Flume实时读取本地/目录文件到HDFS

目录

一、准备工作

二、实时读取本地文件到HDFS

(一)案例需求

(二)需求分析

(三)实现步骤

三、实时读取目录文件到HDFS

(一)案例需求

(二)需求分析

(三)实现步骤


一、准备工作

Flume 要想将数据输出到 HDFS,必须持有 Hadoop 相关 jar 包。

将以下 jar 包拷贝到"/usr/local/flume/lib"目录下。

/usr/local/servers/hadoop/share/hadoop/common/lib/commons-configuration2-2.1.1.jar

/usr/local/servers/hadoop/share/hadoop/common/lib/commons-io-2.5.jar

/usr/local/servers/hadoop/share/hadoop/common/lib/hadoop-auth-3.1.3.jar

/usr/local/servers/hadoop/share/hadoop/common/lib/htrace-core4-4.1.0-incubating.jar

/usr/local/servers/hadoop/share/hadoop/common/lib/stax2-api-3.1.4.jar

/usr/local/servers/hadoop/share/hadoop/common/hadoop-common-3.1.3.jar

/usr/local/servers/hadoop/share/hadoop/hdfs/hadoop-hdfs-3.1.3.jar

css 复制代码
[root@bigdata common]# cd /usr/local/flume/lib
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/common/lib/commons-configuration2-2.1.1.jar .
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/common/lib/commons-io-2.5.jar .
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/common/lib/hadoop-auth-3.1.3.jar .
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/common/lib/htrace-core4-4.1.0-incubating.jar .
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/common/lib/stax2-api-3.1.4.jar .
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/common/hadoop-common-3.1.3.jar .
[root@bigdata lib]# cp /usr/local/servers/hadoop/share/hadoop/hdfs/hadoop-hdfs-3.1.3.jar .

二、实时读取本地文件到HDFS

(一)案例需求

实时监控Hive日志,并上传到HDFS中。

(二)需求分析

(三)实现步骤

1、在"/usr/local/flume/"目录下新建文件夹job

css 复制代码
[root@bigdata lib]# cd /usr/local/flume
[root@bigdata flume]# mkdir job
[root@bigdata flume]# cd job

2、在job目录下新建文件flume-file-hdfs.conf

css 复制代码
[root@bigdata job]# vi flume-file-hdfs.conf
bash 复制代码
# Name the components on this 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 /usr/local/flume/datas/flume_tmp.log
a2.sources.r2.shell = /bin/bash -c

# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://bigdata:9000/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#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 = 60
#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

内容详解:

3、执行监控配置

css 复制代码
[root@bigdata zhc]# cd /usr/local/flume
[root@bigdata flume]# bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

4、启动Hadoop和Hive并操作Hive产生日志

启动一个新的终端,输入:

css 复制代码
[root@bigdata zhc]# start-all.sh
[root@bigdata zhc]# cd /usr/local/hive
[root@bigdata hive]# bin/hive

再启动一个新的终端,写入日志:

css 复制代码
[root@bigdata hive]# echo 123 > /usr/local/flume/datas/flume_tmp.log

然后就可以在HDFS上查看:

三、实时读取目录文件到HDFS

(一)案例需求

使用Flume监听整个目录的文件。

(二)需求分析

(三)实现步骤

1、在job目录下新建文件flume-dir-hdfs.conf

css 复制代码
[root@bigdata job]# vi flume-dir-hdfs.conf
bash 复制代码
a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /usr/local/flume/datas
a3.sources.r3.fileSuffix = .COMPLETED
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://bigdata: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 = 100
#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 = 60
#设置每个文件的滚动大小大概是128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a3.sinks.k3.hdfs.rollCount = 0

# 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

内容详解:

2、启动监控文件夹命令

启动一个新的终端:

css 复制代码
[root@bigdata hive]# cd /usr/local/flume
[root@bigdata flume]# bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

说明: 在使用Spooling Directory Source时

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500毫秒扫描一次文件变动

3、向datas文件夹中添加文件

css 复制代码
[root@bigdata job]# cd /usr/local/flume/datas
[root@bigdata datas]# touch one.txt
[root@bigdata datas]# touch two.txt

最后再到HDFS上查看:

相关推荐
Zzz 小生5 小时前
Claude Code学习笔记(四)-助你快速搭建首个Python项目
大数据·数据库·elasticsearch
Jabes.yang8 小时前
Java面试场景:从Spring Web到Kafka的音视频应用挑战
大数据·spring boot·kafka·spring security·java面试·spring webflux
Hello.Reader9 小时前
Flink 第三方序列化Kryo 注册、Protobuf/Thrift 接入与坑位避雷
大数据·flink
斯普信专业组9 小时前
使用Reindex迁移Elasticsearch集群数据详解(下)
大数据·elasticsearch
阿里云大数据AI技术10 小时前
云栖实录|MaxCompute全新升级:AI时代的原生数据仓库
大数据·数据库·云原生
QYResearch12 小时前
导航浮标灯市场现状及前景分析
大数据
QYResearch12 小时前
2025年全球半导体用电子湿化学品行业总体规模、主要企业国内外市场占有率及排名
大数据
搞科研的小刘选手12 小时前
【通信&网络安全主题】第六届计算机通信与网络安全国际学术会议(CCNS 2025)
大数据·人工智能·网络安全·vr·通信工程·网络技术·计算机工程
阿里云大数据AI技术16 小时前
云栖实录 | 通义实验室基于MaxCompute进行大模型数据管理及处理
大数据·人工智能
yumgpkpm17 小时前
CMP (类ClouderaCDP7.3(404次编译) )华为鲲鹏Aarch64(ARM)信创环境多个mysql数据库汇聚的操作指南
大数据·hive·hadoop·zookeeper·big data·cloudera