個人觀點:大數據我們都知道hadoop,但並不都是hadoop.我們該如何構建大數據庫項目。對於離線處理,hadoop還是比較適合的,但是對於實時性比較強的,數據量比較大的,我們可以採用Storm,那麼Storm和什麼技術搭配,才能夠做一個適合自己的項目。下面給大家可以參考。可以帶着下面問題來閱讀本文章:
1.一個好的項目架構應該具備什麼特點?
2.本項目架構是如何保證數據準確性的?
3.什麼是Kafka?
4.flume+kafka如何整合?5.使用什麼腳本可以查看flume有沒有往Kafka傳輸數據做軟件開發的都知道模塊化思想,這樣設計的原因有兩方面:一方面是可以模塊化,功能劃分更加清晰,從“數據採集--數據接入--流失計算--數據輸出/存儲”
1).數據採集
負責從各節點上實時採集數據,選用cloudera的flume來實現
2).數據接入
由於採集數據的速度和數據處理的速度不一定同步,因此添加一個消息中間件來作爲緩衝,選用apache的kafka
3).流式計算
對採集到的數據進行實時分析,選用apache的storm
4).數據輸出
對分析後的結果持久化,暫定用mysql
另一方面是模塊化之後,假如當Storm掛掉了之後,數據採集和數據接入還是繼續在跑着,數據不會丟失,storm起來之後可以繼續進行流式計算;
那麼接下來我們來看下整體的架構圖
詳細介紹各個組件及安裝配置:
操作系統:ubuntu
Flume
Flume是Cloudera提供的一個分佈式、可靠、和高可用的海量日誌採集、聚合和傳輸的日誌收集系統,支持在日誌系統中定製各類數據發送方,用於收集數據;同時,Flume提供對數據進行簡單處理,並寫到各種數據接受方(可定製)的能力。
下圖爲flume典型的體系結構:
Flume數據源以及輸出方式:
Flume提供了從console(控制檯)、RPC(Thrift-RPC)、text(文件)、tail(UNIX tail)、syslog(syslog日誌系統,支持TCP和UDP等2種模式),exec(命令執行)等數據源上收集數據的能力,在我們的系統中目前使用exec方式進行日誌採集。
Flume的數據接受方,可以是console(控制檯)、text(文件)、dfs(HDFS文件)、RPC(Thrift-RPC)和syslogTCP(TCP syslog日誌系統)等。在我們系統中由kafka來接收。
Flume下載及文檔:
http://flume.apache.org/
Flume安裝:
-
$tar zxvf apache-flume-1.4.0-bin.tar.gz/usr/local
複製代碼
Flume啓動命令:
-
$bin/flume-ng agent --conf conf --conf-file conf/flume-conf.properties --name producer -Dflume.root.logger=INFO,console
複製代碼
Kafka
kafka是一種高吞吐量的分佈式發佈訂閱消息系統,她有如下特性:
-
通過O(1)的磁盤數據結構提供消息的持久化,這種結構對於即使數以TB的消息存儲也能夠保持長時間的穩定性能。
-
高吞吐量:即使是非常普通的硬件kafka也可以支持每秒數十萬的消息。
-
支持通過kafka服務器和消費機集羣來分區消息。
-
支持Hadoop並行數據加載。
kafka的目的是提供一個發佈訂閱解決方案,它可以處理消費者規模的網站中的所有動作流數據。 這種動作(網頁瀏覽,搜索和其他用戶的行動)是在現代網絡上的許多社會功能的一個關鍵因素。 這些數據通常是由於吞吐量的要求而通過處理日誌和日誌聚合來解決。 對於像Hadoop的一樣的日誌數據和離線分析系統,但又要求實時處理的限制,這是一個可行的解決方案。kafka的目的是通過Hadoop的並行加載機制來統一線上和離線的消息處理,也是爲了通過集羣機來提供實時的消費。
kafka分佈式訂閱架構如下圖:--取自Kafka官網
羅寶兄弟文章上的架構圖是這樣的
其實兩者沒有太大區別,官網的架構圖只是把Kafka簡潔的表示成一個Kafka Cluster,而上面架構圖就相對詳細一些;
Kafka版本:0.8.0
Kafka安裝:
-
> tar xzf kafka-<VERSION>.tgz
-
> cd kafka-<VERSION>
-
> ./sbt update
-
> ./sbt package
-
> ./sbt assembly-package-dependency
複製代碼
啓動及測試命令:
(1) start server
-
> bin/zookeeper-server-start.shconfig/zookeeper.properties
-
> bin/kafka-server-start.shconfig/server.properties
複製代碼
這裏是官網上的教程,kafka本身有內置zookeeper,但是我自己在實際部署中是使用單獨的zookeeper集羣,所以第一行命令我就沒執行,這裏只是些出來給大家看下。
配置獨立的zookeeper集羣需要配置server.properties文件,講zookeeper.connect修改爲獨立集羣的IP和端口
-
zookeeper.connect=nutch1:2181
複製代碼
(2)Create a topic
-
> bin/kafka-create-topic.sh --zookeeper localhost:2181 --replica 1 --partition 1 --topic test
-
> bin/kafka-list-topic.sh --zookeeperlocalhost:2181
複製代碼
(3)Send some messages
-
