利用Flume将MySQL表数据准实时抽取到HDFS

桀昊j

一、为什么要用到Flume
　　在以前搭建HAWQ数据仓库实验环境时，我使用Sqoop抽取从MySQL数据库增量抽取数据到HDFS，然后用HAWQ的外部表进行访问。这种方式只需要很少量的配置即可完成数据抽取任务，但缺点同样明显，那就是实时性。Sqoop使用MapReduce读写数据，而MapReduce是为了批处理场景设计的，目标是大吞吐量，并不太关心低延时问题。就像实验中所做的，每天定时增量抽取数据一次。
　　Flume是一个海量日志采集、聚合和传输的系统，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的能力。Flume以流方式处理数据，可作为代理持续运行。当新的数据可用时，Flume能够立即获取数据并输出至目标，这样就可以在很大程度上解决实时性问题。
　　Flume是最初只是一个日志收集器，但随着flume-ng-sql-source插件的出现，使得Flume从关系数据库采集数据成为可能。下面简单介绍Flume，并详细说明如何配置Flume将MySQL表数据准实时抽取到HDFS。
二、Flume简介
1. Flume的概念
　　Flume是分布式的日志收集系统，它将各个服务器中的数据收集起来并送到指定的地方去，比如说送到HDFS，简单来说flume就是收集日志的，其架构如图1所示。

　　图1
2. Event的概念
　　在这里有必要先介绍一下Flume中event的相关概念：Flume的核心是把数据从数据源（source）收集过来，在将收集到的数据送到指定的目的地（sink）。为了保证输送的过程一定成功，在送到目的地（sink）之前，会先缓存数据（channel）,待数据真正到达目的地（sink）后，Flume再删除自己缓存的数据。
　　在整个数据的传输的过程中，流动的是event，即事务保证是在event级别进行的。那么什么是event呢？Event将传输的数据进行封装，是Flume传输数据的基本单位，如果是文本文件，通常是一行记录。Event也是事务的基本单位。Event从source，流向channel，再到sink，本身为一个字节数组，并可携带headers（头信息）信息。Event代表着一个数据的最小完整单元，从外部数据源来，向外部的目的地去。
3. Flume架构介绍
　　Flume之所以这么神奇，是源于它自身的一个设计，这个设计就是agent。Agent本身是一个Java进程，运行在日志收集节点——所谓日志收集节点就是服务器节点。 Agent里面包含3个核心的组件：source、channel和sink，类似生产者、仓库、消费者的架构。

• 　　Source：source组件是专门用来收集数据的，可以处理各种类型、各种格式的日志数据,包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、自定义。
  
• 　　Channel：source组件把数据收集来以后，临时存放在channel中，即channel组件在agent中是专门用来存放临时数据的——对采集到的数据进行简单的缓存，可以存放在memory、jdbc、file等等。
  
• 　　Sink：sink组件是用于把数据发送到目的地的组件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、Hbase、solr、自定义。
  

4. Flume的运行机制
　　Flume的核心就是一个agent，这个agent对外有两个进行交互的地方，一个是接受数据输入的source，一个是数据输出的sink，sink负责将数据发送到外部指定的目的地。source接收到数据之后，将数据发送给channel，chanel作为一个数据缓冲区会临时存放这些数据，随后sink会将channel中的数据发送到指定的地方，例如HDFS等。注意：只有在sink将channel中的数据成功发送出去之后，channel才会将临时数据进行删除，这种机制保证了数据传输的可靠性与安全性。
三、安装Hadoop和Flume
　　我的实验在HDP 2.5.0上进行，HDP安装中包含Flume，只要配置Flume服务即可。HDP的安装步骤参见“HAWQ技术解析（二） —— 安装部署”
四、配置与测试
1. 建立MySQL数据库表
　　建立测试表并添加数据。
　　[sql] view plain copy

• 　　use test;
  
• 
  
• 　　create table  wlslog
  
• 　　(id         int not null,
  
• 　　time_stamp varchar(40),
  
• 　　category   varchar(40),
  
• 　　type       varchar(40),
  
• 　　servername varchar(40),
  
• 　　code       varchar(40),
  
• 　　msg        varchar(40),
  
• 　　primary key ( id )
  
• 　　);
  
