数仓项目补充
...大约 7 分钟
数仓项目补充
一、Kafka精准一次性消费
-- 1. 原理解析
在离线的数仓中，flume1 -> kafka -> flume2时，kafka会给数据加时间戳。而且这是时间戳默认为系统时间，数据写到hdfs时，
按照headers中的timestamp时间戳，进入到某一个文件夹中。
-- 2. 问题描述：
在实际开发中，当前一天23:59:58秒产生的数据，由于网络延迟的原因，数据采集到达kafka时，到了第二天，那么此时数据通过flume
采集到hdfs后，存储在第二天的文件夹中。
-- 3. 问题的验证：
1. 修改数据生成器jar包的properties文件，将时间修改为2020-08-21， 不修改虚拟机的系统时间
2. 开启采集通道：zk、hadoop集群、kafka、flume2、flume2
3. 去到hdfs文件系统中查看数据，发生生成的文件为今天：2020-07-26，而不是数据生成的时间。
--4 . 解决方法：
在flume2中，自定义拦截器，将数据的时间戳添加到event的header中的timestamp中，这样数据就会根据数据的时间戳去到指定的文件夹中，实现精准一次性消费。1.1 编写拦截器
-- 1. 编写拦截器的步骤：
1. 自定义类 implements Interceptor
2. 实现4个方法
初始化、关闭资源、单个event处理逻辑、 多个event的处理逻辑
3. 创建一个内部类，继承与Builder
重写2个方法
-- 2. 打包 -> 上传到flume/lib包下
-- 3. 编写flume的配置文件- 代码
package com.atguigu.realtime.utils;
import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.util.List;
/**
* @author lianzhipeng
* @Description
* @create 2020-07-25 18:42:09
*/
public class TimeInterceptor implements Interceptor {
/**
* configure配置的初始化
*/
@Override
public void initialize() {
}
/**
* 单个event的处理逻辑
* @param event
* @return
*/
@Override
public Event intercept(Event event) {
// 获取event的body数据
String body = event.getBody().toString();
// 将数据解成json对象
JSONObject json = JSON.parseObject(body);
// 获取key为ts的value值
String ts = json.getString("ts");
System.out.println(ts);
// 判断数据不能为空
if (ts != null){
// 将ts增加到header中，数据必须是timestamp
event.getHeaders().put("timestamp",ts);
}
// 返回event
return event;
}
/**
* 多个event的处理方式，内部调用单个event的处理逻辑
* @param events
* @return
*/
@Override
public List<Event> intercept(List<Event> events) {
for (Event event : events) {
intercept(event);
}
return events;
}
/**
* 资源的关闭
*/
@Override
public void close() {
}
/**
* 自定义内部类，实现Builder类，重写两个方法
*/
public static class MyBuilder implements Builder{
/**
* 返回自定义类的对象
* @return
*/
@Override
public Interceptor build() {
return new MyInterceptor();
}
@Override
public void configure(Context context) {
}
}
}1.2 在flume2配置文件中使用拦截器
#步骤一：agent Name
a1.sources=r1
a1.channels=c1
a1.sinks=k1
#步骤二：kafka source
#source类型
a1.sources.r1.type = org.apache.flume.source.kafka.KafkaSource
#putlist中数据达到了6K以后提交到channel中
a1.sources.r1.batchSize = 5000
#拉取数据的时间达到2s以后，将获取的数据提交到channel中
a1.sources.r1.batchDurationMillis = 2000
#kafka的集群
a1.sources.r1.kafka.bootstrap.servers = hadoop105:9092,hadoop106:9092,hadoop107:9092
#订阅的话题
a1.sources.r1.kafka.topics=topic_log
#步骤三：定义拦截器
a1.sources.r1.interceptors = i1
#指定拦截器的类型 = 自定义拦截器中builder的实现类的全类名
a1.sources.r1.interceptors.i1.type = MyInterceptor$MyBuilder
#步骤四：定义file channel
a1.channels.c1.type = file
#checkpoint文件存储的地址
a1.channels.c1.checkpointDir = /opt/module/flume/checkpoint/behavior1
# channel中event文件在磁盘中存储的地址
a1.channels.c1.dataDirs = /opt/module/flume/data/behavior1/
#一个event文件存储的最大的大小
a1.channels.c1.maxFileSize = 2146435071
#checkpoint个数的最大容量
a1.channels.c1.capacity = 1000000
#当put事务将数据提交到channel队列中，channel队列没有足够的空间时，提交事务等待的最大时间
a1.channels.c1.keep-alive = 6
#步骤五：sink
a1.sinks.k1.type = hdfs
#上传到HDFS的路径
