本文為您介紹如何使用Flume同步EMR Kafka集群的數據至阿里云OSS-HDFS(JindoFS服務)。
背景信息
OSS-HDFS服務是一款云原生數據湖存儲產品,基于統一的元數據管理能力,在完全兼容HDFS文件系統接口的同時,提供充分的POSIX能力支持,能更好的滿足大數據和AI領域豐富多樣的數據湖計算場景,詳細信息請參見OSS-HDFS服務概述。
前提條件
操作步驟
- 開啟OSS-HDFS。
開通并授權訪問OSS-HDFS服務,具體操作請參見開通并授權訪問OSS-HDFS服務。
- 配置Flume。
- 進入Flume的配置頁面。
- 登錄EMR on ECS控制臺。
- 在頂部菜單欄處,根據實際情況選擇地域和資源組。
- 在集群管理頁面,單擊目標集群操作列的集群服務。
- 在集群服務頁面,單擊FLUME服務區域的配置。
- 設置JVM最大可用內存(Xmx)。Flume向OSS寫入數據時,因為需要占用較大的JVM內存,所以可以增大Flume Agent的Xmx。
- 單擊flume-env.sh頁簽。
本文示例采用的是全局配置方式,如果您想按照節點配置,可以在FLUME服務配置頁面的下拉列表中選擇獨立節點配置。
- 修改JAVA_OPTS的參數值。
例如,設置為1g,則參數值修改為-Xmx1g。
- 單擊flume-env.sh頁簽。
- 單擊flume-conf.properties頁簽。本文示例采用的是全局配置方式,如果您想按照節點配置,可以在FLUME服務配置頁面的下拉列表中選擇獨立節點配置。
- 在flume-conf.properties的參數值中,添加以下內容。說明 代碼示例中的
default-agent
,請與FLUME服務配置頁面的agent_name參數的參數值保持一致。default-agent.sources = source1 default-agent.sinks = k1 default-agent.channels = c1 default-agent.sources.source1.type = org.apache.flume.source.kafka.KafkaSource default-agent.sources.source1.channels = c1 default-agent.sources.source1.kafka.bootstrap.servers = <kafka-host1:port1,kafka-host2:port2...> default-agent.sources.source1.kafka.topics = flume-test default-agent.sources.source1.kafka.consumer.group.id = flume-test-group default-agent.sinks.k1.type = hdfs default-agent.sinks.k1.hdfs.path = oss://<examplebucket>.<exampleregion>.oss-dls.aliyuncs.com/<exampledir> default-agent.sinks.k1.hdfs.fileType=DataStream # Use a channel which buffers events in memory default-agent.channels.c1.type = memory default-agent.channels.c1.capacity = 100 default-agent.channels.c1.transactionCapacity = 100 # Bind the source and sink to the channel default-agent.sources.source1.channels = c1 default-agent.sinks.k1.channel = c1
參數 描述 default-agent.sources.source1.kafka.bootstrap.servers Kafka集群Broker的Host和端口號。 default-agent.sinks.k1.hdfs.path OSS-HDFS的路徑。填寫格式為 oss://<examplebucket>.<exampleregion>.oss-dls.aliyuncs.com/<exampledir>
。例如,oss://flume-test.cn-hangzhou.oss-dls.aliyuncs.com/result。
說明<examplebucket>
為Bucket名稱,<exampleregion>
為地域ID,<exampledir>
為OSS上的目錄名。default-agent.channels.c1.capacity 通道中存儲的最大事件數。請根據實際環境修改該參數值。 default-agent.channels.c1.transactionCapacity 每個事務通道將從源接收或提供給接收器的最大事件數。請根據實際環境修改該參數值。
- 進入Flume的配置頁面。
- 測試數據同步情況。
- 通過SSH方式連接DataFlow集群,詳情請參見登錄集群。
- 創建名稱為flume-test的Topic。
kafka-topics.sh --partitions 10 --replication-factor 2 --zookeeper master-1-1:2181/emr-kafka --topic flume-test --create
- 生成測試數據。
kafka-console-producer.sh --topic flume-test --broker-list master-1-1:9092
例如輸入
abc
并回車。 - 在oss://flume-test.cn-hangzhou.oss-dls.aliyuncs.com/result路徑下會以當前時間的時間戳(毫秒)為后綴生成文件FlumeData.xxxx。