Mysql增量寫入Hdfs（二） --Storm+hdfs的流式處理

時間 2019-12-02

標籤 mysql 增量寫入 hdfs storm+hdfs storm 處理欄目 MySQL 简体版

原文原文鏈接

一. 概述

上一篇咱們介紹瞭如何將數據從mysql拋到kafka，此次咱們就專一於利用storm將數據寫入到hdfs的過程，因爲storm寫入hdfs的可定製東西有些多，咱們先不從kafka讀取，而先本身定義一個Spout數據充當數據源，下章再進行整合。這裏默認你是擁有必定的storm知識的基礎，起碼知道Spout和bolt是什麼。html

寫入hdfs能夠有如下的定製策略：java

自定義寫入文件的名字
定義寫入內容格式
知足給定條件後更改寫入的文件
更改寫入文件時觸發的Action

本篇會先說明如何用storm寫入HDFS，寫入過程一些API的描述，以及最後給定一個例子：mysql

storm每接收到10個Tuple後就會改變hdfs寫入文件，新文件的名字就是第幾回改變。git

ps：storm版本：1.1.1。Hadoop版本：2.7.4。github

接下來咱們首先看看Storm如何寫入HDFS。sql

二.Storm寫入HDFS

Storm官方有提供了相應的API讓咱們可使用。能夠經過建立HdfsBolt以及定義相應的規則，便可寫入HDFS　。apache

首先經過maven配置依賴以及插件。json

<properties>
        <storm.version>1.1.1</storm.version>
    </properties>

    <dependencies>

        <dependency>
            <groupId>org.apache.storm</groupId>
            <artifactId>storm-core</artifactId>
            <version>${storm.version}</version>
            <!--<scope>provided</scope>-->
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>log4j-over-slf4j</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <dependency>
            <groupId>commons-collections</groupId>
            <artifactId>commons-collections</artifactId>
            <version>3.2.1</version>
        </dependency>
        <dependency>
            <groupId>com.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>15.0</version>
        </dependency>

        <!--hadoop模塊-->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.7.4</version>
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>2.7.4</version>
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

        <!-- https://mvnrepository.com/artifact/org.apache.storm/storm-hdfs -->
        <dependency>
            <groupId>org.apache.storm</groupId>
            <artifactId>storm-hdfs</artifactId>
            <version>1.1.1</version>
            <!--<scope>test</scope>-->
        </dependency>

    </dependencies>


    <build>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.5.1</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
            <plugin>
                <groupId>org.codehaus.mojo</groupId>
                <artifactId>exec-maven-plugin</artifactId>
                <version>1.2.1</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>exec</goal>
                        </goals>
                    </execution>
                </executions>
                <configuration>
                    <executable>java</executable>
                    <includeProjectDependencies>true</includeProjectDependencies>
                    <includePluginDependencies>false</includePluginDependencies>
                    <classpathScope>compile</classpathScope>
                    <mainClass>com.learningstorm.kafka.KafkaTopology</mainClass>
                </configuration>
            </plugin>
   
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>1.7</version>
                <configuration>
                    <createDependencyReducedPom>true</createDependencyReducedPom>
                </configuration>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <transformers>
                                <transformer
                                        implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"/>
                                <transformer
                                        implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                                    <mainClass></mainClass>
                                </transformer>
                            </transformers>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>

這裏要提一下，若是要打包部署到集羣上的話，打包的插件須要使用maven-shade-plugin這個插件，而後使用maven Lifecycle中的package打包。而不是用Maven-assembly-plugin插件進行打包。安全

由於使用Maven-assembly-plugin的時候，會將全部依賴的包unpack，而後在pack，這樣就會出現，一樣的文件被覆蓋的狀況。發佈到集羣上的時候就會報No FileSystem for scheme: hdfs的錯。dom

而後是使用HdfsBolt寫入Hdfs。這裏來看看官方文檔中的例子吧。

// 使用 "|" 來替代 ","，來進行字符分割
RecordFormat format = new DelimitedRecordFormat()
        .withFieldDelimiter("|");