a1.sinks.k1.hdfs.path = /origin_data/gmall/log/topic_log/%Y-%m-%d
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = log-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = false
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 10
#设置每个文件的滚动大小大概是128M
a1.sinks.k1.hdfs.rollSize = 134217728
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0
#开启压缩
a1.sinks.k1.hdfs.fileType = CompressedStream
a1.sinks.k1.hdfs.codeC = lzop
#第六步：连接source和channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel= c11.3 碰到的问题
1. 上面的配置文件是使用在第二个flume2中，消费kafka中数据到hdfs上，不是第一个flume1。
2. 报jsonexception异常，反查发现是拦截器使用json时不对。需按照我们上面的方式对数据进行解析，当然也可以有其他的方式。我
们的主要目的就是取出ts对应的时间戳，加到event的header的timestamp属性中二、日志数据分多个topic
2.1 需求分析
-- 1. 需求
在实际开发中，我们的一条日志数据可能包含很多信息（取决于前端的埋点），如启动数据、加购物车数据、评论数据、错误数据等等，对应
在公司中，有多个部门，来处理不同的数据，如故障信息处理部门，评论信息处理部门，这样一来，对于故障信息处理部门来说，除故障信息
以外的所有数据都是脏数据。
-- 2. 实现方式：
'flume1'：
1. 将采集到的数据，使用自定义拦截器：
a、获取这条数据的属性，比如是启动数据、评论数据等。
b、将这个属性加入到event的header中
2. 使用多路复用的选择器，将数据指定到不同的channel中。
3. 开启两个kafka channel
'flume2'：
1. 开启两个kafka source
2. 两个channel和两个sink一一对应
3. 实现一天中，一个topic一个文件夹
2.2 实现
2.2.1 自定义拦截器
-- 1. 思想：
1. 获取event的数据
2. 获取数据的类型
3. 将数据的类型加入到event的header中- 代码
import com.alibaba.fastjson.JSONObject;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.util.List;
/**
* @author lianzhipeng
* @Description
* @create 2020-07-25 21:03:42
*/
public class StartTopicandEventTopic implements Interceptor {
/**
* 封装confing属性
*/
public void initialize() {
}
/**
* 处理单个event
* @param event
* @return
*/
public Event intercept(Event event) {
String str = new String(event.getBody());
JSONObject json = JSONObject.parseObject(str);
String ts = json.getString("actions");
if ( ts != null ){
event.getHeaders().put("type","event");
}else {
event.getHeaders().put("type","start");
}
return event;
}
/**
* 处理多个event
* @param events
* @return
*/
public List<Event> intercept(List<Event> events) {
for (Event event : events) {
intercept(event);
}
return events;
}
/**
*
*/
public void close() {
}
public static class MyBuilder implements Interceptor.Builder {
public Interceptor build() {
return new StartTopicandEventTopic();
}
public void configure(Context context) {
}
}
}2.2.2 编写flume1的配置文件
#步骤一：agent Name
a1.sources = r1
a1.channels = c1 c2
#步骤二：taildir source
a1.sources.r1.type = TAILDIR
#指定position_file 的位置，(记录每次上传后的偏移量，实现断点续传的关键)
a1.sources.r1.positionFile = /opt/module/flume/tail_dir.json
a1.sources.r1.batchSize=500
#监控的文件目录集合
a1.sources.r1.filegroups = f1
#定义监控的文件目录1
a1.sources.r1.filegroups.f1 = /opt/module/applog/log/app.*
#指定拦截器
a1.sources.r1.interceptors =i1 i2
#指定拦截器的类型 = 自定义拦截器中builder的实现类的全类名
a1.sources.r1.interceptors.i1.type = com.atguigu.flume.interceptor.LogInterceptor$MyBuilder
#指定拦截器的类型 = 自定义拦截器中builder的实现类的全类名
a1.sources.r1.interceptors.i2.type = StartTopicandEventTopic$MyBuilder
#步骤三、指定channel的选择器:多路复用
a1.sources.r1.selector.type = multiplexing
#自定义拦截器的header的k
a1.sources.r1.selector.header = type
#event是map中一个value值，相同的event进入channel1中
a1.sources.r1.selector.mapping.event = c1