• 
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(1,'apr-8-2014-7:06:16-pm-pdt','notice','weblogicserver','adminserver','bea-000365','server state changed to standby');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(2,'apr-8-2014-7:06:17-pm-pdt','notice','weblogicserver','adminserver','bea-000365','server state changed to starting');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(3,'apr-8-2014-7:06:18-pm-pdt','notice','weblogicserver','adminserver','bea-000365','server state changed to admin');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(4,'apr-8-2014-7:06:19-pm-pdt','notice','weblogicserver','adminserver','bea-000365','server state changed to resuming');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(5,'apr-8-2014-7:06:20-pm-pdt','notice','weblogicserver','adminserver','bea-000361','started weblogic adminserver');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(6,'apr-8-2014-7:06:21-pm-pdt','notice','weblogicserver','adminserver','bea-000365','server state changed to running');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(7,'apr-8-2014-7:06:22-pm-pdt','notice','weblogicserver','adminserver','bea-000360','server started in running mode');
  
• 　　commit;
  

2. 建立相关目录与文件
　　（1）创建本地状态文件
　　[plain] view plain copy

• 　　mkdir -p /var/lib/flume
  
• 　　cd /var/lib/flume
  
• 　　touch sql-source.status
  
• 　　chmod -R 777 /var/lib/flume
  

　　（2）建立HDFS目标目录
　　[plain] view plain copy

• 　　hdfs dfs -mkdir -p /flume/mysql
  
• 　　hdfs dfs -chmod -R 777 /flume/mysql
  

3. 准备JAR包
　　从http://book2s.com/java/jar/f/flume-ng-sql-source/download-flume-ng-sql-source-1.3.7.html下载flume-ng-sql-source-1.3.7.jar文件，并复制到Flume库目录。
　　[plain] view plain copy

• 　　cp flume-ng-sql-source-1.3.7.jar /usr/hdp/current/flume-server/lib/
  

　　将MySQL JDBC驱动JAR包也复制到Flume库目录。
　　[plain] view plain copy

• 　　cp mysql-connector-java-5.1.17.jar /usr/hdp/current/flume-server/lib/mysql-connector-java.jar
  

4. 建立HAWQ外部表
　　[sql] view plain copy

• 　　create external table ext_wlslog
  
• 　　(id         int,
  
• 　　time_stamp varchar(40),
  
• 　　category   varchar(40),
  
• 　　type       varchar(40),
  
• 　　servername varchar(40),
  
• 　　code       varchar(40),
  
• 　　msg        varchar(40)
  
• 　　) location ('pxf://mycluster/flume/mysql?profile=hdfstextmulti') format 'csv' (quote=e'"');
  

5. 配置Flume
　　在Ambari -> Flume -> Configs -> flume.conf中配置如下属性：
　　[plain] view plain copy

• 　　agent.channels.ch1.type = memory
  
• 　　agent.sources.sql-source.channels = ch1
  
• 　　agent.channels = ch1
  
• 　　agent.sinks = HDFS
  
• 
  
• 　　agent.sources = sql-source
  
• 　　agent.sources.sql-source.type = org.keedio.flume.source.SQLSource
  
• 
  
• 　　agent.sources.sql-source.connection.url = jdbc:mysql://172.16.1.127:3306/test
  
