基于Flume+Kafka+Spark-Streaming的实时流式处理过程是怎样的
这篇文章给大家介绍 基于Flume+Kafka+Spark-Streaming的实时流式处理过程是怎样的，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
创新互联公司专业为企业提供阿合奇网站建设、阿合奇做网站、阿合奇网站设计、阿合奇网站制作等企业网站建设、网页设计与制作、阿合奇企业网站模板建站服务，10年阿合奇做网站经验，不只是建网站，更提供有价值的思路和整体网络服务。
基于Flume+Kafka+Spark-Streaming的实时流式处理完整流程
1、环境准备，四台测试服务器
spark集群三台，spark1,spark2,spark3
kafka集群三台，spark1,spark2,spark3
zookeeper集群三台，spark1,spark2,spark3
日志接收服务器， spark1
日志收集服务器，redis (这台机器用来做redis开发的，现在用来做日志收集的测试，主机名就不改了)
日志收集流程：
日志收集服务器->日志接收服务器->kafka集群->spark集群处理
说明： 日志收集服务器，在实际生产中很有可能是应用系统服务器，日志接收服务器为大数据服务器中一台，日志通过网络传输到日志接收服务器，再入集群处理。
因为，生产环境中，往往网络只是单向开放给某台服务器的某个端口访问的。
Flume版本： apache-flume-1.5.0-cdh6.4.9 ，该版本已经较好地集成了对kafka的支持
2、日志收集服务器（汇总端）
配置flume动态收集特定的日志，collect.conf 配置如下：
# Name the components on this agent a1.sources = tailsource-1 a1.sinks = remotesink a1.channels = memoryChnanel-1 # Describe/configure the source a1.sources.tailsource-1.type = exec a1.sources.tailsource-1.command = tail -F /opt/modules/tmpdata/logs/1.log a1.sources.tailsource-1.channels = memoryChnanel-1 # Describe the sink a1.sinks.k1.type = logger # Use a channel which buffers events in memory a1.channels.memoryChnanel-1.type = memory a1.channels.memoryChnanel-1.keep-alive = 10 a1.channels.memoryChnanel-1.capacity = 100000 a1.channels.memoryChnanel-1.transactionCapacity = 100000 # Bind the source and sink to the channel a1.sinks.remotesink.type = avro a1.sinks.remotesink.hostname = spark1 a1.sinks.remotesink.port = 666 a1.sinks.remotesink.channel = memoryChnanel-1
日志实时监控日志后，通过网络avro类型，传输到spark1服务器的666端口上
启动日志收集端脚本：
bin/flume-ng agent --conf conf --conf-file conf/collect.conf --name a1 -Dflume.root.logger=INFO,console
3、日志接收服务器
配置flume实时接收日志，collect.conf 配置如下：
#agent section producer.sources = s producer.channels = c producer.sinks = r #source section producer.sources.s.type = avro producer.sources.s.bind = spark1 producer.sources.s.port = 666 producer.sources.s.channels = c # Each sink's type must be defined producer.sinks.r.type = org.apache.flume.sink.kafka.KafkaSink producer.sinks.r.topic = mytopic producer.sinks.r.brokerList = spark1:9092,spark2:9092,spark3:9092 producer.sinks.r.requiredAcks = 1 producer.sinks.r.batchSize = 20 producer.sinks.r.channel = c1 #Specify the channel the sink should use producer.sinks.r.channel = c # Each channel's type is defined. producer.channels.c.type = org.apache.flume.channel.kafka.KafkaChannel producer.channels.c.capacity = 10000 producer.channels.c.transactionCapacity = 1000 producer.channels.c.brokerList=spark1:9092,spark2:9092,spark3:9092 producer.channels.c.topic=channel1 producer.channels.c.zookeeperConnect=spark1:2181,spark2:2181,spark3:2181
关键是指定如源为接收网络端口的666来的数据，并输入kafka的集群，需配置好topic及zk的地址
启动接收端脚本：
bin/flume-ng agent --conf conf --conf-file conf/receive.conf --name producer -Dflume.root.logger=INFO,console
4、spark集群处理接收数据
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.Seconds
import org.apache.spark.streaming.StreamingContext
import kafka.serializer.StringDecoder
import scala.collection.immutable.HashMap
import org.apache.log4j.Level
import org.apache.log4j.Logger
/**
* @author Administrator
*/
object KafkaDataTest {
def main(args: Array[String]): Unit = {
Logger.getLogger("org.apache.spark").setLevel(Level.WARN);
Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.ERROR);
val conf = new SparkConf().setAppName("stocker").setMaster("local[2]")
val sc = new SparkContext(conf)
val ssc = new StreamingContext(sc, Seconds(1))
// Kafka configurations
val topics = Set("mytopic")
val brokers = "spark1:9092,spark2:9092,spark3:9092"
val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")
// Create a direct stream
val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
val urlClickLogPairsDStream = kafkaStream.flatMap(_._2.split(" ")).map((_, 1))
val urlClickCountDaysDStream = urlClickLogPairsDStream.reduceByKeyAndWindow(
(v1: Int, v2: Int) => {
v1 + v2
},
Seconds(60),
Seconds(5));
urlClickCountDaysDStream.print();
ssc.start()
ssc.awaitTermination()
}
}
spark-streaming接收到kafka集群后的数据，每5s计算60s内的wordcount值
5、测试结果
往日志中依次追加三次日志
spark-streaming处理结果如下：
(hive,1)
(spark,2)
(hadoop,2)
(storm,1)
---------------------------------------
(hive,1)
(spark,3)
(hadoop,3)
(storm,1)
---------------------------------------
(hive,2)
(spark,5)
(hadoop,5)
(storm,2)
与预期一样，充分体现了spark-streaming滑动窗口的特性
关于 基于Flume+Kafka+Spark-Streaming的实时流式处理过程是怎样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
文章名称：基于Flume+Kafka+Spark-Streaming的实时流式处理过程是怎样的
链接地址：http://mswzjz.cn/article/ggcpco.html