#start是map中一个value值，相同的event进入channel2中
a1.sources.r1.selector.mapping.start = c2
#步骤四：指定channel
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = hadoop105:9092,hadoop106:9092,hadoop107:9092
a1.channels.c1.kafka.topic =event
a1.channels.c1.parseAsFlumeEvent=false
a1.channels.c2.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c2.kafka.bootstrap.servers = hadoop105:9092,hadoop106:9092,hadoop107:9092
a1.channels.c2.kafka.topic =start
a1.channels.c2.parseAsFlumeEvent=false
#第五步：连接source和channel
a1.sources.r1.channels = c1 c22.2.3 编写flume2的配置文件
#步骤一：agent Name
a1.sources=r1 r2
a1.channels=c1 c2
a1.sinks=k1 k2
#步骤二：kafka source1
a1.sources.r1.type = org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.batchSize = 5000
a1.sources.r1.batchDurationMillis = 2000
a1.sources.r1.kafka.bootstrap.servers = hadoop105:9092,hadoop106:9092,hadoop107:9092
a1.sources.r1.kafka.topics=start
#步骤三：定义拦截器
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = MyInterceptor$MyBuilder
#步骤四：kafka source2
a1.sources.r2.type = org.apache.flume.source.kafka.KafkaSource
a1.sources.r2.batchSize = 5000
a1.sources.r2.batchDurationMillis = 2000
a1.sources.r2.kafka.bootstrap.servers = hadoop105:9092,hadoop106:9092,hadoop107:9092
a1.sources.r2.kafka.topics=event
#步骤五：定义拦截器
a1.sources.r2.interceptors = i1
a1.sources.r2.interceptors.i1.type = MyInterceptor$MyBuilder
#步骤六：定义channel1
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /opt/module/flume/checkpoint/behavior1
a1.channels.c1.dataDirs = /opt/module/flume/data/behavior1/
a1.channels.c1.maxFileSize = 2146435071
a1.channels.c1.capacity = 1000000
a1.channels.c1.keep-alive = 6
#步骤七：定义sink1
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /origin_data/gmall/log/topic_log/%Y-%m-%d/start
a1.sinks.k1.hdfs.filePrefix = log-
a1.sinks.k1.hdfs.round = false
a1.sinks.k1.hdfs.rollInterval = 10
a1.sinks.k1.hdfs.rollSize = 134217728
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.fileType = CompressedStream
a1.sinks.k1.hdfs.codeC = lzop
#步骤八：定义channe2
a1.channels.c2.type = file
a1.channels.c2.checkpointDir = /opt/module/flume/checkpoint/behavior2
a1.channels.c2.dataDirs = /opt/module/flume/data/behavior2/
a1.channels.c2.maxFileSize = 2146435071
a1.channels.c2.capacity = 1000000
a1.channels.c2.keep-alive = 6
#步骤九：定义sink2
a1.sinks.k2.type = hdfs
a1.sinks.k2.hdfs.path = /origin_data/gmall/log/topic_log/%Y-%m-%d/event
a1.sinks.k2.hdfs.filePrefix = log-
a1.sinks.k2.hdfs.round = false
a1.sinks.k2.hdfs.rollInterval = 10
a1.sinks.k2.hdfs.rollSize = 134217728
a1.sinks.k2.hdfs.rollCount = 0
a1.sinks.k2.hdfs.fileType = CompressedStream
a1.sinks.k2.hdfs.codeC = lzop
#步骤十：连接source 、 channel 、 sink
a1.sources.r1.channels = c1
a1.sources.r2.channels = c2
a1.sinks.k1.channel= c1
a1.sinks.k2.channel= c22.3 碰到的问题
-- 1. 多个file时，不能共用一个checkpoint路径
-- 2. 定义sources 、 channels 、 sinks 时，多个source 、channel、sink之间不需要使用逗号
-- 3. 连接source和channel时，一个source对应多个channel，c1 和c2之间不需要逗号
-- 4. 一天的数据中，有两个文件，一个是start，一个是event 赞助
