使用Flume+Kafka+SparkStreaming进行实时日志分析
来源:互联网 发布:程序员编辑器排名 编辑:程序博客网 时间:2024/06/05 02:34
每个公司想要进行数据分析或数据挖掘,收集日志、ETL都是第一步的,今天就讲一下如何实时地(准实时,每分钟分析一次)收集日志,处理日志,把处理后的记录存入Hive中,并附上完整实战代码
1. 整体架构
思考一下,正常情况下我们会如何收集并分析日志呢?
首先,业务日志会通过Nginx(或者其他方式,我们是使用Nginx写入日志)每分钟写入到磁盘中,现在我们想要使用Spark分析日志,就需要先将磁盘中的文件上传到HDFS上,然后Spark处理,最后存入Hive表中,如图所示:
我们之前就是使用这种方式每天分析一次日志,但是这样有几个缺点:
首先我们的日志是通过Nginx每分钟存成一个文件,这样一天的文件数很多,不利于后续的分析任务,所以先要把一天的所有日志文件合并起来
合并起来以后需要把该文件从磁盘传到Hdfs上,但是我们的日志服务器并不在Hadoop集群内,所以没办法直接传到Hdfs上,需要首先把文件从日志服务器传输到Hadoop集群所在的服务器,然后再上传到Hdfs
最后也是最重要的,滞后一天分析数据已经不能满足我们新的业务需求了,最好能控制在一个小时的滞后时间
可以看出来我们以前收集分析日志的方式还是比较原始的,而且比较耗时,很多时间浪费在了网络传输上面,如果日志量大的话还有丢失数据的可能性,所以在此基础上改进了一下架构:
整个过程就是,Flume会实时监控写入日志的磁盘,只要有新的日志写入,Flume就会将日志以消息的形式传递给Kafka,然后Spark Streaming实时消费消息传入Hive
那么Flume是什么呢,它为什么可以监控一个磁盘文件呢?简而言之,Flume是用来收集、汇聚并且移动大量日志文件的开源框架,所以很适合这种实时收集日志并且传递日志的场景
Kafka是一个消息系统,Flume收集的日志可以移动到Kafka消息队列中,然后就可以被多处消费了,而且可以保证不丢失数据
通过这套架构,收集到的日志可以及时被Flume发现传到Kafka,通过Kafka我们可以把日志用到各个地方,同一份日志可以存入Hdfs中,也可以离线进行分析,还可以实时计算,而且可以保证安全性,基本可以达到实时的要求
整个流程已经清晰了,下面各个突破,我们开始动手实现整套系统
2. 实战演练
2.1 安装Kafka
下载安装Kafka以及一些基本命令请传送到这里: Kafka安装与简介
安装好以后新建名为launcher_click的topic:
bin/kafka-topics.sh --create --zookeeper hxf:2181,cfg:2181,jqs:2181,jxf:2181,sxtb:2181 --replication-factor 2 --partitions 2 --topic launcher_click
查看一下该topic:
bin/kafka-topics.sh --describe --zookeeper hxf:2181,cfg:2181,jqs:2181,jxf:2181,sxtb:2181 --topic launcher_click
2.2 安装Flume
1、下载解压
下载地址: https://flume.apache.org/download.html
注意进入下载地址页面,使用清华大学的那个地址,否则会很慢
wget http://apache.fayea.com/flume/1.7.0/apache-flume-1.7.0-bin.tar.gztar -xvf apache-flume-1.7.0-bin.tar.gz
2、修改配置文件
进入flume目录,修改conf/flume-env.sh
export JAVA_HOME=/data/install/jdkexport JAVA_OPTS="-Xms1000m -Xmx2000m -Dcom.sun.management.jmxremote"
添加配置文件:conf/flume_launcherclick.conf
# logser可以看做是flume服务的名称,每个flume都由sources、channels和sinks三部分组成# sources可以看做是数据源头、channels是中间转存的渠道、sinks是数据后面的去向logser.sources = src_launcherclicklogser.sinks = kfk_launcherclicklogser.channels = ch_launcherclick# source# 源头类型是TAILDIR,就可以实时监控以追加形式写入文件的日志logser.sources.src_launcherclick.type = TAILDIR# positionFile记录所有监控的文件信息logser.sources.src_launcherclick.positionFile = /data/install/flume/position/launcherclick/taildir_position.json# 监控的文件组logser.sources.src_launcherclick.filegroups = f1# 文件组包含的具体文件,也就是我们监控的文件logser.sources.src_launcherclick.filegroups.f1 = /data/launcher/stat_app/.