Spark Streaming和Flume-NG对接实验

　　Spark Streaming是一个新的实时计算的利器，而且还在快速的发展。它将输入流切分成一个个的DStream转换为RDD，从而可以使用Spark来处理。它直接支持多种数据源：Kafka, Flume, Twitter, ZeroMQ , TCP sockets等，有一些可以操作的函数：map, reduce, join, window等。

　　本文将Spark Streaming和Flume-NG进行对接，然后以官方内置的JavaFlumeEventCount作参考，稍作修改然后放到集群上去运行。 

　　一、下载spark streaming的flume插件包，我们这里的spark版本是1.0.0(standlone)，这个插件包的版本选择spark-streaming-flume_2.10-1.0.1.jar，这个版本修复了一个重要的bug，参考下面参考中的7。

　　二、把spark的编译后的jar包以及上面flume的插件，放入工程，编写如下类(参考8中的例子修改而来)，代码如下：

package com.spark_streaming;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.streaming.*;
import org.apache.spark.streaming.api.java.*;
import org.apache.spark.streaming.flume.FlumeUtils;
import org.apache.spark.streaming.flume.SparkFlumeEvent;

public final class JavaFlumeEventCount {
  private JavaFlumeEventCount() {
  }

  public static void main(String[] args) {

    String host = args[0];
    int port = Integer.parseInt(args[1]);

    Duration batchInterval = new Duration(Integer.parseInt(args[2]));
    SparkConf sparkConf = new SparkConf().setAppName("JavaFlumeEventCount");
    JavaStreamingContext ssc = new JavaStreamingContext(sparkConf, batchInterval);
    JavaReceiverInputDStream<SparkFlumeEvent> flumeStream = FlumeUtils.createStream(ssc, host, port);

    flumeStream.count();

    flumeStream.count().map(new Function<Long, String>() {
      @Override
      public String call(Long in) {
        return "Received " + in + " flume events.";
      }
    }).print();

    ssc.start();
    ssc.awaitTermination();
  }
}

　　这个和官方的区别是删除了参数个数检查和增加了自定义时间间隔(分割流)，也就是第三个参数。这个类并没有做太多处理，入门为主。

　　三、打包这个类到ifeng_spark.jar，连同spark-streaming-flume_2.10-1.0.1.jar一起上传到spark集群中的节点上。

　　四、启动flume，这个flume的sink要用avro，指定要发送到的spark集群中的一个节点，我们这里是10.32.21.165:11000。

　　五、在spark安装根目录下执行如下命令：

　　./bin/spark-submit  --master spark://10.32.21.165:8070  --driver-memory 4G  --executor-memory 4G --jars /usr/lib/spark-1.0.0-cdh4/lib/spark-streaming-flume_2.10-1.0.1.jar,/usr/lib/flume-ng-1.4-cdh4.6.0/lib/flume-ng-sdk-1.4.0-cdh6.0.jar  /usr/lib/spark-1.0.0-cdh4/ifeng_spark.jar   --class com.spark_streaming.JavaFlumeEventCount 10.32.21.165 11000 2000

 　　这个命令中的参数解释请参考下面参考3中的解释，也可以自己增加一些参数，需要注意的是配置内存，自己根据需要自行增加内存(driver、executor)防止OOM。另外jars可以同时加载多个jar包，逗号分隔。记得指定类后需要指定3个参数。

　　如果没有指定Flume的sdk包，会爆如下错误：

　　java.lang.NoClassDefFoundError: Lorg/apache/flume/source/avro/AvroFlumeEvent;没有找到类。这个类在flume的sdk包内，在jars参数中指定jar包位置就可以。

　　还有就是要将自己定义的业务类的jar单独列出，不要放在jars参数指定，否则也会有错误抛出。

　　运行后可以看到大量的输出信息，然后可以看到有数据的RDD会统计出这个RDD有多少行，截图如下，最后的部分就是这2秒(上面命令最后的参数设定的)统计结果：

     

 　至此，flume-ng与spark的对接成功，这只是一个入门实验。可根据需要灵活编写相关的业务类来实现实时处理Flume传输的数据。

　 spark streaming和一些数据传输工具对接可以达到实时处理的目的。

　　参考：

　　1、https://spark.apache.org/docs/0.9.0/streaming-programming-guide.html

　　2、http://www.cnblogs.com/cenyuhai/p/3577204.html

　　3、http://blog.csdn.net/book_mmicky/article/details/25714545 ， 重要的参数解释

　　4、http://blog.csdn.net/lskyne/article/details/37561235 ， 这是一个例子

　　5、http://search.maven.org/#search%7Cga%7C1%7Cg%3A%22org.apache.spark%22%20 ， spark-flume插件下载

　　6、http://outofmemory.cn/spark/configuration ， spark一些可配置参数说明

　　7、https://issues.apache.org/jira/browse/SPARK-1916  ，这是1.0.1之前版本中spark streaming与flume对接的一个bug信息

　　8、https://github.com/apache/spark/tree/master/examples/src/main/java/org/apache/spark/examples/streaming ， 这是java版本的spark streaming的一些例子，里面有flume的一个