2.2. 采集案例

2.2.3. 采集目录到 HDFS

大数据-Flume采集目录到 HDFS_flume
需求
某服务器的某特定目录下，会不断产生新的文件，每当有新文件出现，就需要把文件采集到HDFS中去

思路
根据需求，首先定义以下3大要素

  1. 数据源组件，即source ——监控文件目录 : spooldir
    1.1. 监视一个目录，只要目录中出现新文件，就会采集文件中的内容
    1.2. 采集完成的文件，会被agent自动添加一个后缀：COMPLETED
    1.3. 所监视的目录中不允许重复出现相同文件名的文件
  2. 下沉组件，即sink——HDFS文件系统 : hdfs sink
  3. 通道组件，即channel——可用file channel 也可以用内存channel

Step 1: Flume 配置文件

cd /export/servers/apache-flume-1.8.0-bin/conf 
mkdir -p /export/servers/dirfile 
vim spooldir.conf

# Name the components on this agent 
a1.sources = r1 a1.sinks = k1 a1.channels = c1 
# Describe/configure the source 
##注意：不能往监控目中重复丢同名文件 
a1.sources.r1.type = spooldir 
a1.sources.r1.spoolDir = /export/servers/dirfile 
a1.sources.r1.fileHeader = true 
# Describe the sink 
a1.sinks.k1.type = hdfs 
a1.sinks.k1.channel = c1 
a1.sinks.k1.hdfs.path = hdfs://node01:8020/spooldir/files/%y-%m-%d/%H%M/ 
a1.sinks.k1.hdfs.filePrefix = events- 
a1.sinks.k1.hdfs.round = true 
a1.sinks.k1.hdfs.roundValue = 10 
a1.sinks.k1.hdfs.roundUnit = minute 
a1.sinks.k1.hdfs.rollInterval = 3 
a1.sinks.k1.hdfs.rollSize = 20 
a1.sinks.k1.hdfs.rollCount = 5 
a1.sinks.k1.hdfs.batchSize = 1 
a1.sinks.k1.hdfs.useLocalTimeStamp = true #生成的文件类型，默认是Sequencefile，可用DataStream，则为普通文本 
a1.sinks.k1.hdfs.fileType = DataStream 
# Use a channel which buffers events in memory 
a1.channels.c1.type = memory 
a1.channels.c1.capacity = 1000 
a1.channels.c1.transactionCapacity = 100 
# Bind the source and sink to the channel 
a1.sources.r1.channels = c1 
a1.sinks.k1.channel = c1

Channel参数解释

  1. capacity：默认该通道中最大的可以存储的event数量
  2. trasactionCapacity：每次最大可以从source中拿到或者送到sink中的event数量
  3. keep-alive：event添加到通道中或者移出的允许时间

Step 2: 启动 Flume

bin/flume-ng agent -c ./conf -f ./conf/spooldir.conf -n a1 -Dflume.root.logger=INFO **

Step 3: 上传文件到指定目录

将不同的文件上传到下面目录里面去，注意文件不能重名

cd /export/servers/dirfile