大数据之 Flume 监听 文件和文件夹 并上传至 hdfs

Flume可以监控我们需要的日记文件以及目录或者端口等，至于它的好处还挺多，安装 Flume 也挺简单，直接在 flume-env.sh 文件中配置Java的路径即可，它的帮助命令 bin/flume-ng ，至于其他的在这里不再一一介绍；下面直接使用 Flume 对 Hive 的日记文件 以及 自创建的一个目录进行监控，并上传至 HDFS 相关的目录上去。

1.监控 hive 日记文件

首先进入 apache-flume-1.5.0-cdh5.3.6-bin/conf 目录，然后复制临时为新文件：

cp flume-conf.properties.template flume-hdfs.conf

flume-hdfs.conf 的配置信息如下：

# The configuration file needs to define the sources, 
# the channels and the sinks.
# Sources, channels and sinks are defined per agent, 
# in this case called 'agent'
a2.sources = r2
a2.sinks = k2
a2.channels = c2
#
# # Describe/configure the source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -f /opt/module/apache-hive-1.2.1-bin/logs/hive.log
a2.sources.r2.shell = /bin/bash -c
#
# # Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop101:9000/flume/%Y%m%d/%H
# #上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = events-hive-
# #是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
# #多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
# #重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
# #是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
# #积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 1000
# #设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
# #多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 600
# #设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
# #文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
# #最小冗余数
a2.sinks.k2.hdfs.minBlockReplicas = 1
#
#
# # Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
#
# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

这里需要注意的是，HDFS 的路径 a2.sinks.k2.hdfs.path 的值 必须要和 Hadoop 里边的 core-site.xml 的配置一样，否则无法写入 HDFS 去： image.png

配置弄好后，我们开始用以下命令启动：

bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/flume-hdfs.conf

启动 hive 并让其生成日记文件:

[hw@hadoop101 apache-hive-1.2.1-bin]$ bin/hive
hive> create luchangyin;

如图：

image.png
接下来我们查看 http://hadoop101:50070/，如图已成功监听并上传文件数据： image.png

2.监听整个创建的目录并上传至HDFS

首先我们创建一个要监控的目录：

[hw@hadoop101 apache-flume-1.5.0-cdh5.3.6-bin]$ mdkir upload

编辑 conf 目录下的 flume-dir.conf 的自定义文件：

# The configuration file needs to define the sources, 
# the channels and the sinks.
# Sources, channels and sinks are defined per agent, 
# in this case called 'agent'

a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/apache-flume-1.5.0-cdh5.3.6-bin/upload
a3.sources.r3.fileHeader = true
# #忽略所有以.tmp结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)
#
# # Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop101:9000/flume/upload/%Y%m%d/%H
# #上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
# #是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
# #多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
# #重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
# #是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
# #积攒多少个Event才flush到HDFS一次
a3.sinks.k3.hdfs.batchSize = 1000
# #设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
# #多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 600
# #设置每个文件的滚动大小
a3.sinks.k3.hdfs.rollSize = 134217700
# #文件的滚动与Event数量无关
a3.sinks.k3.hdfs.rollCount = 0
# #最小冗余数
a3.sinks.k3.hdfs.minBlockReplicas = 1
#
#
# # Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100
#
# # Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

接下来我们启动监听服务：

bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/flume-dir.conf &

然后我们使用一下命令往监控目录放入文件：

[hw@hadoop101 upload]$ cp -a /opt/datas/* ./

此时可以在 HDFS 的可视化网页中查看效果： image.png

总结：
在使用Spooling Directory Source
注意事项：
1、不要在监控目录中创建并持续修改文件
2、上传完成的文件会以.COMPLETED结尾
3、被监控文件夹每600毫秒扫描一次变动