產品介紹
Flume-DataHub插件是基于Flume開發的DataHub數據訂閱/發布插件，可以將采集到的數據寫入DataHub，也可以從DataHub讀取數據寫入其他系統。該插件遵守Flume插件開發規范，安裝方便，可以很方便的向DataHub發布/訂閱數據。
產品安裝
安裝限制
JDK版本 >= 1.8
Apache Maven 3.x
Flume-NG 1.x
下載flume（如已下載請跳過）
首先下載flume。
$ tar zxvf apache-flume-1.11.0-bin.tar.gz方便起見，以下介紹以${FLUME_HOME}表示Flume主目錄位置。
安裝flume-datahub
直接安裝(推薦)
首先下載flume-datahub插件,下載鏈接 。（歷史版本可在文末進行下載）
解壓flume插件并放在${FLUME_HOME}/plugins.d目錄下
$ tar aliyun-flume-datahub-sink-x.x.x.tar.gz $ cd aliyun-flume-datahub-sink-x.x.x $ mkdir ${FLUME_HOME}/plugins.d $ mv aliyun-flume-datahub-sink ${FLUME_HOME}/plugins.d
源碼安裝
首先下載源碼,github地址。
編譯并安裝
$ cd aliyun-maxcompute-data-collectors $ mvn clean package -DskipTests=true -Dmaven.javadoc.skip=true $ cd flume-plugin/target $ tar zxvf aliyun-flume-datahub-sink-x.x.x.tar.gz $ mv aliyun-flume-datahub-sink ${FLUME_HOME}/plugins.d
參數介紹
sink 參數介紹
名稱 | 默認值 | 是否必須 | 描述 |
datahub.endPoint | - | 必須 | 阿里云datahub的服務地址 |
datahub.accessId | - | 必須 | 阿里云access id |
datahub.accessKey | - | 必須 | 阿里云access key |
datahub.project | - | 必須 | datahub項目名稱 |
datahub.topic | - | 必須 | datahub topic名稱 |
datahub.shard.ids | 所有shard | 可選 | 寫入datahub的指定shard列表,以”,”分隔，例如 0,1,2。每次從shard列表隨機選擇一個shard寫入DataHub。在發生shard分裂或者合并時，如果沒有指定該參數，那么shard分裂或者合并后，flume會自動調整shard列表，否則需要用戶手動修改配置文件。 |
datahub.enablePb | true | 可選 | 是否使用pb傳輸，部分專有云不支持需要手動設置為false |
datahub.compressType | none | 可選 | 是否壓縮傳輸，目前支持 LZ4, DEFLATE |
datahub.batchSize | 1000 | 可選 | datahub每次發送的最大數據量 |
datahub.maxBufferSize | 2*1024*1024 | 可選 | datahub單次請求寫入數據量的最大值（單位：Byte）。不建議修改該參數，單次寫入數據量過大可能寫入失敗 |
datahub.batchTimeout | 5 | 可選 | 如果數據量沒有達到batchSize，向datahub同步數據之前等待的時間（單位：秒） |
datahub.retryTimes | 3 | 可選 | 數據同步失敗重試次數 |
datahub.retryInterval | 5 | 可選 | 數據同步失敗重試間隔（單位：秒） |
datahub.dirtyDataContinue | true | 可選 | 遇到臟數據是否繼續處理，為true時，會自動將臟數據以,分隔符寫入臟數據文件，不影響后續數據的處理 |
datahub.dirtyDataFile | DataHub-Flume-dirty-file | 可選 | 臟數據文件 |
serializer | - | 必須 | 數據解析方式，目前支持DELIMITED（分，JSON（每行為單層Json）和REGEX（正則表達式） |
serializer.delimiter | , | 可選 | 數據字段分割符，如果要使用特殊字符需要添加雙引號，例如”\t” |
serializer.regex | (.*) | 可選 | 數據解析的正則表達式，每個字段的數據被解析成一個group |
serializer.fieldnames | - | 必須 | 輸入數據字段到datahub字段的映射，以輸入的順序標示字段，如果要跳過某個字段， 不指定列名即可，例如 c1,c2,,c3，表示將輸入數據的第一、二、四字段和datahub的c1,c2,c3字段進行匹配。 |
serializer.charset | UTF-8 | 可選 | 數據解析編碼格式 |
Source 參數
名稱 | 默認值 | 是否必須 | 描述 |
datahub.endPoint | - | 必須 | 阿里云datahub的服務地址 |
datahub.accessId | - | 必須 | 阿里云access id |
datahub.accessKey | - | 必須 | 阿里云access key |
datahub.project | - | 必須 | datahub項目名稱 |
datahub.topic | - | 必須 | datahub topic名稱 |
datahub.subId | - | 必須 | datahub 訂閱 id |
datahub.startTime | - | 可選 | datahub 指定時間點進行讀數據，格式為yyyy-MM-dd HH:mm:ss，使用該參數會首先重置訂閱，然后根據訂閱讀取數據。 |
datahub.shard.ids | - | 可選 | 讀取datahub的指定shard列表,以”,”分隔，例如 0,1,2。每次讀數據時會從shard列表隨機選擇一個shard進行消費。如不指定，則采用協同消費進行數據讀取。不建議使用該參數，如果配置了多個source的情況下，不指定該參數時，協同消費會自動分配shard，盡可能保證每個source負載均衡。 |
datahub.enablePb | true | 可選 | 是否使用pb傳輸，部分專有云不支持需要手動設置為false |
datahub.compressType | none | 可選 | 是否壓縮傳輸，目前支持 LZ4, DEFLATE |
datahub.batchSize | 1000 | 可選 | DataHub每次讀取的最大數據量 |