*# interceptor# 写kafka的topic即可logser.sources.src_launcherclick.interceptors = i1 i2logser.sources.src_launcherclick.interceptors.i1.type=staticlogser.sources.src_launcherclick.interceptors.i1.key = typelogser.sources.src_launcherclick.interceptors.i1.value = launcher_clicklogser.sources.src_launcherclick.interceptors.i2.type=staticlogser.sources.src_launcherclick.interceptors.i2.key = topiclogser.sources.src_launcherclick.interceptors.i2.value = launcher_click# channellogser.channels.ch_launcherclick.type = memorylogser.channels.ch_launcherclick.capacity = 10000logser.channels.ch_launcherclick.transactionCapacity = 1000# kfk sink# 指定sink类型是Kafka,说明日志最后要发送到Kafkalogser.sinks.kfk_launcherclick.type = org.apache.flume.sink.kafka.KafkaSink# Kafka brokerlogser.sinks.kfk_launcherclick.brokerList = 10.0.0.80:9092,10.0.0.140:9092# Bind the source and sink to the channellogser.sources.src_launcherclick.channels = ch_launcherclicklogser.sinks.kfk_launcherclick.channel = ch_launcherclick
3、启动
nohup bin/flume-ng agent --conf conf/ --conf-file conf/flume_launcherclick.conf --name logser -Dflume.root.logger=INFO,console >> logs/flume_launcherclick.log &
此时Kafka和Flume都已经启动了,从配置可以看到Flume的监控文件是/data/launcher/stat_app/.*,所以只要该目录下文件内容有增加就会发送到Kafka,大家可以自己追加一些测试日志到这个目录的文件下,然后开一个Kafka Consumer看一下Kafka是否接收到消息,这里我们完成SparkStreaming以后再看测试结果
2.3 SparkStreaming编程
SparkStreaming是Spark用来处理实时流的,能够实时到秒级,我们这里不需要这么实时,是每分钟执行一次日志分析程序,主要代码如下:
def main(args: Array[String]) { Logger.getLogger("org.apache.spark").setLevel(Level.WARN) System.setProperty("spark.serializer", "org.apache.spark.serializer.KryoSerializer") val sparkConf = new SparkConf().setAppName("LauncherStreaming") //每60秒一个批次 val ssc = new StreamingContext(sparkConf, Seconds(60)) // 从Kafka中读取数据 val kafkaStream = KafkaUtils.createStream( ssc, "hxf:2181,cfg:2181,jqs:2181,jxf:2181,sxtb:2181", // Kafka集群使用的zookeeper "launcher-streaming", // 该消费者使用的group.id Map[String, Int]("launcher_click" -> 0, "launcher_click" -> 1), // 日志在Kafka中的topic及其分区 StorageLevel.MEMORY_AND_DISK_SER).map(_._2) // 获取日志内容 kafkaStream.foreachRDD((rdd: RDD[String], time: Time) => { val result = rdd.map(log => parseLog(log)) // 分析处理原始日志 .filter(t => StringUtils.isNotBlank(t._1) && StringUtils.isNotBlank(t._2)) // 存入hdfs result.saveAsHadoopFile(HDFS_DIR, classOf[String], classOf[String], classOf[LauncherMultipleTextOutputFormat[String, String]]) }) ssc.start() // 等待实时流 ssc.awaitTermination() }
篇目有限,完整代码访问我的github:https://github.com/Trigl/SparkLearning/blob/master/src/main/scala/com/trigl/spark/streaming/LauncherStreaming.scala
然后打包上传到master运行:
nohup /data/install/spark-2.0.0-bin-hadoop2.7/bin/spark-submit --master spark://hxf:7077 --executor-memory 1G --total-executor-cores 4 --class com.analysis.main.LauncherStreaming --jars /home/hadoop/jar/kafka-clients-0.10.0.0.jar,/home/hadoop/jar/metrics-core-2.2.0.jar,/home/hadoop/jar/zkclient-0.3.jar,/home/hadoop/jar/spark-streaming-kafka-0-8_2.11-2.0.0.jar,/home/hadoop/jar/kafka_2.11-0.8.2.1.jar /home/hadoop/jar/SparkLearning.jar >> /home/hadoop/logs/LauncherDM.log &
