基于Hadoop生态SparkStreaming的大数据实时流处理平台的搭建

随着公司业务发展，对大数据的获取和实时处理的要求就会越来越高，日志处理、用户行为分析、场景业务分析等等，传统的写日志方式根本满足不了业务的实时处理需求，所以本人准备开始着手改造原系统中的数据处理方式，重新搭建一个实时流处理平台，主要是基于hadoop生态，利用Kafka作为中转，SparkStreaming框架实时获取数据并清洗，将结果多维度的存储进HBase数据库。

整个平台大致的框架如下：

操作系统：Centos7

用到的框架：

1. Flume1.8.0

2. Hadoop2.9.0

3. kafka2.11-1.0.0

4.Spark2.2.1

5.HBase1.2.6

6. ZooKeeper3.4.11

7. maven3.5.2

整体的开发环境是基于JDK1.8以上以及Scala，所以得提前把java和Scala的环境给准备好，接下来就开始着手搭建基础平台：

一、配置开发环境

下载并解压JDK1.8,、下载并解压Scala，配置profile文件：

export JAVA_HOME=/usr/java/jdk1.8.0_144 export PATH=$JAVA_HOME/bin:$PATH export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar export SCALA_HOME=/usr/local/scala-2.11.12 export PATH=$PATH:$SCALA_HOME/bin

二、配置zookeeper、maven环境

下载并解压zookeeper以及maven并配置profile文件

export MAVEN_HOME=/usr/local/apache-maven-3.5.2 export PATH=$PATH:$MAVEN_HOME/bin

zookeeper的配置文件配置一下：

然后配置一下zoo.cfg里面的相关配置，指定一下dataDir目录等等

启动zookeeper:

如果不报错，jps看一下是否启动成功

三、安装配置Hadoop

Hadoop的安装配置在之前文章中有说过（传送门），为了下面的步骤方便理解，这里只做一个单机版的简单配置说明：

下载hadoop解压并配置环境：

export HADOOP_HOME=/usr/local/hadoop-2.9.0 export PATH=$PATH:$HADOOP_HOME/bin

配置hadoop 进入/usr/local/hadoop-2.9.0/etc/hadoop目录

首先配置hadoop-env.sh、yarn-env.sh，修改JAVA_HOME到指定的JDK安装目录/usr/local/java/jdk1.8.0_144

创建hadoop的工作目录

编辑core-site.xml、hdfs-site.xml、yarn-site.xml等相关配置文件，具体配置不再阐述请看前面的文章，配置完成之后记得执行hadoop namenode -format，否则hdfs启动会报错，启动完成后不出问题浏览器访问50070端口会看到hadoop的页面。

四、安装配置kafka

还是一样，先下载kafka，然后配置：

export KAFKA_HOME=/usr/local/kafka_2.11-1.0.0 export PATH=$KAFKA_HOME/bin:$PATH

进入kafka的config目录，配置server.properties,指定log.dirs和zookeeper.connect参数；配置zookeeper.properties文件中zookeeper的dataDir，配置完成后启动kafka

可以用jps查看有没有kafka进程，然后测试一下kafka是否能够正常收发消息，开两个终端，一个用来做producer发消息一个用来做consumer收消息，首先，先创建一个topic

如果不出一下会看到如下输出：

Topic:testTopic PartitionCount:1 ReplicationFactor:1 Configs: Topic: testTopic Partition: 0 Leader: 0 Replicas: 0 Isr: 0

然后在第一个终端中输入命令：

kafka-console-producer.sh –broker-list localhost:9092 –topic testTopic

在第二个终端中输入命令：

kafka-console-consumer.sh –zookeeper 127.0.0.1:2181 –topic testTopic

如果启动都正常，那么这两个终端将进入阻塞监听状态，在第一个终端中输入任何消息第二个终端都将会接收到。

五、安装配置HBase

下载并解压HBase：

export HBASE_HOME=/usr/local/hbase-1.2.6 export PATH=$PATH:$HBASE_HOME/bin

修改hbase下的配置文件,首先修改hbase-env.sh，主要修改JAVA_HOME以及相关参数，这里要说明一下HBASE_MANAGES_ZK这个参数，因为采用了自己的zookeeper，所以这里设置为false，否则hbase会自己启动一个zookeeper

export JAVA_HOME=/usr/local/java/jdk1.8.0_144/ HBASE_CLASSPATH=/usr/local/hbase-1.2.6/conf export HBASE_MASTER_OPTS="$HBASE_MASTER_OPTS -XX:PermSize=256m -XX:MaxPermSize=1024m" export HBASE_REGIONSERVER_OPTS="$HBASE_REGIONSERVER_OPTS -XX:PermSize=256m -XX:MaxPermSize=1024m" export HBASE_PID_DIR=/opt/data/hbase export HBASE_MANAGES_ZK=false

然后修改hbase-site.xml，我们设置hbase的文件放在hdfs中，所以要设置hdfs地址，其中tsk1是我安装hadoop的机器的hostname，hbase.zookeeper.quorum参数是安装zookeeper的地址，这里的各种地址最好用机器名

<configuration> <property> <name>hbase.rootdir</name> <value>hdfs://tsk1:9000/hbase</value> </property> <property> <name>hbase.master</name> <value>tsk1:60000</value> </property> <property> <name>hbase.master.port</name> <value>60000</value> </property> <property> <name>hbase.cluster.distributed</name> <value>true</value> </property> <property> <name>hbase.zookeeper.quorum</name> <value>192.168.70.135</value> </property> <property> <name>zookeeper.znode.parent</name> <value>/hbase</value> </property> <property> <name>hbase.zookeeper.property.dataDir</name> <value>/opt/data/zookeeper</value> </property> <property> <name>hbase.master.info.bindAddress</name> <value>tsk1</value> </property> </configuration>