• 　　agent.sources.sql-source.user = root
  
• 　　agent.sources.sql-source.password = 123456
  
• 　　agent.sources.sql-source.table = wlslog
  
• 　　agent.sources.sql-source.columns.to.select = *
  
• 
  
• 　　agent.sources.sql-source.incremental.column.name = id
  
• 　　agent.sources.sql-source.incremental.value = 0
  
• 
  
• 　　agent.sources.sql-source.run.query.delay=5000
  
• 
  
• 　　agent.sources.sql-source.status.file.path = /var/lib/flume
  
• 　　agent.sources.sql-source.status.file.name = sql-source.status
  
• 
  
• 　　agent.sinks.HDFS.channel = ch1
  
• 　　agent.sinks.HDFS.type = hdfs
  
• 　　agent.sinks.HDFS.hdfs.path = hdfs://mycluster/flume/mysql
  
• 　　agent.sinks.HDFS.hdfs.fileType = DataStream
  
• 　　agent.sinks.HDFS.hdfs.writeFormat = Text
  
• 　　agent.sinks.HDFS.hdfs.rollSize = 268435456
  
• 　　agent.sinks.HDFS.hdfs.rollInterval = 0
  
• 　　agent.sinks.HDFS.hdfs.rollCount = 0
  

　　Flume在flume.conf文件中指定Source、Channel和Sink相关的配置，各属性描述如表1所示。
　　属性
　　描述
　　agent.channels.ch1.type
　　Agent的channel类型
　　agent.sources.sql-source.channels
　　Source对应的channel名称
　　agent.channels
　　Channel名称
　　agent.sinks
　　Sink名称
　　agent.sources
　　Source名称
　　agent.sources.sql-source.type
　　Source类型
　　agent.sources.sql-source.connection.url
　　数据库URL
　　agent.sources.sql-source.user
　　数据库用户名
　　agent.sources.sql-source.password
　　数据库密码
　　agent.sources.sql-source.table
　　数据库表名
　　agent.sources.sql-source.columns.to.select
　　查询的列
　　agent.sources.sql-source.incremental.column.name
　　增量列名
　　agent.sources.sql-source.incremental.value
　　增量初始值
　　agent.sources.sql-source.run.query.delay
　　发起查询的时间间隔，单位是毫秒
　　agent.sources.sql-source.status.file.path
　　状态文件路径
　　agent.sources.sql-source.status.file.name
　　状态文件名称
　　agent.sinks.HDFS.channel
　　Sink对应的channel名称
　　agent.sinks.HDFS.type
　　Sink类型
　　agent.sinks.HDFS.hdfs.path
　　Sink路径
　　agent.sinks.HDFS.hdfs.fileType
　　流数据的文件类型
　　agent.sinks.HDFS.hdfs.writeFormat
　　数据写入格式
　　agent.sinks.HDFS.hdfs.rollSize
　　目标文件轮转大小，单位是字节
　　agent.sinks.HDFS.hdfs.rollInterval
　　hdfs sink间隔多长将临时文件滚动成最终目标文件，单位是秒；如果设置成0，则表示不根据时间来滚动文件
　　agent.sinks.HDFS.hdfs.rollCount
　　当events数据达到该数量时候，将临时文件滚动成目标文件；如果设置成0，则表示不根据events数据来滚动文件
　　表1
6. 运行Flume代理
　　保存上一步的设置，然后重启Flume服务，如图2所示。

　　图2
　　重启后，状态文件已经记录了将最新的id值7，如图3所示。

　　图3
　　查看目标路径，生成了一个临时文件，其中有7条记录，如图4所示。

　　图4
　　查询HAWQ外部表，结果也有全部7条数据，如图5所示。

　　图5
　　至此，初始数据抽取已经完成。
7. 测试准实时增量抽取
　　在源表中新增id为8、9、10的三条记录。
　　[sql] view plain copy

• 　　use test;
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(8,'apr-8-2014-7:06:22-pm-pdt','notice','weblogicserver','adminserver','bea-000360','server started in running mode');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(9,'apr-8-2014-7:06:22-pm-pdt','notice','weblogicserver','adminserver','bea-000360','server started in running mode');
  
• 　　insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(10,'apr-8-2014-7:06:22-pm-pdt','notice','weblogicserver','adminserver','bea-000360','server started in running mode');
  
• 　　commit;
  

　　5秒之后查询HAWQ外部表，从图6可以看到，已经查询出全部10条数据，准实时增量抽取成功。

　　图6
五、方案优缺点
　　利用Flume采集关系数据库表数据最大的优点是配置简单，不用编程。相比tungsten-replicator的复杂性，Flume只要在flume.conf文件中配置source、channel及sink的相关属性，已经没什么难度了。而与现在很火的canal比较，虽然不够灵活，但毕竟一行代码也不用写。再有该方案采用普通SQL轮询的方式实现，具有通用性，适用于所有关系库数据源。
　　这种方案的缺点与其优点一样突出，主要体现在以下几方面。

• 　　在源库上执行了查询，具有***性。
  
• 　　通过轮询的方式实现增量，只能做到准实时，而且轮询间隔越短，对源库的影响越大。
  
• 　　只能识别新增数据，检测不到删除与更新。
  
• 　　要求源库必须有用于表示增量的字段。
  

　　即便有诸多局限，但用Flume抽取关系库数据的方案还是有一定的价值，特别是在要求快速部署、简化编程，又能满足需求的应用场景，对传统的Sqoop方式也不失为一种有效的补充。
参考：
　　Flume架构以及应用介绍
　　Streaming MySQL Database Table Data to HDFS with Flume
　　how to read data from oracle using FLUME to kafka broker
　　https://github.com/keedio/flume-ng-sql-source