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] 纯文本查看 复制代码
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
|
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
[Bash shell] 纯文本查看 复制代码
|
1
2
3
4
|
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
[Bash shell] 纯文本查看 复制代码
|
1
2
|
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/flu ... l-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。
[Bash shell] 纯文本查看 复制代码
|
1
|
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。
[Bash shell] 纯文本查看 复制代码
|
1
|
cp
mysql-connector-java-5.1.17.jar /usr/hdp/current/flume-server/lib/mysql-connector-java.jar
|
4. 建立外部表
[SQL] 纯文本查看 复制代码
|
1
2
3
4
5
6
7
8
9
|
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)
|
5. 配置Flume
在Ambari -> Flume -> Configs -> flume.conf中配置如下属性：
[Bash shell] 纯文本查看 复制代码
|
01
02
03
04
05
06
07
08
09
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
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。
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。
[Bash shell] 纯文本查看 复制代码
|
1
2
3
4
5
|
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，具有入侵性。
- 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。