// 每輸入 1k 後將內容同步到 Hdfs 中
SyncPolicy syncPolicy = new CountSyncPolicy(1000);

// 當文件大小達到 5MB ，轉換寫入文件，即寫入到一個新的文件中
FileRotationPolicy rotationPolicy = new FileSizeRotationPolicy(5.0f, Units.MB);

//當轉換寫入文件時，生成新文件的名字並使用
FileNameFormat fileNameFormat = new DefaultFileNameFormat()
        .withPath("/foo/");

HdfsBolt bolt = new HdfsBolt()
        .withFsUrl("hdfs://localhost:9000")
        .withFileNameFormat(fileNameFormat)
        .withRecordFormat(format)
        .withRotationPolicy(rotationPolicy)
        .withSyncPolicy(syncPolicy);

//生成該 bolt
topologyBuilder.setBolt("hdfsBolt", bolt, 5).globalGrouping("randomStrSpout");

到這裏就結束了。能夠將HdfsBolt看成一個Storm中特殊一些的bolt便可。這個bolt的做用即便根據接收信息寫入Hdfs。

而在新建HdfsBolt中，Storm爲咱們提供了至關強的靈活性，咱們能夠定義一些策略，好比當達成某個條件的時候轉換寫入文件，新寫入文件的名字，寫入時候的分隔符等等。

若是選擇使用的話，Storm有提供部分接口供咱們使用，但若是咱們以爲不夠豐富也能夠自定義相應的類。下面咱們看看如何控制這些策略吧。

RecordFormat

這是一個接口，容許你自由定義接收到內容的格式。

public interface RecordFormat extends Serializable {
    byte[] format(Tuple tuple);
}

Storm提供了DelimitedRecordFormat，使用方法在上面已經有了。這個類默認的分割符是逗號","，而你能夠經過withFieldDelimiter方法改變分隔符。
若是你的初始分隔符不是逗號的話，那麼也能夠重寫寫一個類實現RecordFormat接口便可。

FileNameFormat

一樣是一個接口。

public interface FileNameFormat extends Serializable {
    void prepare(Map conf, TopologyContext topologyContext);
    String getName(long rotation, long timeStamp);
    String getPath();
}

Storm所提供的默認的是org.apache.storm.hdfs.format.DefaultFileNameFormat。默認人使用的轉換文件名有點長，格式是這樣的：

{prefix}{componentId}-{taskId}-{rotationNum}-{timestamp}{extension}

例如：

MyBolt-5-7-1390579837830.txt

默認狀況下，前綴是空的，擴展標識是".txt"。

SyncPolicy

同步策略容許你將buffered data緩衝到Hdfs文件中（從而client能夠讀取數據），經過實現org.apache.storm.hdfs.sync.SyncPolicy接口：

public interface SyncPolicy extends Serializable {
    boolean mark(Tuple tuple, long offset);
    void reset();
}

FileRotationPolicy

這個接口容許你控制什麼狀況下轉換寫入文件。

public interface FileRotationPolicy extends Serializable {
    boolean mark(Tuple tuple, long offset);
    void reset();
}

Storm有提供三個實現該接口的類：

最簡單的就是不進行轉換的org.apache.storm.hdfs.bolt.rotation.NoRotationPolicy，就是什麼也不幹。
經過文件大小觸發轉換的org.apache.storm.hdfs.bolt.rotation.FileSizeRotationPolicy。
經過時間條件來觸發轉換的org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy。

若是有更加複雜的需求也能夠本身定義。

RotationAction

這個主要是提供一個或多個hook，可加可不加。主要是在觸發寫入文件轉換的時候會啓動。

public interface RotationAction extends Serializable {
    void execute(FileSystem fileSystem, Path filePath) throws IOException;
}

