在当今的大数据世界中，应用程序产生大量的电子数据 – 这些巨大的电子数据存储库包含了有价值的、宝贵的信息。 对于人类分析师或领域专家，很难做出有趣的发现或寻找可以帮助决策过程的模式。 我们需要自动化的流程来有效地利用庞大的，信息丰富的数据进行规划和投资决策。 在处理数据之前，收集数据，聚合和转换数据是绝对必要的，并最终将数据移动到那些使用不同分析和数据挖掘工具的存储库中。
执行所有这些步骤的流行工具之一是Apache Flume。 这些数据通常是以事件或日志的形式存储。 Apache Flume有三个主要组件：
- Source：数据源可以是企业服务器，文件系统，云端，数据存储库等。
- Sink：Sink是可以存储数据的目标存储库。 它可以是一个集中的地方，如HDFS，像Apache Spark这样的处理引擎，或像ElasticSearch这样的数据存储库/搜索引擎。
- Channel：在事件被sink消耗前由Channel 存储。 Channel 是被动存储。 Channel 支持故障恢复和高可靠性; Channel 示例是由本地文件系统和基于内存的Channel 支持的文件通道。
Flume是高度可配置的，并且支持许多源，channel，serializer和sink。它还支持数据流。 Flume的强大功能是拦截器，支持在运行中修改/删除事件的功能。支持的拦截器之一是regex_filter。
regex_filter将事件体解释为文本，并将其与提供的正则表达式进行对比，并基于匹配的模式和表达式，包括或排除事件。我们将详细看看regex_filter。
要求
从数据源中，我们以街道号，名称，城市和角色的形式获取数据。现在，数据源可能是实时流数据，也可能是任何其他来源。在本示例中，我已经使用Netcat服务作为侦听给定端口的源，并将每行文本转换为事件。要求以文本格式将数据保存到HDFS中。在将数据保存到HDFS之前，必须根据角色对数据进行过滤。只有经理的记录需要存储在HDFS中;其他角色的数据必须被忽略。例如，允许以下数据：
- 1,alok,mumbai,manager
- 2,jatin,chennai,manager
下列的数据是不被允许的：
- 3,yogesh,kolkata,developer
- 5,jyotsana,pune,developer
如何达到这个要求
可以通过使用 regex_filter 拦截器来实现。这个拦截器将根据规则基础来进行事件过滤，只有感兴趣的事件才会发送到对应的槽中，同时忽略其他的事件。
- ## Describe regex_filter interceptor and configure exclude events attribute
- a1.sources.r1.interceptors = i1
- a1.sources.r1.interceptors.i1.type = regex_filter
- a1.sources.r1.interceptors.i1.regex = developer
- a1.sources.r1.interceptors.i1.excludeEvents = true
HDFS 槽允许数据存储在 HDFS 中，使用文本/序列格式。也可以使用压缩格式存储。
- a1.channels = c1
- a1.sinks = k1
- a1.sinks.k1.type = hdfs
- a1.sinks.k1.channel = c1
- ## assumption is that Hadoop is CDH
- a1.sinks.k1.hdfs.path = hdfs://quickstart.cloudera:8020/user/hive/warehouse/managers
- a1.sinks.k1.hdfs.fileType= DataStream
- a1.sinks.k1.hdfs.writeFormat = Text
如何运行示例
首先，你需要 Hadoop 来让示例作为 HDFS 的槽来运行。如果你没有一个 Hadoop 集群，可以将槽改为日志，然后只需要启动 Flume。 在某个目录下存储 regex_filter_flume_conf.conf 文件然后使用如下命令运行代理。
- flume-ng agent --conf conf --conf-file regex_filter_flume_conf.conf --name a1 -Dflume.root.logger=INFO,console
注意代理名称是 a1。我用了 Netcat 这个源。
- a1.sources.r1.type = netcat
- a1.sources.r1.bind = localhost
- a1.sources.r1.port = 44444
一旦 Flume 代理启动，运行下面命令用来发送事件给 Flume。
- telnet localhost 40000
现在我们只需要提供如下输入文本：
- 1,alok,mumbai,manager
- 2,jatin,chennai,manager
- 3,yogesh,kolkata,developer
- 4,ragini,delhi,manager
- 5,jyotsana,pune,developer
- 6,valmiki,banglore,manager
访问 HDFS 你会观察到 HDFS 在 hdfs://quickstart.cloudera:8020/user/hive/warehouse/managers 下创建了一个文件，文件只包含经理的数据。
完整的 flume 配置 — regex_filter_flume_conf.conf — 如下：
- # Name the components on this agent
- a1.sources = r1
- a1.sinks = k1
- a1.channels = c1
- # Describe/configure the source - netcat
- a1.sources.r1.type = netcat
- a1.sources.r1.bind = localhost
- a1.sources.r1.port = 44444
- # Describe the HDFS sink
- a1.channels = c1
- a1.sinks = k1
- a1.sinks.k1.type = hdfs
- a1.sinks.k1.channel = c1
- a1.sinks.k1.hdfs.path = hdfs://quickstart.cloudera:8020/user/hive/warehouse/managers
- a1.sinks.k1.hdfs.fileType= DataStream
- a1.sinks.k1.hdfs.writeFormat = Text
- ## Describe regex_filter interceptor and configure exclude events attribute
- a1.sources.r1.interceptors = i1
- a1.sources.r1.interceptors.i1.type = regex_filter
- a1.sources.r1.interceptors.i1.regex = developer
- a1.sources.r1.interceptors.i1.excludeEvents = true
- # Use a channel which buffers events in memory
- a1.channels.c1.type = memory
- a1.channels.c1.capacity = 1000
- a1.channels.c1.transactionCapacity = 100
- # Bind the source and sink to the channel
- a1.sources.r1.channels = c1
- a1.sinks.k1.channel = c1
完整的项目代码请看 这里。