datahub.batchTimeout | 5 | 可選 | 如果數據量沒有達到batchSize，向datahub同步數據之前等待的時間（單位：秒） |
datahub.retryTimes | 3 | 可選 | 數據讀取失敗重試次數，重試間隔默認為1S，不可調整 |
datahub.autoCommit | true | 可選 | 設為true表示由consumer自動提交點位，可能發生數據未消費但是點位被提交的可能，修改為false表示數據被提交到flume channel之后才會提交該點位 |
datahub.offsetCommitTimeout | 30 | 可選 | 自動提交點位時間間隔（單位：秒） |
datahub.sessionTimeout | 60 | 可選 | source功能采取協同消費實現，協同消費超時沒有發送心跳，則session會自動關閉 |
serializer | - | 必須 | 數據解析方式，目前支持DELIMITED（分隔符），數據的每個字段將會以datahub schema順序寫成一行，并以delimiter進行分隔 |
serializer.delimiter | , | 可選 | 數據字段分割符，如果要使用特殊字符需要添加雙引號，例如”\t” |
serializer.charset | UTF-8 | 可選 | 數據解析編碼格式 |
Sink 使用案例
案例一：DELIMITED serializer
DELIMITED解析數據時將每一行作為一條Record，并以給定的分隔符對數據進行解析。下面以csv文件為例，說明如何使用flume將批量csv文件準時時上傳到DataHub。
數據文件
將以下內容保存在本地文件/temp/test.csv中。
0,YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0,true,1254275.1144629316,1573206062763,1254275.1144637289
0,YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0,true,1254275.1144629316,1573206062763,1254275.1144637289
1,hHVNjKW5DsRmVXjguwyVDjzjn60wUcOKos9Qym0V,false,1254275.1144637289,1573206062763,1254275.1144637289
2,vnXOEuKF4Xdn5WnDCPbzPwTwDj3k1m3rlqc1vN2l,true,1254275.1144637289,1573206062763,1254275.1144637289
3,t0AGT8HShzroBVM3vkP37fIahg2yDqZ5xWfwDFJs,false,1254275.1144637289,1573206062763,1254275.1144637289
4,MKwZ1nczmCBp6whg1lQeFLZ6E628lXvFncUVcYWI,true,1254275.1144637289,1573206062763,1254275.1144637289
5,bDPQJ656xvPGw1PPjhhTUZyLJGILkNnpqNLaELWV,false,1254275.1144637289,1573206062763,1254275.1144637289
6,wWF7i4X8SXNhm4EfClQjQF4CUcYQgy3XnOSz0StX,true,1254275.1144637289,1573206062763,1254275.1144637289
7,whUxTNREujMP6ZrAJlSVhCEKH1KH9XYJmOFXKbh8,false,1254275.1144637289,1573206062763,1254275.1144637289
8,OYcS1WkGcbZFbPLKaqU5odlBf7rHDObkQJdBDrYZ,true,1254275.1144637289,1573206062763,1254275.1144637289DataHub Topic Schema
以上數據對應的DataHub schme為：
字段名稱 | 字段類型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目錄 ${FLUME_HOME}/conf 下創建文件名為datahub_basic.conf的文件，然后將以下內容寫入文件。本實例采用Exec Source作為數據源，更多Source可以參考Flume官方文檔。注意：ExecSource源可能發生數據丟失，因為EeecSource無法保證將事件放入Channel，在這種情況下，數據將丟失。例如，tail命令獲取數據時，此時flume channel已滿，而這部分數據將會丟失。建議使用Spooling Directory Source或者Taildir Source，下方有Taildir Source案例介紹。這里將靜態文件/temp/test.csv作為數據源，如果文件為動態寫入的日志文件，可使用命令tail -F logFile進行實時采集。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = cat /temp/test.csv
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = DELIMITED
a1.sinks.k1.serializer.delimiter = ,
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
a1.sinks.k1.datahub.enablePb = true
a1.sinks.k1.datahub.compressType = DEFLATE
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1啟動Flume
Dflume.root.logger=INFO,console選項可以將日志實時輸出到控制臺，如需更多信息可采用DEBUG模式。使用如下命令啟動Flume，即可完成CSV文件數據采集進入DataHub：
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console案例二：REGEX serializer
REGEX解析數據時將每一行作為一條Record，并以給定的正則表達式對數據進行解析，一條Record的信息的多個內容以分組表示。下面以日志文件為例，說明flume如何利用正則表達式準時時上傳到DataHub。
數據文件
將以下內容保存在本地文件/temp/test.csv中。其中需要同步的數據內容為日期后面的詳細數據。