三.實現一個例子

瞭解了上面的狀況後，咱們會實現一個例子，根據寫入記錄的多少來控制寫入轉換（改變寫入的文件），而且轉換後文件的名字表示當前是第幾回轉換。

首先來看看HdfsBolt的內容：

RecordFormat format = new DelimitedRecordFormat().withFieldDelimiter(" ");
        // sync the filesystem after every 1k tuples
        SyncPolicy syncPolicy = new CountSyncPolicy(1000);
//        FileRotationPolicy rotationPolicy = new FileSizeRotationPolicy(1.0f, FileSizeRotationPolicy.Units.KB);
        /** rotate file with Date,every month create a new file
         * format:yyyymm.txt
         */
        FileRotationPolicy rotationPolicy = new CountStrRotationPolicy();
        FileNameFormat fileNameFormat = new TimesFileNameFormat().withPath("/test/");
        RotationAction action = new NewFileAction();
        HdfsBolt bolt = new HdfsBolt()
                .withFsUrl("hdfs://127.0.0.1:9000")
                .withFileNameFormat(fileNameFormat)
                .withRecordFormat(format)
                .withRotationPolicy(rotationPolicy)
                .withSyncPolicy(syncPolicy)
                .addRotationAction(action);

而後分別來看各個策略的類。

FileRotationPolicy

import org.apache.storm.hdfs.bolt.rotation.FileRotationPolicy;
import org.apache.storm.tuple.Tuple;

import java.text.SimpleDateFormat;
import java.util.Date;

/**
 * 計數以改變Hdfs寫入文件的位置，當寫入10次的時候，則更改寫入文件，更更名字取決於 「TimesFileNameFormat」
 * 這個類是線程安全
 */

public class CountStrRotationPolicy implements FileRotationPolicy {


    private SimpleDateFormat df = new SimpleDateFormat("yyyyMM");

    private String date =  null;

    private int count = 0;

    public CountStrRotationPolicy(){
        this.date =  df.format(new Date());
//        this.date = df.format(new Date());
    }


    /**
     * Called for every tuple the HdfsBolt executes.
     *
     * @param tuple  The tuple executed.
     * @param offset current offset of file being written
     * @return true if a file rotation should be performed
     */
    @Override
    public boolean mark(Tuple tuple, long offset) {
        count ++;
        if(count == 10) {
            System.out.print("num :" +count + "   ");
            count = 0;
            return true;

        }
        else {
            return false;
        }
    }

    /**
     * Called after the HdfsBolt rotates a file.
     */
    @Override
    public void reset() {

    }

    @Override
    public FileRotationPolicy copy() {
        return new CountStrRotationPolicy();
    }


}

FileNameFormat

import org.apache.storm.hdfs.bolt.format.FileNameFormat;
import org.apache.storm.task.TopologyContext;

import java.util.Map;

/**
 * 決定從新寫入文件時候的名字
 * 這裏會返回是第幾回轉換寫入文件，將這個第幾回作爲文件名
 */
public class TimesFileNameFormat implements FileNameFormat {
    //默認路徑
    private String path = "/storm";
    //默認後綴
    private String extension = ".txt";
    private Long times = new Long(0);

    public TimesFileNameFormat withPath(String path){
        this.path = path;
        return this;
    }

    @Override
    public void prepare(Map conf, TopologyContext topologyContext) {
    }


    @Override
    public String getName(long rotation, long timeStamp) {
        times ++ ;
        //返回文件名，文件名爲更換寫入文件次數
        return times.toString() + this.extension;
    }

    public String getPath(){
        return this.path;
    }
}

RotationAction

import org.apache.hadoop.fs.FileContext;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.storm.hdfs.common.rotation.RotationAction;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import java.io.IOException;
import java.net.URI;
/**
    當轉換寫入文件時候調用的 hook ，這裏僅寫入日誌。
 */
public class NewFileAction implements RotationAction {
    private static final Logger LOG = LoggerFactory.getLogger(NewFileAction.class);



    @Override
    public void execute(FileSystem fileSystem, Path filePath) throws IOException {
        LOG.info("Hdfs change the written file！！");

        return;
    }
}

OK，這樣就大功告成了。經過上面的代碼，每接收到10個Tuple後就會轉換寫入文件，新文件的名字就是第幾回轉換。

完整代碼包括一個隨機生成字符串的Spout，能夠到個人github上查看。

StormHdfsDemo:https://github.com/shezhiming/StormHdfsDemo