Spark实战(五)spark streaming + flume(Python版)

2024-09-03 23:18

本文主要是介绍Spark实战(五)spark streaming + flume(Python版),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、flume安装

(一)概述

   Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。Flume可以采集文件,socket数据包等各种形式源数据,又可以将采集到的数据输出到HDFS、hbase、hive、kafka等众多外部存储系统中,一般的采集需求,通过对flume的简单配置即可实现,Flume针对特殊场景也具备良好的自定义扩展能力,因此flume可以适用于大部分的日常数据采集场景

(二)运行机制

   1、 Flume分布式系统中最核心的角色是agent,flume采集系统就是由一个个agent所连接起来形成

   2、 每一个agent相当于一个数据传递员,内部有三个组件:

a)	Source:采集源,用于跟数据源对接,以获取数据
b)	Sink:下沉地,采集数据的传送目的,用于往下一级agent传递数据或者往最终存储系统传递数据
c)	Channel:angent内部的数据传输通道,用于从source将数据传递到sink

在这里插入图片描述

(三)Flume采集系统结构图

1、简单结构

   单个agent采集数据

在这里插入图片描述

2、复杂结构

   多级agent之间串联
在这里插入图片描述

(四)Flume的安装部署

   1、去apache官网上下载安装包,并解压tar -zxvf apache-flume-1.8.0-bin,并修改conf目录下flume-env.sh,在里面配置JAVA_HOME

   2、根据数据采集的需求配置采集方案,描述在配置文件中(文件名可任意自定义)
   3、指定采集方案配置文件,在相应的节点上启动flume agent

二、flume push方式

1、spark streaming程序

   首先是flume通过push方式将采集到的数据传递到spark程序上,这种方式基本不用。spark代码如下:

import pyspark
from pyspark.sql import SparkSession
from pyspark.streaming import StreamingContext
from pyspark.streaming.flume import FlumeUtilsif __name__ == "__main__":spark = SparkSession\.builder\.appName("PythonWordCount") \.master("local[2]") \.getOrCreate()sc = spark.sparkContextssc = StreamingContext(sc, 5)# hostname = sys.argv[1]# port = int(sys.argv[2])flumeStream = FlumeUtils.createStream(ssc, "localhost", 8888, pyspark.StorageLevel.MEMORY_AND_DISK_SER_2)line = flumeStream.map(lambda x: x[1])words = line.flatMap(lambda x: x.split(" "))datas = words.map(lambda x: (x, 1))result = datas.reduceByKey(lambda agg, obj: agg + obj)result.pprint()ssc.start()ssc.awaitTermination()

   注意:要指定并行度,如在本地运行设置setMaster(“local[2]”),相当于启动两个线程,一个给receiver,一个给computer。否则会出现如下问题

2019-01-09 19:36:16 INFO  ReceiverSupervisorImpl:54 - Called receiver 0 onStart
2019-01-09 19:36:16 INFO  ReceiverSupervisorImpl:54 - Waiting for receiver to be stopped
2019-01-09 19:36:20 INFO  JobScheduler:54 - Added jobs for time 1547033780000 ms
2019-01-09 19:36:25 INFO  JobScheduler:54 - Added jobs for time 1547033785000 ms
2019-01-09 19:36:30 INFO  JobScheduler:54 - Added jobs for time 1547033790000 ms
2019-01-09 19:36:35 INFO  JobScheduler:54 - Added jobs for time 1547033795000 ms
2019-01-09 19:36:40 INFO  JobScheduler:54 - Added jobs for time 1547033800000 ms

   如果是在集群中运行,必须要求集群中可用core数大于1

2、flume conf文件

<font size=4>&emsp; &emsp;在flume的conf目录下新建flume-push.conf内容如下</font></br>
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1# source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /home/hadoop/log/flume
a1.sources.r1.fileHeader = true# Describe the sink
a1.sinks.k1.type = avro
#这是接收方
a1.sinks.k1.hostname = 192.168.62.131
a1.sinks.k1.port = 8888# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