1. [2019-11-12 15:20:08] 0,j4M6PhzL1DXVTQawdfk306N2KnCDxtR0KK1pke5O,true,1254409.5059812006,1573543208698,1254409.5059819978
2. [2019-11-12 15:22:35] 0,mYLF8UzIYCCFUm1jYs9wzd2Hl6IMr2N7GPYXZSZy,true,1254409.5645912462,1573543355740,1254409.5645920434
3. [2019-11-12 15:23:14] 0,MOemUZur37n4SGtdUQyMohgmM6cxZRBXjJ34HzqX,true,1254409.5799291395,1573543394219,1254409.579929538
4. [2019-11-12 15:23:30] 0,EAFc1VTOvC9rYzPl9zJYa6cc8uJ089EaFd79B25i,true,1254409.5862723626,1573543410134,1254409.5862731598
5. [2019-11-12 15:23:53] 0,zndVraA4GP7FP8p4CkQFsKJkxwtYK3zXjDdkhmRk,true,1254409.5956010541,1573543433538,1254409.5956018514
6. [2019-11-12 15:24:00] 0,9YrjjoALEfyZm07J7OuNvDVNyspIzrbOOAGnZtHx,true,1254409.598201082,1573543440061,1254409.5982018793
7. [2019-11-12 15:24:23] 0,mWsFgFlUnXKQQR6RpbAYDF9OhGYgU8mljvGCtZ26,true,1254409.6073950487,1573543463126,1254409.607395447
8. [2019-11-12 15:26:51] 0,5pZRRzkW3WDLdYLOklNgTLFX0Q0uywZ8jhw7RYfI,true,1254409.666525653,1573543611475,1254409.6665264503
9. [2019-11-12 15:29:11] 0,hVgGQrXpBtTJm6sovVK4YGjfNMdQ3z9pQHxD5Iqd,true,1254409.7222845491,1573543751364,1254409.7222853464
10. [2019-11-12 15:29:52] 0,7wQOQmxoaEl6Cxl1OSo6cr8MAc1AdJWJQaTPT5xs,true,1254409.7387664048,1573543792714,1254409.738767202
11. [2019-11-12 15:30:30] 0,a3Th5Q6a8Vy2h1zfWLEP7MdPhbKyTY3a4AfcOJs2,true,1254409.7538966285,1573543830673,1254409.7538974257
12. [2019-11-12 15:34:54] 0,d0yQAugqJ8M8OtmVQYMTYR8hi3uuX5WsH9VQRBpP,true,1254409.8589555968,1573544094247,1254409.8589563938DataHub Topic Schema
以上數據對應的DataHub schme為：
字段名稱 | 字段類型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目錄 ${FLUME_HOME}/conf 下創建文件名為datahub_basic.conf的文件，然后將以下內容寫入文件。本實例采用Exec Source作為數據源，更多Source可以參考Flume官方文檔。注意：ExecSource源可能發生數據丟失，因為EeecSource無法保證將事件放入Channel，在這種情況下，數據將丟失。例如，tail命令獲取數據時，此時flume channel已滿，而這部分數據將會丟失。建議使用Spooling Directory Source或者Taildir Source，下方有Taildir Source案例介紹。這里將靜態文件/temp/test.csv作為數據源，如果文件為動態寫入的日志文件，可使用命令tail -F logFile進行實時采集。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = cat /temp/test.csv
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = REGEX
a1.sinks.k1.serializer.regex = \\[\\d{4}-\\d{2}-\\d{2} \\d{2}:\\d{2}:\\d{2}\\] (\\d+),(\\S+),([a-z]+),([-+]?[0-9]*\\.?[0-9]*),(\\d+),([-+]?[0-9]*\\.?[0-9]*)
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1啟動Flume
Dflume.root.logger=INFO,console選項可以將日志實時輸出到控制臺，如需更多信息可采用DEBUG模式。使用如下命令啟動Flume，即可完成CSV文件數據采集進入DataHub：
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console案例三：Flume Taildir Source
在上面的介紹中提到，Flume使用exec source時，可能會導致數據丟失，所以在實際生產環境中并不建議使用。如果想要采集本地日志，可以使用Taildir Source或者Spooling Directory Source。下面以Taildir為例，介紹日志文件的采集。Taildir將會可以指定文件組，然后觀察指定的文件，并在檢測到新行添加到每個文件后，幾乎實時的進行讀取。如果正在寫入新行，則此源將重試讀取它們，以等待寫入完成。 Taildir Source會把每個文件的已經讀到的位置信息以JSON格式儲存在positionFile文件中，source event 放入channel失敗，已讀位置不會更新，所以Taildir Source是可靠的。
數據文件
所有的日志將以如下格式追加到文件末尾。日志文件命名格式為 *.log
0,YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0,true,1254275.1144629316,1573206062763,1254275.1144637289DataHub Topic Schema