配置完成后启动hbase，输入命令：

start-hbase.sh

完成后查看日志没有报错的话测试一下hbase，用hbase shell进行测试：

至此，hbase搭建成功，访问以下hadoop的页面，查看file system(菜单栏Utilities->Browse the file system)，这时可以看见base的相关文件已经载hadoop的文件系统中。

六、安装spark

下载spark并解压

export SPARK_HOME=/usr/local/spark-2.2.1-bin-hadoop2.7 export PATH=$PATH:$SPARK_HOME/bin

七、测试

至此，环境基本搭建完成，以上搭建的环境仅是服务器生产环境的一部分，涉及服务器信息、具体调优信息以及集群的搭建就不写在这里了，下面我们写一段代码整体测试一下从kafka生产消息到spark streaming接收到，然后处理消息并写入HBase。先写一个HBase的连接类HBaseHelper:

public class HBaseHelper { private static HBaseHelper ME; private static Configuration config; private static Connection conn; private static HBaseAdmin admin; public static HBaseHelper getInstances() { if (null == ME) { ME = new HBaseHelper(); config = HBaseConfiguration.create(); config.set("hbase.rootdir", "hdfs://tsk1:9000/hbase"); config.set("hbase.zookeeper.quorum", "tsk1"); config.set("hbase.zookeeper.property.clientPort", "2181"); config.set("hbase.defaults.for.version.skip", "true"); } if (null == conn) { try { conn = ConnectionFactory.createConnection(config); admin = new HBaseAdmin(config); } catch (IOException e) { e.printStackTrace(); } } return ME; } public Table getTable(String tableName) { Table table = null; try { table = conn.getTable(TableName.valueOf(tableName)); } catch (Exception ex) { ex.printStackTrace(); } return table; } public void putAdd(String tableName, String rowKey, String cf, String column, Long value) { Table table = this.getTable(tableName); try { table.incrementColumnValue(rowKey.getBytes(), cf.getBytes(), column.getBytes(), value); System.out.println("OK！"); } catch (IOException e) { e.printStackTrace(); } } //......以下省略 }

再写一个测试类KafkaRecHbase用来做spark-submit提交

package com.test.spark.spark_test; import java.util.HashMap; import java.util.Map; import java.util.regex.Pattern; import org.apache.log4j.Level; import org.apache.log4j.Logger; import org.apache.spark.SparkConf; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import org.apache.spark.streaming.kafka.KafkaUtils; import scala.Tuple2; public class KafkaRecHbase { private static final Pattern SPACE = Pattern.compile(" "); public static void main(String[] args) throws Exception { Logger.getLogger("org").setLevel(Level.ERROR); SparkConf sparkConf = new SparkConf(); sparkConf.setAppName("kafkaRecHbase"); sparkConf.setMaster("local[2]"); JavaStreamingContext ssc = new JavaStreamingContext(sparkConf, Durations.seconds(5)); int numThreads = Integer.parseInt(args[3]); Map<String, Integer> topicMap = new HashMap<>(); String[] topics = args[2].split(","); for (String topic : topics) { topicMap.put(topic, numThreads); } JavaPairReceiverInputDStream<String, String> kafkaStream = KafkaUtils.createStream(ssc, args[0], args[1], topicMap); JavaDStream<String> lines = kafkaStream.map(Tuple2::_2); JavaDStream<String> lineStr = lines.map(line -> { if (null == line || line.equals("")) { return ""; } String[] strs = SPACE.split(line); if (strs.length < 1) { return ""; } try { for (String str : strs) { HBaseHelper.getInstances().putAdd("myTestTable", str, "info", "wordCunts", 1l); } return "strs:" + line; } catch (Exception ex) { System.out.println(line); return "报错了：" + ex.getMessage(); } }); lineStr.print(); ssc.start(); System.out.println("spark 启动！！！"); ssc.awaitTermination(); } }

编译提交到服务器，执行命令：

没报错的话执行kafka的producer，输入几行数据在HBase内就能看到结果了！

八、装一个Flume实时采集Nginx日志写入Kafka

Flume是一个用来日志采集的框架，安装和配置都比较简单，可以支持多个数据源和输出，具体可以参考Flume的文档，写的比较全 传送门

下载Flume并配置环境

export FLUME_HOME=/usr/local/apache-flume-1.8.0-bin/ export PATH=$FLUME_HOME/bin:$PATH

写一个Flume的配置文件在flume的conf目录下：

agent1.sources=r1 agent1.channels=logger-channel agent1.sinks=kafka-sink agent1.sources.r1.type=exec agent1.sources.r1.deserializer.outputCharset= UTF-8 agent1.sources.r1.command=tail -F /opt/data/nginxLog/nginxLog.log agent1.channels.logger-channel.type=memory agent1.sinks.kafka-sink.type=org.apache.flume.sink.kafka.KafkaSink agent1.sinks.kafka-sink.topic = flumeKafka agent1.sinks.kafka-sink.brokerList = tsk1:9092 agent1.sinks.kafka-sink.requiredAcks = 1 agent1.sinks.kafka-sink.batchSize = 20 agent1.sources.r1.channels=logger-channel agent1.sinks.kafka-sink.channel=logger-channel

kafka创建一个名为flumeKafka的topic用来接收，然后启动flume：

如果没有报错，Flume将开始采集opt/data/nginxLog/nginxLog.log中产生的日志并实时推送给kafka，再按照上面方法写一个spark streaming的处理类进行相应的处理就好。

OK！全部搞定，然而~~~~就这样就搞定了？NO！！！这只是万里长征的第一步！呵呵！