Flume+Morphlines实现数据的实时ETL
Posted 过往记忆大数据
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Flume+Morphlines实现数据的实时ETL相关的知识,希望对你有一定的参考价值。
Apache Flume介绍
Apache Flume是一个Apache的开源项目,是一个分布的、可靠的软件系统,主要目的是从大量的分散的数据源中收集、汇聚以及迁移大规模的日志数据,最后存储到一个集中式的数据系统中。
Apache Flume是由运行在不同主机系统的软件进程组成,一个主机的软件进程叫agent, 1个agent由source、channel、以及sink组成:Source负责盯住主机上数据源,如各种Weblog以及Syslog等等;Channel负责使用内存存储传输数据;Sink负责将数据放在在这个主机上最终的目的。
由于两台主机的Agent之间可以进行串联,1个agent的sink可以对接另1个agent的source;当然,1个agent可以将source的数据同时分发给两个并联的Channel, 同时sink到两个不同的数据目的地。 Flume中agent的组合方式非常灵活多样,在此不做过多描述,有兴趣可以去详细了解。
项目方案
项目平台:在笔者的系统中,有若干台Web Server,每台Web Server安装nginx作为HTTP服务。Nginx自带host.access.log文件作为日志文件,该日志文件以行方式存储Web访问记录,每1行代表1次HTTP请求,记录下请求的方法,URL,以及回应码等等。
项目目的:由于请求的URL的参数格式不统一,笔者希望针对特定参数进行提取操作,并且对一些不规范的参数进行整形;同时希望过滤掉除去200OK以及302Redirection之外其他所有回应码的请求(如499,500);最后,经过ETL之后用户访问记录,以Avro形式存储在HDFS中,形成HIVE表。在以上所有操作中,通过Flume的各个agent进行数据收集合并,并在agent的进程内存中进行ETL,中间过程不经过硬盘以及文件操作,以达到实时快速的目的。
项目部署方案:在所有Web Server上安装Web Flume agent,只是负责收集本主机Weblog并且发送给下游的Hadoop Flume agent。在Hadoop中选一台主机安装Flume agent,所有Weblog汇聚到Hadoop中的这个agent当中,被写入到HDFS文件当中,所有ETL操作都由这个agent完成。
技术实现
Flume的功能如果只是收集以及汇聚log数据的话,配置可以非常简单。如果要实现ETL,就要复杂的配置,需要利用Flume给我们提供的一种叫interceptor的功能。我们可以想象interceptor是一个Flume的插件,每一个插件进行一种操作,前一个interceptor处理后的结果会被送到下一个interceptor。
Flume的interceptor主要有三种:
RegexFilter:顾名思义,这种Interceptor根据正则表达式的标准过滤或者放通特定的Weblog;
RegexReplace: 这种Interceptor根据正则表达式替代Weblog中的特定字符串,类似于正则group处理;
Morphlines: 最为强大的interceptor,可以将行格式记录转化成Avro记录,可以针对记录中的字段摘取特定的内容而放弃无用的内容,可以进行时间戳的转化,也可以针对记录字段进行查找更换。
Morphlines interceptor的细节功能可以参照以下链接:
利用Flume的interceptor来实现ETL,工作就是编写几种配置文件:
1. Flume agent的配置文件,这个文件定义agent的source、channel以及sink以及要实现的interceptor;
2. 如果要使用Morphlines interceptor,就要定义一个Morphlines的配置文件;
3. 因为Morphlines会将行数据转化成Avro数据格式的文件,所以要定义一个Avro schema;
4. Avro文件存在HDFS中,如果要使用HIVE进行访问,就要进行表创建,同样要用到Avro schema。
以下是一个Nginx的HTTP请求的典型行记录,我们通过一些配置文件的片段来深入了解一下Flume ETL的工作机制。
上面是Flume agent的配置文件片段,可以看到定义了2个interceptor,正则过滤RegexFilter在前,Morphlines在后。通过正则表达式可以看出,RegexFilter把非302与200的请求行格式记录过滤掉,并且也同时过滤掉了非GET以及HEAD方法的请求行记录。
Morphlines interceptor定义了Morphlines配置文件的位置。
上面是Morphline的配置文件片段,可以看到定义了3个命令:
1.“readCSV”读取了行记录,使用tab作为字段分隔符;
2.“grok”命令通过正则表达式匹配的方式,把“GET /?usrid=8613715935023&oriurl=http%3A%2F%2Fwww.7710086.com%2F HTTP/1.1”中的“http%3A%2F%2Fwww.7710086.com%2F”抓了出来;
3.“findReplace”命令把“http%3A%2F%2Fwww.7710086.com%2F”中的“%2F”替换成“/”。
上面是Avro schema的配置片段,其定义较为直观,针对不同字段定义不同数据类型。
上面是HIVE的命令类型,第一个创建一个基于Avro的外部表,第二个添加一个基于HDFS路径的partition。
总结
提起大数据的实时流处理,我们首先会想到复杂的Storm\Spark\Kafka等等。但是,如果只是针对单条记录进行简单的ETL运算,使用Flume+Morphlines不失为一种优雅以及简约的方法。
《》:如果你想要获取这本书,认真写评论,就有机会免费获取本书,心动不如行动啊。(本次活动免费送出5本,截止至3月10日22:00.)
0、回复 spark_2017_all 获取 Spark Summit East 2017高清视频和PPT
1、回复 hive_es 获取 《基于 Hive/ES 金融大数据指标系统》PPT
2、回复 bigdata_e 获取 《大规模数据处理演变》PPT
3、回复 大数据分析 获取 《Big Data Analytics》电子书
4、回复 spark2电子书 获取 《Apache Spark 2 for Beginners》电子书
5、回复 spark2_data 获取 《Spark for Data Science》电子书
6、回复 架构师大会ppt 获取 《2016年中国架构师[大数据场]》 PPT
7、回复 intro_flink 获取 《Introduction to Apache Flink》 电子书
8、回复 learning_flink 获取《Learning Apache Flink》电子书
8、回复 Hadoop权威指南 获取 《Hadoop权威指南中文第三版》电子书
9、回复 flink未来 获取 《The Future of Apache Flink》
以上是关于Flume+Morphlines实现数据的实时ETL的主要内容,如果未能解决你的问题,请参考以下文章
python爬虫等获取实时数据+Flume+Kafka+Spark Streaming+mysql+Echarts实现数据动态实时采集分析展示
sparkstreaming+flume+kafka实时流式处理完整流程