以上數據對應的DataHub schme為：
字段名稱 | 字段類型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目錄 ${FLUME_HOME}/conf 下創建文件名為datahub_basic.conf的文件，然后將以下內容寫入文件。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = TAILDIR
a1.sources.r1.positionFile = /temp/taildir_position.json
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /temp/.*log
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = DELIMITED
a1.sinks.k1.serializer.delimiter = ,
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
a1.sinks.k1.datahub.enablePb = true
a1.sinks.k1.datahub.compressType = DEFLATE
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1啟動Flume
Dflume.root.logger=INFO,console選項可以將日志實時輸出到控制臺，如需更多信息可采用DEBUG模式。使用如下命令啟動Flume，即可完成CSV文件數據采集進入DataHub：
1. $ cd ${FLUME_HOME}
2. $ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console案例四：JSON serializer
JSON解析數據時將每一行作為一條Record，只做一層JSON解析，嵌套的內容直接當作string，第一層的name若在配置的serializer.fieldnames中，就會加入到對應的列中。下面以日志文件為例，說明flume如何利用JSON解析方式準時時上傳到DataHub。
數據文件
將以下內容保存在本地文件/temp/test.json中。其中需要同步的數據內容為日期后面的詳細數據。
{"my_time":1573206062763,"gender":true,"name":"YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0","id":0,"salary":1254275.1144629316,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0","id":0,"salary":1254275.1144629316,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"hHVNjKW5DsRmVXjguwyVDjzjn60wUcOKos9Qym0V","id":1,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"vnXOEuKF4Xdn5WnDCPbzPwTwDj3k1m3rlqc1vN2l","id":2,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"t0AGT8HShzroBVM3vkP37fIahg2yDqZ5xWfwDFJs","id":3,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"MKwZ1nczmCBp6whg1lQeFLZ6E628lXvFncUVcYWI","id":4,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"bDPQJ656xvPGw1PPjhhTUZyLJGILkNnpqNLaELWV","id":5,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"wWF7i4X8SXNhm4EfClQjQF4CUcYQgy3XnOSz0StX","id":6,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"whUxTNREujMP6ZrAJlSVhCEKH1KH9XYJmOFXKbh8","id":7,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"gender":true,"name":{"a":"OYcS1WkGcbZFbPLKaqU5odlBf7rHDObkQJdBDrYZ"},"id":8,"salary":1254275.1144637289,"decimal":1254275.1144637289}DataHub Topic Schema
以上數據對應的DataHub schme為：
字段名稱 | 字段類型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目錄 ${FLUME_HOME}/conf 下創建文件名為datahub_basic.conf的文件，然后將以下內容寫入文件。本實例采用Exec Source作為數據源，更多Source可以參考Flume官方文檔。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = cat /temp/test.json
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = JSON
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1啟動Flume
Dflume.root.logger=INFO,console選項可以將日志實時輸出到控制臺，如需更多信息可采用DEBUG模式。使用如下命令啟動Flume，即可完成CSV文件數據采集進入DataHub:
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,consoleSource 使用案例
案例一
DataHub-Flume Source可以將DataHub中的數據讀取出來，并且可靠的移動到另外的系統中，本文以logger（直接輸出到控制臺）為例，介紹DataHub-Flume Source的使用方法。
DataHub Topic Schema
以上數據對應的DataHub schme為：