   需要先将spark程序运行,使用以下命令:

spark/bin/spark-submit  --driver-class-path /home/hadoop/spark/jars/*:/home/hadoop/jar/flume/* /tmp/pycharm_project_563/day5/FlumePushWordCount.py

   可能会出现以下问题

	Spark Streaming's Flume libraries not found in class path. Try one of the following.1. Include the Flume library and its dependencies with in thespark-submit command as$ bin/spark-submit --packages org.apache.spark:spark-streaming-flume:2.4.0 ...2. Download the JAR of the artifact from Maven Central http://search.maven.org/,Group Id = org.apache.spark, Artifact Id = spark-streaming-flume-assembly, Version = 2.4.0.Then, include the jar in the spark-submit command as$ bin/spark-submit --jars <spark-streaming-flume-assembly.jar> ...
Traceback (most recent call last):File "/tmp/pycharm_project_563/day5/FlumePushWordCount.py", line 12, in <module>flumeStream = FlumeUtils.createStream(ssc, "192.168.62.131", "8888")File "/home/hadoop/spark/python/pyspark/streaming/flume.py", line 67, in createStreamhelper = FlumeUtils._get_helper(ssc._sc)File "/home/hadoop/spark/python/pyspark/streaming/flume.py", line 130, in _get_helperreturn sc._jvm.org.apache.spark.streaming.flume.FlumeUtilsPythonHelper()
TypeError: 'JavaPackage' object is not callable
   需要去maven仓库下载spark-streaming-flume-assembly.jar,然后放到上面指定的jar目录中去。

   然后运行flume

bin/flume-ng agent -n a1 -c conf/ -f conf/flume-push.conf -Dflume.root.logger=WARN,console
   然后在/home/hadoop/log/flume目录下新建log文件,运行spark的日志中出现如下:

在这里插入图片描述

三、poll方式

1、spark streaming程序

   这种方式是有spark主动去flume拉取数据,代码如下:

from pyspark.sql import SparkSession
from pyspark.streaming import StreamingContext
from pyspark.streaming.flume import FlumeUtilsif __name__ == "__main__":spark = SparkSession\.builder\.appName("PythonWordCount") \.master("local[2]") \.getOrCreate()sc = spark.sparkContextssc = StreamingContext(sc, 5)addresses = [("localhost", 8888)]flumeStream = FlumeUtils.createPollingStream(ssc, addresses)line = flumeStream.map(lambda x: x[1])words = line.flatMap(lambda x: x.split(" "))datas = words.map(lambda x: (x, 1))result = datas.reduceByKey(lambda agg, obj: agg + obj)result.pprint()ssc.start()ssc.awaitTermination()

   如果是本地模式同样需要指定并行度,如果是在集群中运行,必须要求集群中可用core数大于1

2、flume conf文件

   在flume的conf目录下新建flume-poll.conf内容如下:

# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /home/hadoop/log/flume
a1.sources.r1.fileHeader = true# Describe the sink
a1.sinks.k1.type = org.apache.spark.streaming.flume.sink.SparkSink
a1.sinks.k1.hostname = localhost
a1.sinks.k1.port = 8888# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
   由于是poll方式,需要的flume
bin/flume-ng agent -n a1 -c conf/ -f conf/flume-poll.conf -Dflume.root.logger=WARN,console
   启动spark程序
spark/bin/spark-submit  --driver-class-path /home/hadoop/spark/jars/*:/home/hadoop/jar/flume/* /tmp/pycharm_project_563/day5/FlumePollWordCount.py 
   同样在/home/hadoop/log/flume目录下新建log文件,将原先生成的COMPLETED文件删除,rm flume/aaa.txt.COMPLETED ,运行spark的日志中出现如下:

在这里插入图片描述

这篇关于Spark实战(五)spark streaming + flume(Python版)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1134333

