在了解了Apache Flume及其在处理客户端事件方面所提供的好处之后，我决定是时候开始更详细地研究它了。另一个巨大的好处似乎是它可以处理Apache Avro对象：-)但是，我很难理解Avro模式如何用于验证收到的Flume事件。
为帮助更详细地了解我的问题，我在下面提供了代码段；
出于这篇文章的目的，我使用一个示例架构，该架构定义了一个嵌套的Object1记录，其中包含2个字段。
{
"namespace": "com.example.avro",
"name": "Example",
"type": "record",
"fields": [
{
"name": "object1",
"type": {
"name": "Object1",
"type": "record",
"fields": [
{
"name": "value1",
"type": "string"
},
{
"name": "value2",
"type": "string"
}
]
}
}
]
}
在我的Java项目中，我目前正在使用Apache Flume嵌入式代理，如下所述；
public static void main(String[] args) {
final Event event = EventBuilder.withBody("Test", Charset.forName("UTF-8"));
final Map<String, String> properties = new HashMap<>();
properties.put("channel.type", "memory");
properties.put("channel.capacity", "100");
properties.put("sinks", "sink1");
properties.put("sink1.type", "avro");
properties.put("sink1.hostname", "192.168.99.101");
properties.put("sink1.port", "11111");
properties.put("sink1.batch-size", "1");
properties.put("processor.type", "failover");
final EmbeddedAgent embeddedAgent = new EmbeddedAgent("TestAgent");
embeddedAgent.configure(properties);
embeddedAgent.start();
try {
embeddedAgent.put(event);
} catch (EventDeliveryException e) {
e.printStackTrace();
}
}
在上面的示例中，我正在创建一个新的Flume事件，其“测试”定义为将事件发送到VM（192.168.99.101）中运行的单独Apache Flume代理的事件主体。
如上所述，我已将该代理配置为从嵌入式Flume代理接收事件。该代理的Flume配置如下；
# Name the components on this agent
hello.sources = avroSource
hello.channels = memoryChannel
hello.sinks = loggerSink
# Describe/configure the source
hello.sources.avroSource.type = avro
hello.sources.avroSource.bind = 0.0.0.0
hello.sources.avroSource.port = 11111
hello.sources.avroSource.channels = memoryChannel
# Describe the sink
hello.sinks.loggerSink.type = logger
# Use a channel which buffers events in memory
hello.channels.memoryChannel.type = memory
hello.channels.memoryChannel.capacity = 1000
hello.channels.memoryChannel.transactionCapacity = 1000
# Bind the source and sink to the channel
hello.sources.avroSource.channels = memoryChannel
hello.sinks.loggerSink.channel = memoryChannel
我正在执行以下命令来启动代理；
./bin/flume-ng agent --conf conf --conf-file ../sample-flume.conf --name hello -Dflume.root.logger=TRACE,console -Dorg.apache.flume.log.printconfig=true -Dorg.apache.flume.log.rawdata=true
当我执行Java项目main方法时，我看到“ Test”事件通过以下输出传递到我的记录器接收器；
2019-02-18 14:15:09,998 (SinkRunner-PollingRunner-DefaultSinkProcessor) [INFO - org.apache.flume.sink.LoggerSink.process(LoggerSink.java:95)] Event: { headers:{} body: 54 65 73 74 Test }
但是，我不清楚我应该在哪里配置Avro模式，以确保Flume仅接收和处理有效事件。有人可以帮我了解我要去哪里了吗？或者，如果我误解了Flume如何将Flume事件转换为Avro事件的意图？
除上述内容外，在更改Avro模式以指定直接与远程Flume代理通信的协议之后，我还尝试使用Avro RPC客户端，但是当我尝试发送事件时，我看到以下错误；
Exception in thread "main" org.apache.avro.AvroRuntimeException: Not a remote message: test
at org.apache.avro.ipc.Requestor$Response.getResponse(Requestor.java:532)
at org.apache.avro.ipc.Requestor$TransceiverCallback.handleResult(Requestor.java:359)
at org.apache.avro.ipc.Requestor$TransceiverCallback.handleResult(Requestor.java:322)
at org.apache.avro.ipc.NettyTransceiver$NettyClientAvroHandler.messageReceived(NettyTransceiver.java:613)
at org.jboss.netty.channel.SimpleChannelUpstreamHandler.handleUpstream(SimpleChannelUpstreamHandler.java:70)
at org.apache.avro.ipc.NettyTransceiver$NettyClientAvroHandler.handleUpstream(NettyTransceiver.java:595)
at org.jboss.netty.channel.DefaultChannelPipeline.sendUpstream(DefaultChannelPipeline.java:558)
at org.jboss.netty.channel.DefaultChannelPipeline$DefaultChannelHandlerContext.sendUpstream(DefaultChannelPipeline.java:786)
at org.jboss.netty.channel.Channels.fireMessageReceived(Channels.java:296)
at org.jboss.netty.handler.codec.frame.FrameDecoder.unfoldAndFireMessageReceived(FrameDecoder.java:458)
at org.jboss.netty.handler.codec.frame.FrameDecoder.callDecode(FrameDecoder.java:439)
at org.jboss.netty.handler.codec.frame.FrameDecoder.messageReceived(FrameDecoder.java:303)
at org.jboss.netty.channel.SimpleChannelUpstreamHandler.handleUpstream(SimpleChannelUpstreamHandler.java:70)