字段名稱 | 字段類型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目錄 ${FLUME_HOME}/conf 下創建文件名為datahub_source.conf的文件，然后將以下內容寫入文件。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = com.aliyun.datahub.flume.sink.DatahubSource
a1.sources.r1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sources.r1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sources.r1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sources.r1.datahub.project = datahub_test
a1.sources.r1.datahub.topic = test_flume
a1.sources.r1.datahub.subId = {YOUR_ALIYUN_DATAHUB_SUB_ID}
a1.sources.r1.serializer = DELIMITED
a1.sources.r1.serializer.delimiter = ,
a1.sources.r1.serializer.charset = UTF-8
a1.sources.r1.datahub.retryTimes = 3
a1.sources.r1.datahub.batchSize = 1000
a1.sources.r1.datahub.batchTimeout = 5
a1.sources.r1.datahub.enablePb = false
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1啟動Flume
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_source.conf -Dflume.root.logger=INFO,consoleFlume metric
DataHub-Flume 支持Flume的內置計數監控器，用戶可以利用監控器來監控自己的Flume插件的運行情況。DataHub-Flume插件的Sink和Source都支持metric信息顯示，具體參數含義可查看下表（只含DataHub相關的參數，更多參數含義參考Flume官方文檔）。
1.)DatahubSink
名稱 | 描述 |
BatchEmptyCount | batch timeout時沒有數據需要寫入DataHub發生的次數 |
BatchCompleteCount | Batch處理成功次數，僅包含全部寫入成功的情況 |
EventDrainAttemptCount | 嘗試寫入DataHub的數據數量（解析成功數量） |
BatchUnderflowCount | 成功寫入DataHub的數據數量小于需要寫入的數據量發生的次數。數據解析完成，但寫入DataHub時部分失敗或全部失敗。 |
EventDrainSuccessCount | 成功寫入DataHub的數據量 |
2.)DatahubSource
名稱 | 描述 |
EventReceivedCount | Source接收到的DataHub的數據數量 |
EventAcceptedCount | Source將DataHub數據成功寫入channel的數量 |
使用方法
Flume提供了多種監控方法，本文以HTTP監控為例，介紹Flume監控工具的使用，更多的監控方法可以參考Flume官方文檔 。使用HTTP方式監控，只需要在Flume插件啟動時增加兩個參數即可，-Dflume.monitoring.type=http -Dflume.monitoring.port=1234，其中type將監控方式指定為http，port為指定的端口號。使用示例如下：
bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console -Dflume.monitoring.type=http -Dflume.monitoring.port=1234插件成功啟動之后，便可以登錄Web界面進行查看。地址為 https://ip:1234/metrics
FAQ
Q: flume啟動報錯org.apache.flume.ChannelFullException: Space for commit to queue couldn’t be acquired. Sinks are likely not keeping up with sources, or the buffer size is too tight
A: flume默認堆內存20MB，配置的batchSize過大時，flume使用的堆內存會超出20M。
解決方案1：調小batchSize；
解決方案2：調大flume最大堆內存。
$ vim bin/flume-ngJAV**A_OPTS**="-Xmx20m" ==> JAV**A_OPTS**="-Xmx1024m"
Q: DataHub-Flume插件是否支持JSON格式
A: 目前不支持，不過用戶可以通過自定義正則表達式進行數據解析，或者修改DataHub-Flume插件代碼，添加JSONEvent進行支持。
Q: DataHub-Flume插件支持Blob Topic嗎？
A: 目前DataHub-Flume插件僅支持Tuple Topic,暫不支持blob。
Q:flume 報錯 org.apache.flume.ChannelException: Put queue for MemoryTransaction of capacity 1 full, consider committing more frequently, increasing capacity or increasing thread count
A: channel已滿，source數據寫入channel失敗。可以在配置文件中修改channel capacity解決，并且可以適當降低datahub source的batchSize。
Q: 使用舊版本flume時報錯，可能會因為jar包沖突導致無法正常啟動。
例如：使用flume1.6時，啟動時報錯：java.lang.NoSuchMethodError:com.fasterxml.jackson.databind.ObjectMapper.readerFor(Lcom/fasterxml/jackson/databind/JavaType;)Lcom/fasterxml/jackson/databind/ObjectReader;。因為新版本的插件依賴的jar包和flume本身依賴的jar包版本不一致，使用了flume依賴的舊版本jar包導致新版本的method找不到。