同步LogHub数据至HDFS

背景信息

EMR-3.20.0及后续版本的集群，支持通过Flume同步日志服务数据至E-MapReduce集群。您可以借助日志服务的Logtail工具，将需要同步的数据实时采集并上传到LogHub，再使用E-MapReduce的Flume将LogHub的数据同步至EMR集群的HDFS。

采集数据到日志服务的LogHub的详细步骤参见采集方式。

前提条件

创建EMR-3.20.0及后续版本的Hadoop集群，并在可选服务中选择Flume，详情请参见创建集群。

配置Flume

• 配置Source

  以下配置项请遵循开源Flume内容，详情请参见Avro Source和Taildir Source。

  参数	说明
  type	设置为org.apache.flume.source.loghub.LogHubSource。
  endpoint	LogHub的Endpoint。 说明 如果使用VPC或经典网络的Endpoint，需要保证与EMR集群在同一个地区；如果使用公网Endpoint，需要保证运行Flume agent的节点有公网IP。
  project	LogHub的项目名。
  logstore	LogStore名称。
  accessKeyId	阿里云的AccessKey ID。
  accessKey	阿里云的AccessKey Secret。
  useRecordTime	设置为true。 默认值为false。如果Header中没有Timestamp属性，接收Event的时间戳会被加入到Header中。但是在Flume Agent启停或者同步滞后等情况下，会将数据放入错误的时间分区中。为避免这种情况，可以将该值设置为true，使用数据收集到LogHub的时间作为Timestamp。
  consumerGroup	消费组名称，默认值为consumer_1。

  其他参数说明如下。

  参数	说明
  consumerPosition	消费组在第一次消费LogHub数据时的位置，默认值为end，即从最近的数据开始消费。 begin：表示从最早的数据开始消费。 special：表示从指定的时间点开始消费。 在配置为special时，需要配置startTime为开始消费的时间点，单位为秒。 首次运行后LogHub服务端会记录消费组的消费点，此时如果想更改 consumerPosition，可以清除LogHub的消费组状态，或者更改配置consumerGroup为新的消费组。
  heartbeatInterval	消费组与服务端维持心跳的间隔，单位是毫秒，默认为30000毫秒。
  fetchInOrder	相同Key的数据是否按序消费，默认值为false。
  batchSize	通用的source batch配置，在一个批处理中写入通道的最大消息数。
  batchDurationMillis	通用的source batch配置，在将批处理写入通道之前的最大时间。
  backoffSleepIncrement	通用的source sleep配置，表示LogHub没有数据时触发Sleep的初始和增量等待时间。
  maxBackoffSleep	通用的source sleep配置，表示LogHub没有数据时触发Sleep的最大等待时间。

• 配置Channel和Sink
  此处使用Memory Channel和HDFS Sink。以下配置项请遵循开源Flume内容，详情请参见Sink和Channel。

  • HDFS Sink配置如下。

    参数	值
    hdfs.path	/tmp/flume-data/loghub/datetime=%y%m%d/hour=%H
    hdfs.fileType	DataStream
    hdfs.rollInterval	3600
    hdfs.round	true
    hdfs.roundValue	60
    hdfs.roundUnit	minute
    hdfs.rollSize	0
    hdfs.rollCount	0

  • Memory Channel配置如下。

    参数	值
    capacity	2000
    transactionCapacity	2000

运行Flume agent

在阿里云E-Mapreduce控制台页面启动Flume agent，详情请参见同步HDFS Audit日志至HDFS。启动成功后，您可以看到配置的HDFS路径下按照Record Timestamp存储的日志数据。