 

  1. zookeeper.connect=nutch1:2181
复制代码
（2）Create a topic

 

  1. > bin/kafka-create-topic.sh --zookeeper localhost:2181 --replica 1 --partition 1 --topic test
  2. > bin/kafka-list-topic.sh --zookeeperlocalhost:2181
复制代码
（3）Send some messages

 

  1. > bin/kafka-console-producer.sh--broker-list localhost:9092 --topic test
复制代码
（4）Start a consumer

 

  1. > bin/kafka-console-consumer.sh--zookeeper localhost:2181 --topic test --from-beginning
复制代码
kafka-console-producer.sh和kafka-console-cousumer.sh只是系统提供的命令行工具。这里启动是为了测试是否能正常生产消费；验证流程正确性
在实际开发中还是要自行开发自己的生产者与消费者；
kafka的安装也可以参考我之前写的文章：http://blog.csdn.net/weijonathan/article/details/18075967
Storm
Twitter将Storm正式开源了，这是一个分布式的、容错的实时计算系统，它被托管在GitHub上，遵循  Eclipse Public License 1.0。Storm是由BackType开发的实时处理系统，BackType现在已在Twitter麾下。GitHub上的最新版本是Storm 0.5.2，基本是用Clojure写的。
<ignore_js_op>技术分享 

 

Storm的主要特点如下：
  • 简单的编程模型。类似于MapReduce降低了并行批处理复杂性，Storm降低了进行实时处理的复杂性。
  • 可以使用各种编程语言。你可以在Storm之上使用各种编程语言。默认支持Clojure、Java、Ruby和Python。要增加对其他语言的支持，只需实现一个简单的Storm通信协议即可。
  • 容错性。Storm会管理工作进程和节点的故障。
  • 水平扩展。计算是在多个线程、进程和服务器之间并行进行的。
  • 可靠的消息处理。Storm保证每个消息至少能得到一次完整处理。任务失败时，它会负责从消息源重试消息。
  • 快速。系统的设计保证了消息能得到快速的处理，使用ØMQ作为其底层消息队列。（0.9.0.1版本支持ØMQ和netty两种模式）
  • 本地模式。Storm有一个“本地模式”，可以在处理过程中完全模拟Storm集群。这让你可以快速进行开发和单元测试。
由于篇幅问题，具体的安装步骤可以参考：Storm-0.9.0.1安装部署 指导
接下来重头戏开始拉！那就是框架之间的整合啦

 

flume和kafka整合
1.下载flume-kafka-plus:https://github.com/beyondj2ee/flumeng-kafka-plugin
2.提取插件中的flume-conf.properties文件
修改该文件：#source section
producer.sources.s.type = exec
producer.sources.s.command = tail -f -n+1 /mnt/hgfs/vmshare/test.log
producer.sources.s.channels = c
修改所有topic的值改为test
将改后的配置文件放进flume/conf目录下
在该项目中提取以下jar包放入环境中flume的lib下：
技术分享
注：这里的flumeng-kafka-plugin.jar这个包，后面在github项目中已经移动到package目录了。找不到的童鞋可以到package目录获取。

 

完成上面的步骤之后，我们来测试下flume+kafka这个流程有没有走通；
我们先启动flume，然后再启动kafka，启动步骤按之前的步骤执行；接下来我们使用kafka的kafka-console-consumer.sh脚本查看是否有flume有没有往Kafka传输数据；
<ignore_js_op>技术分享 
以上这个是我的test.log文件通过flume抓取传到kafka的数据；说明我们的flume和kafka流程走通了；
大家还记得刚开始我们的流程图么，其中有一步是通过flume到kafka，还有一步是到hdfs的；而我们这边还没有提到如何存入kafka且同时存如hdfs；
flume是支持数据同步复制，同步复制流程图如下，取自于flume官网，官网用户指南地址：http://flume.apache.org/FlumeUserGuide.html
<ignore_js_op>技术分享 
怎么设置同步复制呢，看下面的配置：

 

  1. #2个channel和2个sink的配置文件  这里我们可以设置两个sink，一个是kafka的，一个是hdfs的；
  2. a1.sources = r1
  3. a1.sinks = k1 k2
  4. a1.channels = c1 c2
复制代码
具体配置大伙根据自己的需求去设置，这里就不具体举例了

