1、Flume on HDFS案例回顧
2、Flume推送數(shù)據(jù)到Spark Streaming實戰(zhàn)
3、原理繪圖剖析

一、配置.bashrc
vi ~/.bashrc

export FLUME_HOME=/usr/local/flume/apache-flume-1.6.0-bin

export FLUME_CONF_DIR=$FLUME_HOME/conf

PATH 加上

$FLUME_HOME/bin

二、配置conf
拷貝flume-conf.properties.template為flume-conf.properties并改寫

#agent1表示代理名稱
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1

#配置source1
agents1.sources.source1.type=spooldir
agents1.sources.source1.spoolDir=/usr/local/flume/tmp/TestDir
agents1.sources.source1.channels=channel1
agents1.sources.source1.fileHeader=false
agents1.sources.source1.interceptors=i1
agents1.sources.source1.interceptors.i1.type=timestamp

#配置sink1
#sink到HDFS
agent1.sinks.sink1.type=hdfs
agent1.sinks.sink1.hdfs.path=hdfs://master:9000/library/flume
agent1.sinks.sink1.hdfs.fileType=DataStream
agent1.sinks.sink1.hdfs.writeFormat=TEXT
agent1.sinks.sink1.hdfs.rollInterval=1
agent1.sinks.sink1.channel=channel1
agent1.sinks.sink1.hdfs.filePrefix=%Y-%m-%d
#sink到某個端口
#agent1.sinks.sink1.type=avro
#agent1.sinks.sink1.channel=channel1
#agent1.sinks.sink1.hostname=Master
#agent1.sinks.sink1.port=9999
#sink到Kafka
#agent1.sinks.sink1.type=org.apache.flume.plugins.KafkaSink
#agent1.sinks.sink1.metadata.broker.list=Master:9092,Worker1:9092,Worker2.9092
#agent1.sinks.sink1.partition.key=0
#agent1.sinks.sink1.partitioner.class=org.apache.flume.plugins.SinglePartition
#agent1.sinks.sink1.serializer.class=kafka.serializer.StringEncoder
#agent1.sinks.sink1.request.requiredacks=0
#agent1.sinks.sink1.max.message.size=1000000
#agent1.sinks.sink1.producer.type=sync
#agent1.sinks.sink1.custom.encoding=UTF-8
#agent1.sinks.sink1.custom.topic.name=HelloKafka
#agent1.sinks.sink1.channel= channel1


#配置channel1
agent1.channels.channel1.type=file
agent1.channels.channel1.chackpointDir=/usr/local/flume/tmp/checkpointDir
agent1.channels.channel1.dataDirs=/usr/local/flume/tmp/dataDirs

啟動Flume：

./flume-ng agent -n agent1 -c conf -f /usr/local/flume/apache-flume-1.6.0-bin/conf/flume-conf.properties -Dflume.root.logger=DEBUG,console

Java代碼：

package com.tom.spark.SparkApps.sparkstreaming;

import java.util.Arrays;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import org.apache.spark.streaming.flume.FlumeUtils;
import org.apache.spark.streaming.flume.SparkFlumeEvent;

import scala.Tuple2;

public class FlumePushData2SparkStreaming {

    public static void main(String[] args) {
        // TODO Auto-generated method stub
        /**
         * 第一步：配置SparkConf，
         * 1、至少2條線程：因為Spark Streaming應(yīng)用程序在運(yùn)行的時候至少有一條
         * 線程用于不斷的循環(huán)接收數(shù)據(jù)，并且至少有一條線程用于處理接收的數(shù)據(jù)（否則的話無法有線程用
         * 于處理數(shù)據(jù)，隨著時間的推移，內(nèi)存和磁盤都會不堪重負(fù)）
         * 2、對于集群而言，每個Executor一般肯定不止一個Thread，那對于處理Spark Streaming
         * 應(yīng)用程序而言，每個Executor一般分配多少Core比較合適？根據(jù)經(jīng)驗，5個左右的Core是最佳的
         * （一個段子：分配為奇數(shù)個Core表現(xiàn)最佳，例如3個、5個、7個Core等
         */
        SparkConf conf = new SparkConf().setMaster("local[4]").setAppName("FlumePushData2SparkStreaming");
        /**
         * 第二步：創(chuàng)建Spark StreamingContext：
         * 1、這是SparkStreaming應(yīng)用程序所有功能的起始點(diǎn)和程序調(diào)度的核心.
         * SparkStreamingContext的構(gòu)建可以基于SparkConf參數(shù)，也可以基于持久化的SparkStreamingContext的
         * 內(nèi)容來恢復(fù)過來（典型的場景是Driver崩潰后重新啟動，由于Spark Streaming具有連續(xù)7*24小時不間斷運(yùn)行的特征，
         * 所以需要在Driver重新啟動后繼續(xù)上一次的狀態(tài)，此時的狀態(tài)恢復(fù)需要基于曾經(jīng)的Checkpoint）
         * 2、在一個Spark Streaming應(yīng)用程序中可以創(chuàng)建若干個SparkStreamingContext對象，使用下一個SparkStreaming
         * 之前需要把前面正在運(yùn)行的SparkStreamingContext對象關(guān)閉掉，由此，我們得出一個重大啟發(fā)，SparkStreaming框架也只是
         * Spark Core上的一個應(yīng)用程序而已，只不過Spark Streaming框架想運(yùn)行的話需要Spark工程師寫業(yè)務(wù)邏輯處理代碼
         */
        JavaStreamingContext javassc = new JavaStreamingContext(conf, Durations.seconds(5));

        /**
         * 第三步：創(chuàng)建Spark Streaming輸入數(shù)據(jù)來源input Stream:
         * 1、數(shù)據(jù)輸入來源可以基于File、HDFS、Flume、Kafka、Socket等
         * 2、在這里我們指定數(shù)據(jù)來源于網(wǎng)絡(luò)Socket端口，Spark Streaming連接上該端口并在運(yùn)行的時候一直監(jiān)聽該端口的數(shù)據(jù)
         *      (當(dāng)然該端口服務(wù)首先必須存在），并且在后續(xù)會根據(jù)業(yè)務(wù)需要不斷有數(shù)據(jù)產(chǎn)生（當(dāng)然對于Spark Streaming
         *      應(yīng)用程序的運(yùn)行而言，有無數(shù)據(jù)其處理流程都是一樣的）
         * 3、如果經(jīng)常在每間隔5秒鐘沒有數(shù)據(jù)的話不斷啟動空的Job其實會造成調(diào)度資源的浪費(fèi)，因為并沒有數(shù)據(jù)需要發(fā)生計算；所以
         *      實際的企業(yè)級生成環(huán)境的代碼在具體提交Job前會判斷是否有數(shù)據(jù)，如果沒有的話就不再提交Job；
         */

        JavaReceiverInputDStream<SparkFlumeEvent> lines = FlumeUtils.createStream(javassc, "Master", 9999);
        /**
         * 第四步：接下來就像對于RDD編程一樣基于DStream進(jìn)行編程，原因是DStream是RDD產(chǎn)生的模板（或者說類），在Spark Streaming具體
         * 發(fā)生計算前，其實質(zhì)是把每個Batch的DStream的操作翻譯成為對RDD的操作！
         * 
         */
        JavaDStream<String> words = lines.flatMap(new FlatMapFunction<SparkFlumeEvent, String>(){ //如果是Scala，由于SAM轉(zhuