org.apache.flume.source.SpoolDirectorySource是flume的一个常用的source，这个源支持从磁盘中某文件夹获取文件数据。不同于其他异步源，这个源能够避免重启或者发送失败后数据丢失。flume可以监控文件夹，当出现新文件时会读取该文件并获取数据。当一个给定的文件被全部读入到通道中时，该文件会被重命名以标志已经完成。同时，该源需要一个清理进程来定期移除完成的文件。
通道可选地将一个完成路径的原始文件插入到每个事件的hearder域中。在读取文件时，source缓存文件数据到内存中。同时，需要确定设置了bufferMaxLineLength选项，以确保该数据远大于输入数据中数据最长的某一行。
注意！！！channel只接收spooling directory中唯一命名的文件。如果文件名重复或文件在读取过程中被修改，则会有读取失败返回异常信息。这种场景下，同名的文件复制到这个目录时建议带唯一标示，比如时间戳。
一、configure(Context context)方法。代码如下：
public void configure(Context context) { spoolDirectory = context.getString(SPOOL_DIRECTORY); Preconditions.checkState(spoolDirectory != null, "Configuration must specify a spooling directory"); completedSuffix = context.getString(SPOOLED_FILE_SUFFIX, DEFAULT_SPOOLED_FILE_SUFFIX); deletePolicy = context.getString(DELETE_POLICY, DEFAULT_DELETE_POLICY); fileHeader = context.getBoolean(FILENAME_HEADER, DEFAULT_FILE_HEADER); fileHeaderKey = context.getString(FILENAME_HEADER_KEY, DEFAULT_FILENAME_HEADER_KEY); batchSize = context.getInteger(BATCH_SIZE, DEFAULT_BATCH_SIZE); inputCharset = context.getString(INPUT_CHARSET, DEFAULT_INPUT_CHARSET); ignorePattern = context.getString(IGNORE_PAT, DEFAULT_IGNORE_PAT); trackerDirPath = context.getString(TRACKER_DIR, DEFAULT_TRACKER_DIR); deserializerType = context.getString(DESERIALIZER, DEFAULT_DESERIALIZER); deserializerContext = new Context(context.getSubProperties(DESERIALIZER + ".")); // "Hack" to support backwards compatibility with previous generation of // spooling directory source, which did not support deserializers Integer bufferMaxLineLength = context.getInteger(BUFFER_MAX_LINE_LENGTH); if (bufferMaxLineLength != null && deserializerType != null && deserializerType.equals(DEFAULT_DESERIALIZER)) { deserializerContext.put(LineDeserializer.MAXLINE_KEY, bufferMaxLineLength.toString()); } }
1、spoolDirectory是监控目录，不能为空，没有默认值。这个source不具有监控子目录的功能，也就是不能递归监控。如果需要，这需要自己去实现，http://blog.csdn.net/yangbutao/article/details/8835563 这里有递归检测的实现；
2、completedSuffix是文件读取完毕后给完成文件添加的标记后缀，默认是".COMPLETED"；
3、deletePolicy这是是否删除读取完毕的文件，默认是"never"，就是不删除，目前只支持"never"和“IMMEDIATE”；
4、fileHeader是否在event的Header中添加文件名，boolean类型
5、fileHeaderKey这是event的Header中的key,value是文件名
6、batchSize这个是一次处理的记录数，默认是100；
7、inputCharset编码方式，默认是"UTF-8"；
8、ignorePattern忽略符合条件的文件名
9、trackerDirPath被处理文件元数据的存储目录，默认".flumespool"
10、deserializerType将文件中的数据序列化成event的方式，默认是“LINE”---org.apache.flume.serialization.LineDeserializer
11、deserializerContext这个主要用在Deserializer中设置编码方式outputCharset和文件每行最大长度maxLineLength。
二、start()方法。代码如下：
public void start() { logger.info("SpoolDirectorySource source starting with directory: {}", spoolDirectory); ScheduledExecutorService executor = Executors.newSingleThreadScheduledExecutor(); counterGroup = new CounterGroup(); File directory = new File(spoolDirectory); try { reader = new ReliableSpoolingFileEventReader.Builder() .spoolDirectory(directory) .completedSuffix(completedSuffix) .ignorePattern(ignorePattern) .trackerDirPath(trackerDirPath) .annotateFileName(fileHeader) .fileNameHeader(fileHeaderKey) .deserializerType(deserializerType) .deserializerContext(deserializerContext) .deletePolicy(deletePolicy) .inputCharset(inputCharset) .build(); } catch (IOException ioe) { throw new FlumeException("Error instantiating spooling event parser", ioe); } Runnable runner = new SpoolDirectoryRunnable(reader, counterGroup); executor.scheduleWithFixedDelay( runner, 0, POLL_DELAY_MS, TimeUnit.MILLISECONDS); super.start(); logger.debug("SpoolDirectorySource source started"); }
1、构建了一个org.apache.flume.client.avro.ReliableSpoolingFileEventReader的对象reader；
2、启动了一个每隔POLL_DELAY_MS（默认500，单位ms）执行一次SpoolDirectoryRunnable的进程；
三、读取并发送event进程。代码如下：
private class SpoolDirectoryRunnable implements Runnable { private ReliableSpoolingFileEventReader reader; private CounterGroup counterGroup; public SpoolDirectoryRunnable(ReliableSpoolingFileEventReader reader, CounterGroup counterGroup) { this.reader = reader; this.counterGroup = counterGroup; } @Override public void run() { try { while (true) { List<Event> events = reader.readEvents(batchSize); //读取batchSize个记录 if (events.isEmpty()) { break; } counterGroup.addAndGet("spooler.events.read", (long) events.size()); getChannelProcessor().processEventBatch(events); //将events批量发送到channel reader.commit(); } } catch (Throwable t) { logger.error("Uncaught exception in Runnable", t); if (t instanceof Error) { throw (Error) t; } } } }
该进程实现了批量读取reader所指向的文件的数据，并发送到channel。
四、org.apache.flume.client.avro.ReliableSpoolingFileEventReader的构造方法首先是先尝试对spoolDirectory是否有创建文件、读、写、删除等权限；然后在构造"$spoolDirectory/.flumespool/.flumespool-main.meta"元数据文件
五、上面SpoolDirectoryRunnable.run方法中的List<Event> events = reader.readEvents(batchSize)，是org.apache.flume.client.avro.ReliableSpoolingFileEventReader.readEvents(batchSize)：
public List<Event> readEvents(int numEvents) throws IOException { if (!committed) { if (!currentFile.isPresent()) {//为空,如果Optional包含非null的引用（引用存在），返回true throw new IllegalStateException("File should not roll when " + "commit is outstanding."); } logger.info("Last read was never committed - resetting mark position."); currentFile.get().getDeserializer().reset(); } else {//已经committed成功 // Check if new files have arrived since last call //Returns true if this holder contains a (non-null) instance if (!currentFile.isPresent()) {//为空，获取下一个文件，初次调用 currentFile = getNextFile(); } // Return empty list if no new files if (!currentFile.isPresent()) {//为空，已经没有可读的文件了 return Collections.emptyList(); }
//其它的说明是currentFile目前还在读 } EventDeserializer des = currentFile.get().getDeserializer(); List<Event> events = des.readEvents(numEvents);//添加event的body /* It's possible that the last read took us just up to a file boundary. * If so, try to roll to the next file, if there is one. */ if (events.isEmpty()) { retireCurrentFile(); //改名字 currentFile = getNextFile();//换下一个文件 if (!currentFile.isPresent()) { return Collections.emptyList(); } events = currentFile.get().getDeserializer().readEvents(numEvents);//继续读,添加event的body } if (annotateFileName) { String filename = currentFile.get().getFile().getAbsolutePath(); for (Event event : events) { event.getHeaders().put(fileNameHeader, filename);//添加header } } committed = false; lastFileRead = currentFile; return events; }
1，committed初始化时是true，所以第一次运行就是通过getNextFile()获取当前要去读的文件。如果是空就返回空值了。
2，使用deserializer（默认是org.apache.flume.serialization.LineDeserializer）的readEvents(numEvents)去批量读数据封装成event。
3，如获取的批量events为空，说明这个文件读完了，需要对这个读完的文件做个“删除”（retireCurrentFile()方法，在这也会删除元数据文件），就是根据deletePolicy（删除还是添加去读完毕后缀completedSuffix）；但是这个本方法是有返回值的就是events，所以需要获取下一个文件，即再次运行getNextFile()，并events = currentFile.get().getDeserializer().readEvents(numEvents)
4，是否要对这些events的Header中添加文件名
5，committed = false; lastFileRead = currentFile; 并返回events。
这个方法还有几点需要解释：
其一、就是committed参数，此参数关系到这一批量的event是否已经正确处理完毕。可以看到上面的5中所讲，每调用一次ReliableSpoolingFileEventReader.readEvents(batchSize)均会在最后将committed设置为false，但是在SpoolDirectoryRunnable.run()方法中也可以看出在调用readEvents方法后还会调用ReliableSpoolingFileEventReader.commit()方法，代码如下：
/** Commit the last lines which were read. */ @Override public void commit() throws IOException { if (!committed && currentFile.isPresent()) { currentFile.get().getDeserializer().mark(); committed = true; } }
这个方法说明满足两个条件就可以：一、向trackerFile写入读到的记录位置，mark()方法会将syncPosition写入trackerFile，而ResettableFileInputStream中的position用来暂存位置增加的，待到何时会syncPosition=position，这样是为了防止出现异常时用于恢复丢失的数据；二、将committed = true。两个条件：一个是committed=false，这个执行完readEvents最后会置为false；二、currentFile“非空”，代表有正在读的文件。如果committed在readEvents中开始时为false，说明：一、event提交到channel时出现了问题，没有执行reader.commit；二、currentFile已经“为空”，说明没有可以读的文件。这两点也体现在readEvents开始部分，committed=false时，如果没有可读文件就会抛出异常File should not roll when commit is outstanding."；如果是在提交到channel时出问题会通过currentFile.get().getDeserializer().reset()重新撤回到上次正确提交channel的位置，这样可以使得不丢失数据。
其二、就是getNextFile()方法。这个方法会首先过滤检测目录的子目录（也就是不能递归）、隐藏文件(以"."开头的文件)、已经读完的文件（有completedSuffix后缀的）、符合ignorePattern的文件；然后将过滤后的文件按时间的先后顺序排序，再创建一个新的对应的元数据文件；构造一个读取文件的输入流ResettableFileInputStream，并将此输入流作为参数传递给deserializer，最终返回一个Optional.of(new FileInfo(nextFile, deserializer));
其三、就是LineDeserializer）的readEvents(numEvents)方法。这个方法会多次(numEvents)调用LineDeserializer（默认）的readLine()获取一行数据封装成event。readLine()会通过org.apache.flume.serialization.ResettableFileInputStream.readChar()不断的去获取数据，读完正行后判断每行的长度是否超过规定值maxLineLength。readChar()方法除了不断读取一个字符外，还会记下字符的位置，等待将位置写入元数据文件中(通过deserializer.mark()写入)