 

kafka和storm的整合

 

1.下载kafka-storm0.8插件：https://github.com/wurstmeister/storm-kafka-0.8-plus
2.使用maven package进行编译，得到storm-kafka-0.8-plus-0.3.0-SNAPSHOT.jar包   --有转载的童鞋注意下，这里的包名之前写错了，现在改正确了！不好意思！
3.将该jar包及kafka_2.9.2-0.8.0-beta1.jar、metrics-core-2.2.0.jar、scala-library-2.9.2.jar (这三个jar包在kafka项目中能找到)
备注：如果开发的项目需要其他jar，记得也要放进storm的Lib中比如用到了mysql就要添加mysql-connector-java-5.1.22-bin.jar到storm的lib下
那么接下来我们把storm也重启下；
完成以上步骤之后，我们还有一件事情要做，就是使用kafka-storm0.8插件，写一个自己的Storm程序；
这里我给大伙附上一个我弄的storm程序，百度网盘分享地址：链接: http://pan.baidu.com/s/1jGBp99W 密码: 9arq
先稍微看下程序的创建Topology代码
<ignore_js_op>技术分享 
数据操作主要在WordCounter类中，这里只是使用简单JDBC进行插入处理
<ignore_js_op>技术分享 
这里只需要输入一个参数作为Topology名称就可以了！我们这里使用本地模式，所以不输入参数，直接看流程是否走通；

 

  1. storm-0.9.0.1/bin/storm jar storm-start-demo-0.0.1-SNAPSHOT.jar com.storm.topology.MyTopology
复制代码
先看下日志，这里打印出来了往数据库里面插入数据了
<ignore_js_op>技术分享 
然后我们查看下数据库；插入成功了！
<ignore_js_op>技术分享 
到这里我们的整个整合就完成了！
但是这里还有一个问题，不知道大伙有没有发现。
由于我们使用storm进行分布式流式计算，那么分布式最需要注意的是数据一致性以及避免脏数据的产生；所以我提供的测试项目只能用于测试，正式开发不能这样处理；
晨色星空J2EE（一个网名）给的建议是建立一个zookeeper的分布式全局锁，保证数据一致性，避免脏数据录入！
zookeeper客户端框架大伙可以使用Netflix Curator来完成，由于这块我还没去看，所以只能写到这里了！

❤️2021年大数据kafka：kafka特点总结和架构

全网最详细的大数据Kafka文章系列，强烈建议收藏加关注！ 新文章都已经列出历史文章目录，帮助大家回顾前面的知识重点。目录系列历史文章一、Kafka特点总结kafka特点总结二、Kafka架构架构图专业术语系列历史文... 查看详情

2021年大数据kafka：❤️kafka特点总结和架构❤️

全网最详细的大数据Kafka文章系列，强烈建议收藏加关注！ 新文章都已经列出历史文章目录，帮助大家回顾前面的知识重点。目录系列历史文章一、Kafka特点总结kafka特点总结二、Kafka架构架构图专业术语系列历史文... 查看详情

大数据技术之kafkakafka概述kafka快速入门kafka架构深入(代码片段)

...fka工作流程及文件存储机制3.2Kafka生产者3.2.1分区策略3.2.2数据可靠性保证3.2.3ExactlyOnce语义3.3Kafka消费者3.3.1消费方式3.3.2 查看详情

大数据技术之kafkakafka概述kafka快速入门kafka架构深入(代码片段)

...fka工作流程及文件存储机制3.2Kafka生产者3.2.1分区策略3.2.2数据可靠性保证3.2.3ExactlyOnce语义3.3Kafka消费者3.3.1消费方式3.3.2 查看详情

kafka+flume-ng+hdfs整合

Kafka 　　　由LinkedIn于2010年12月(https://thenewstack.io/streaming-data-at-linkedin-apache-kafka-reaches-1-1-trillion-messages-per-day/)开源出来一个消息的发布/订阅系统，用scala实现；版本从0.05到现在0.10.2.0(2017-02-25)　　　　　系统中， 查看详情

kafka温故：kafka背景及架构介绍

...余备份的持久性的日志服务。它主要用于处理活跃的流式数据（实时性的计算）。在大数据系统中，常常会碰到一个问题，整个大数据是由各个子系统组成，数据需要在各个子系 查看详情

kafka源码解读

...----恢复内容开始------------kafka源码解读一.概述1.前言在大数据的场景里面如何应对数据激增，数据复杂度增加以及数据变化速率变快，这都是体现了大数据架构师，Java架构师的功力。而Kafka能很好的解决这些问题。Kafka的源码是... 查看详情