> bin/kafka-console-producer.sh--broker-list localhost:9092 --topic test
複製代碼
(4)Start a consumer
-
> bin/kafka-console-consumer.sh--zookeeper localhost:2181 --topic test --from-beginning
複製代碼
kafka-console-producer.sh和kafka-console-cousumer.sh只是系統提供的命令行工具。這裏啓動是爲了測試是否能正常生產消費;驗證流程正確性
在實際開發中還是要自行開發自己的生產者與消費者;
Storm
Twitter將Storm正式開源了,這是一個分佈式的、容錯的實時計算系統,它被託管在GitHub上,遵循 Eclipse Public License 1.0。Storm是由BackType開發的實時處理系統,BackType現在已在Twitter麾下。GitHub上的最新版本是Storm 0.5.2,基本是用Clojure寫的。
Storm的主要特點如下:
-
簡單的編程模型。類似於MapReduce降低了並行批處理複雜性,Storm降低了進行實時處理的複雜性。
-
可以使用各種編程語言。你可以在Storm之上使用各種編程語言。默認支持Clojure、Java、Ruby和Python。要增加對其他語言的支持,只需實現一個簡單的Storm通信協議即可。
-
容錯性。Storm會管理工作進程和節點的故障。
-
水平擴展。計算是在多個線程、進程和服務器之間並行進行的。
-
可靠的消息處理。Storm保證每個消息至少能得到一次完整處理。任務失敗時,它會負責從消息源重試消息。
-
快速。系統的設計保證了消息能得到快速的處理,使用ØMQ作爲其底層消息隊列。(0.9.0.1版本支持ØMQ和netty兩種模式)
-
本地模式。Storm有一個“本地模式”,可以在處理過程中完全模擬Storm集羣。這讓你可以快速進行開發和單元測試。
接下來重頭戲開始拉!那就是框架之間的整合啦
flume和kafka整合
2.提取插件中的flume-conf.properties文件
修改該文件:#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的值改爲test
將改後的配置文件放進flume/conf目錄下
在該項目中提取以下jar包放入環境中flume的lib下:
注:這裏的flumeng-kafka-plugin.jar這個包,後面在github項目中已經移動到package目錄了。找不到的童鞋可以到package目錄獲取。
完成上面的步驟之後,我們來測試下flume+kafka這個流程有沒有走通;
我們先啓動flume,然後再啓動kafka,啓動步驟按之前的步驟執行;接下來我們使用kafka的kafka-console-consumer.sh腳本查看是否有flume有沒有往Kafka傳輸數據;
以上這個是我的test.log文件通過flume抓取傳到kafka的數據;說明我們的flume和kafka流程走通了;
大家還記得剛開始我們的流程圖麼,其中有一步是通過flume到kafka,還有一步是到hdfs的;而我們這邊還沒有提到如何存入kafka且同時存如hdfs;
怎麼設置同步複製呢,看下面的配置:
-
#2個channel和2個sink的配置文件 這裏我們可以設置兩個sink,一個是kafka的,一個是hdfs的;
-
a1.sources = r1
-
a1.sinks = k1 k2
-
a1.channels = c1 c2
複製代碼
具體配置大夥根據自己的需求去設置,這裏就不具體舉例了
kafka和storm的整合
2.使用maven package進行編譯,得到storm-kafka-0.8-plus-0.3.0-SNAPSHOT.jar包 --有轉載的童鞋注意下,這裏的包名之前寫錯了,現在改正確了!不好意思!
3.將該jar包及kafka_2.9.2-0.8.0-beta1.jar、metrics-core-2.2.0.jar、scala-library-2.9.2.jar (這三個jar包在kafka項目中能找到)
備註:如果開發的項目需要其他jar,記得也要放進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
那麼接下來我們把storm也重啓下;
完成以上步驟之後,我們還有一件事情要做,就是使用kafka-storm0.8插件,寫一個自己的Storm程序;
先稍微看下程序的創建Topology代碼
數據操作主要在WordCounter類中,這裏只是使用簡單JDBC進行插入處理
這裏只需要輸入一個參數作爲Topology名稱就可以了!我們這裏使用本地模式,所以不輸入參數,直接看流程是否走通;
-
storm-0.9.0.1/bin/storm jar storm-start-demo-0.0.1-SNAPSHOT.jar com.storm.topology.MyTopology
複製代碼
先看下日誌,這裏打印出來了往數據庫裏面插入數據了
然後我們查看下數據庫;插入成功了!
到這裏我們的整個整合就完成了!
但是這裏還有一個問題,不知道大夥有沒有發現。
由於我們使用storm進行分佈式流式計算,那麼分佈式最需要注意的是數據一致性以及避免髒數據的產生;所以我提供的測試項目只能用於測試,正式開發不能這樣處理;
晨色星空J2EE(一個網名)給的建議是建立一個zookeeper的分佈式全局鎖,保證數據一致性,避免髒數據錄入!
zookeeper客戶端框架大夥可以使用Netflix Curator來完成,由於這塊我還沒去看,所以只能寫到這裏了!
http://blog.csdn.net/weijonathan/article/details/18301321