at org.jboss.netty.channel.DefaultChannelPipeline.sendUpstream(DefaultChannelPipeline.java:558)
at org.jboss.netty.channel.DefaultChannelPipeline.sendUpstream(DefaultChannelPipeline.java:553)
at org.jboss.netty.channel.Channels.fireMessageReceived(Channels.java:268)
at org.jboss.netty.channel.Channels.fireMessageReceived(Channels.java:255)
at org.jboss.netty.channel.socket.nio.NioWorker.read(NioWorker.java:84)
at org.jboss.netty.channel.socket.nio.AbstractNioWorker.processSelectedKeys(AbstractNioWorker.java:471)
at org.jboss.netty.channel.socket.nio.AbstractNioWorker.run(AbstractNioWorker.java:332)
at org.jboss.netty.channel.socket.nio.NioWorker.run(NioWorker.java:35)
at org.jboss.netty.util.ThreadRenamingRunnable.run(ThreadRenamingRunnable.java:102)
at org.jboss.netty.util.internal.DeadLockProofWorker$1.run(DeadLockProofWorker.java:42)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
at java.lang.Thread.run(Thread.java:748)
我的目标是确保应用程序填充的事件符合所生成的Avro架构，从而避免发布无效事件。我希望我使用嵌入式Flume代理来实现这一目标，但是如果无法实现，那么我会考虑使用Avro RPC方法直接与远程Flume代理进行通信。
任何帮助/指导都将是一个很大的帮助。预先感谢。
进一步阅读后，我想知道我是否误解了Apache Flume的目的。我本来以为可以用于根据数据/架构自动创建Avro事件，但是现在想知道应用程序是否应该负责产生Avro事件，这些事件将根据通道配置存储在Flume中，并通过接收器（在我的情况下是Spark Streaming集群）。
如果以上正确，那么我想知道是否需要Flume了解该模式，或者仅是我的Spark Streaming集群，它将最终处理此数据？如果需要Flume了解该架构，那么您能否提供详细说明该如何实现的？
谢谢。
答案 0 :(得分：0)
由于您的目标是使用Spark Streaming集群处理数据，因此可以使用2种解决方案来解决此问题
1）在不使用Flume服务器的情况下使用Flume客户端（已通过flume-ng-sdk 1.9.0测试）和Spark Streaming（已通过spark-streaming_2.11 2.4.0和spark-streaming-flume_2.11 2.3.0测试）在网络拓扑之间。
客户端类在端口41416发送Flume json事件
public class JSONFlumeClient {
public static void main(String[] args) {
RpcClient client = RpcClientFactory.getDefaultInstance("localhost", 41416);
String jsonData = "{\r\n" + " \"namespace\": \"com.example.avro\",\r\n" + " \"name\": \"Example\",\r\n"
+ " \"type\": \"record\",\r\n" + " \"fields\": [\r\n" + " {\r\n"
+ " \"name\": \"object1\",\r\n" + " \"type\": {\r\n" + " \"name\": \"Object1\",\r\n"
+ " \"type\": \"record\",\r\n" + " \"fields\": [\r\n" + " {\r\n"
+ " \"name\": \"value1\",\r\n" + " \"type\": \"string\"\r\n" + " },\r\n"
+ " {\r\n" + " \"name\": \"value2\",\r\n" + " \"type\": \"string\"\r\n"
+ " }\r\n" + " ]\r\n" + " }\r\n" + " }\r\n" + " ]\r\n" + "}";
Event event = EventBuilder.withBody(jsonData, Charset.forName("UTF-8"));
try {
client.append(event);
} catch (Throwable t) {
System.err.println(t.getMessage());
t.printStackTrace();
} finally {
client.close();
}
}
}
Spark Streaming Server类侦听端口41416
public class SparkStreamingToySample {
public static void main(String[] args) throws Exception {
SparkConf sparkConf = new SparkConf().setMaster("local[2]")
.setAppName("SparkStreamingToySample");
JavaStreamingContext ssc = new JavaStreamingContext(sparkConf, Durations.seconds(30));
JavaReceiverInputDStream<SparkFlumeEvent> lines = FlumeUtils
.createStream(ssc, "localhost", 41416);
lines.map(sfe -> new String(sfe.event().getBody().array(), "UTF-8"))
.foreachRDD((data,time)->
System.out.println("***" + new Date(time.milliseconds()) + "=" + data.collect().toString()));
ssc.start();
ssc.awaitTermination();
}
}
2）使用Flume客户端+ Flume服务器之间+ Spark Streaming（作为Flume Sink）作为网络拓扑。
对于此选项，代码是相同的，但是现在SparkStreaming必须指定完整的dns合格主机名而不是localhost才能在相同的端口41416上启动SparkStreaming服务器（如果您在本地运行此端口进行测试）。 Flume客户端将连接到水槽服务器端口41415。现在，棘手的部分是如何定义水槽拓扑。您需要同时指定源和接收器。
请参阅下面的flume conf
agent1.channels.ch1.type = memory
agent1.sources.avroSource1.channels = ch1
agent1.sources.avroSource1.type = avro
agent1.sources.avroSource1.bind = 0.0.0.0
agent1.sources.avroSource1.port = 41415
agent1.sinks.avroSink.channel = ch1
agent1.sinks.avroSink.type = avro
agent1.sinks.avroSink.hostname = <full dns qualified hostname>
agent1.sinks.avroSink.port = 41416
agent1.channels = ch1
agent1.sources = avroSource1
agent1.sinks = avroSink
两种解决方案都应该获得相同的结果，但是回到您的问题，即Json流中的Spark Streaming内容是否真的需要Flume，答案取决于它，Flume支持拦截器，因此在这种情况下可以用来清理或过滤Spark项目中的无效数据，但由于要向拓扑中添加额外的组件，因此与不使用Flume相比，它可能会影响性能并需要更多的资源（CPU /内存）。