大数据架构(代码片段)

...中含有离线处理与实时处理两条链路，两条链路处理数据导致数据不一致等Kappa 架构Kappa架构真正的实时数仓，目前在业界最常用实现就是Flink+KafkaKappa存在问题Kafka无法支持海量数据存储。对于海量数据量的业务线来... 查看详情

大数据技术之kafkakafka概述kafka快速入门kafka架构深入(代码片段)

...fka工作流程及文件存储机制3.2Kafka生产者3.2.1分区策略3.2.2数据可靠性保证3.2.3ExactlyOnce语义3.3Kafka消费者3.3.1消费方式3.3.2分区分配策略3.3.3offset的维护3.3.4消费者组案例3.4Kafka高效读写数据3.5Zookeeper在Kafka中的作用3.6Kafka事务3.6.1Produ... 查看详情

大数据消息中间件之kafka-01

大数据消息中间件之Kafka此篇文章讲述大数据消息中间件Kafka入门及使用文章目录大数据消息中间件之Kafka前言一、Kafka是什么？二、消息队列2.1消息队列的应用场景2.2那么我们为什么使用消息队列呢?三、Kafka3.1Kafka的两种模式... 查看详情

大数据sparkstructuredstreaming集成kafka(代码片段)

目录1Kafka数据消费2Kafka数据源3Kafka接收器3.1配置说明3.2实时数据ETL架构3.3模拟基站日志数据3.4实时增量ETL4Kafka特定配置1Kafka数据消费ApacheKafka是目前最流行的一个分布式的实时流消息系统，给下游订阅消费系统提供了并行处... 查看详情

基于kafka+sparkstreaming+oushudb搭建批流一体大数据分析架构

实时消息KafkaKafka是最初由Linkedin公司开发，是一个分布式、分区的、多副本的、多订阅者，基于zookeeper协调的分布式日志系统（也可以当做MQ系统），常见可以用于web/nginx日志、访问日志，消息服务等等... 查看详情

大数据学习笔记59：初探kafka消息系统

...merGroup（消费者组）（四）Kafka特性1、高吞吐量2、持久化数据存储3、分布式系统易于扩展4、客户端状态维护二、Kafka系统架构 查看详情

大数据spark集成kafka(代码片段)

...使用Storm还是SparkStreaming与Flink，主要从Kafka实时消费数据进行处理分析，流式数据实时处理技术架构大致如下&# 查看详情

详解kafka:大数据开发最火的核心技术

详解Kafka:大数据开发最火的核心技术 架构师技术联盟2019-06-1009:23:51本文共3268个字，预计阅读需要9分钟。广告大数据时代来临，如果你还不知道Kafka那你就真的out了(快速掌握Kafka请参考文章：如何全方位掌握Kafka核心技术)！... 查看详情

大数据平台架构

一、数据采集1.ETL，数据从来源端经过抽取（extract）、交互转换（transform）、加载（load）至目的端的过程。开源工具：Apatat,Scriptella,Talend,kettle2.实时采集Flume,Flink流处理，批处理都可Kafka场景应... 查看详情

数据集成：flume和sqoop

...一个介绍：Flume由cloudera开发出来，有两大产品：Flume-og和Flume-ng，Flume-og的架构过于复杂，在寻问当中会有数据丢失，所以放弃了。现在我们使用的是Flume-ng，主要是日志采集，这个日志可以是TCP的系统的日志数据，可以是文件数... 查看详情

大数据sparkstreamingqueries(代码片段)

...接收器5.2MemorySink5.3ForeachSink5.4ForeachBatchSink6容错语义7Kafka数据消费8Kafka数据源9Kafka接收器9.1配置说明9.2实时数据ETL架构9.3模拟基站日志数据9.4实时增量ETL10Kafka特定配置1输出模式在Structu 查看详情