然后开始测试,往Flume监控目录/data/launcher/stat_app/.*写日志,原始日志内容类似下面这样:
118.120.102.3|1495608541.238|UEsDBBQACAgIACB2uEoAAAAAAAAAAAAAAAABAAAAMGWUbW7bMAyGb6NfnUFRFEWhJ+gBdgBZVjpjjp04brMAO*yY2DKa9Y+B1+DnQ1LCztoITgK4wPGHfNUhmKGUPOn3DyP*zdOxSWM3T33XXMqy9OP7xXTZiTC1xlL0HgMEi+BfHoooBEGKr3fPpYy5jMse4Xzupus4TKkrs4kZOhI51CgWWKxsUQBRPMDr1*w5Hcuc0LiUEFBwdXQxAARXHb3+QXlOfzya0uZWOGwlEwBDwLD5oJBVFHsEEPF2U0EUToyr8k4tg9v8AkRrIcKmxGsU2eqQIM45dKuKFICo5oveEqOjh2JAIITImyIJqBk3JS4qh7Wby*TroxnL9ZKHXrsyWeBQoMXaEgXUKh6mOQ1l7NLc*Hwz8aDpAtndLFJEetkVc6S9V*bg+RFiKMvnTv6ahuGUTmWexqEfi3Elezx0botJrCCQn5jfCzWaqaUOqNpFYO23ckYl5GOlx4rLQuUllh27SsjZyLQTUn4K+3uVczlOi+7uuMzTYLoibeIspk71DtKuJC+7T5qXPg9lLddaZs6+Lolnj7ANW0dBGKOn72m3cbQJI2Kq4*C6Xhz9E5Pzeeg*i2l1IAJtpReILNq6DY4peFjHeO5vffPZd2UyejEJ28Puo0sI*2*5ojvhfNcquWomFMVp02Pz++M6Nach3e6XR5wOlrdSg4T7RkgtQAuC6HYl2sc62i6dUq*om+HWjvdHAPSk8hYkegHraxC8PwPons73XZeozDfXmaRzzzaD2XI4fX0QX*8BUEsHCKeftc48AgAAmQQAAA==
查看HDFS的对应目录是否有内容:
HDFS存储的分析后的日志内容如下:
99000945863664;864698037273329|119.176.140.248|1495594615129|2017-05-24 10:56:55|xiaomi|redmi4x|com.jingdong.app.mall&0ae359b6&1495534579412&1;com.autonavi.minimap&279f562f&1495534597934,1495534616627&2;com.android.contacts&91586932&1495538267103,1495540527138,1495576834653,1495583404117,1495591231535&5
SparkStreaming任务状态如下:
可以看到的确是每分钟执行一次
Refer
http://blog.xiaoxiaomo.com/2016/05/22/Flume-%E9%9B%86%E7%BE%A4%E5%8F%8A%E9%A1%B9%E7%9B%AE%E5%AE%9E%E6%88%98/
http://lxw1234.com/archives/2015/11/552.htm
- 使用Flume+Kafka+SparkStreaming进行实时日志分析
- 使用Flume+Kafka+SparkStreaming进行实时日志分析
- flume + kafka + sparkStreaming + HDFS 构建实时日志分析系统
- flume + kafka + sparkStreaming + HDFS 构建实时日志分析系统
- Flume+Kafka+Sparkstreaming日志分析
- 使用Flume+Logstash+Kafka+Spark Streaming进行实时日志处理分析【公安大数据】
- Flume+Kafka+SparkStreaming整合
- Flume+Kafka+SparkStreaming整合
- Flume + Kafka + SparkStreaming(2.0)
- 实时日志流系统(kafka-flume-hdfs)
- flume实时收集日志到kafka
- flume-kafka整合--实时日志采集
- Flume读取日志数据并写入到Kafka,ConsoleConsumer进行实时消费
- 基于Flume+Kafka+ Elasticsearch+Storm的海量日志实时分析平台
- Spark学习1_【Spark六十一】Spark Streaming组合Flume、Kafka进行日志分析
- Flume+Elasticsearch搭建实时日志分析系统
- Flume+Elasticsearch搭建实时日志分析系统
- Flume+Kafka+Storm的实时日志统计
- Web Api 的 路由机制
- 组件模式
- SpringBoot的DeferredResult实例:二、另一个请求控制请求的返回时机
- 完美解决IE兼容模式问题
- day78_babasport第四天
- 使用Flume+Kafka+SparkStreaming进行实时日志分析
- oracle ogg formatascci字段出现null问题
- Sqlite入门基础1
- Tensorflow-报错解决方案
- 为什么系统的block,AFN网络请求的block内使用self不会造成循环引用?
- IOC 在Mvc中的使用
- (40):谨慎设计方法签名
- 蓝桥杯:2n皇后问题
- C++:堆和栈的区别