相关文章

Python中的filter() 函数的工作原理及应用技巧

《Python中的filter()函数的工作原理及应用技巧》Python的filter()函数用于筛选序列元素,返回迭代器,适合函数式编程,相比列表推导式,内存更优,尤其适用于大数据集,结合lamb... 目录前言一、基本概念基本语法二、使用方式1. 使用 lambda 函数2. 使用普通函数3. 使用 N

Python如何实现高效的文件/目录比较

《Python如何实现高效的文件/目录比较》在系统维护、数据同步或版本控制场景中,我们经常需要比较两个目录的差异,本文将分享一下如何用Python实现高效的文件/目录比较,并灵活处理排除规则,希望对大... 目录案例一:基础目录比较与排除实现案例二:高性能大文件比较案例三:跨平台路径处理案例四:可视化差异报

python之uv使用详解

《python之uv使用详解》文章介绍uv在Ubuntu上用于Python项目管理,涵盖安装、初始化、依赖管理、运行调试及Docker应用,强调CI中使用--locked确保依赖一致性... 目录安装与更新standalonepip 安装创建php以及初始化项目依赖管理uv run直接在命令行运行pytho

Python中yield的用法和实际应用示例

《Python中yield的用法和实际应用示例》在Python中,yield关键字主要用于生成器函数(generatorfunctions)中,其目的是使函数能够像迭代器一样工作,即可以被遍历,但不会... 目录python中yield的用法详解一、引言二、yield的基本用法1、yield与生成器2、yi

Spring Boot 整合 SSE(Server-Sent Events)实战案例(全网最全)

《SpringBoot整合SSE(Server-SentEvents)实战案例(全网最全)》本文通过实战案例讲解SpringBoot整合SSE技术,涵盖实现原理、代码配置、异常处理及前端交互,... 目录Spring Boot 整合 SSE(Server-Sent Events)1、简述SSE与其他技术的对

深度解析Python yfinance的核心功能和高级用法

《深度解析Pythonyfinance的核心功能和高级用法》yfinance是一个功能强大且易于使用的Python库,用于从YahooFinance获取金融数据,本教程将深入探讨yfinance的核... 目录yfinance 深度解析教程 (python)1. 简介与安装1.1 什么是 yfinance?

Python脚本轻松实现检测麦克风功能

《Python脚本轻松实现检测麦克风功能》在进行音频处理或开发需要使用麦克风的应用程序时,确保麦克风功能正常是非常重要的,本文将介绍一个简单的Python脚本,能够帮助我们检测本地麦克风的功能,需要的... 目录轻松检测麦克风功能脚本介绍一、python环境准备二、代码解析三、使用方法四、知识扩展轻松检测麦

Python多线程应用中的卡死问题优化方案指南

《Python多线程应用中的卡死问题优化方案指南》在利用Python语言开发某查询软件时,遇到了点击搜索按钮后软件卡死的问题,本文将简单分析一下出现的原因以及对应的优化方案,希望对大家有所帮助... 目录问题描述优化方案1. 网络请求优化2. 多线程架构优化3. 全局异常处理4. 配置管理优化优化效果1.

MyBatis-Plus 与 Spring Boot 集成原理实战示例

《MyBatis-Plus与SpringBoot集成原理实战示例》MyBatis-Plus通过自动配置与核心组件集成SpringBoot实现零配置,提供分页、逻辑删除等插件化功能,增强MyBa... 目录 一、MyBATis-Plus 简介 二、集成方式(Spring Boot)1. 引入依赖 三、核心机制

Python中高级文本模式匹配与查找技术指南

《Python中高级文本模式匹配与查找技术指南》文本处理是编程世界的永恒主题,而模式匹配则是文本处理的基石,本文将深度剖析PythonCookbook中的核心匹配技术,并结合实际工程案例展示其应用,希... 目录引言一、基础工具:字符串方法与序列匹配二、正则表达式:模式匹配的瑞士军刀2.1 re模块核心AP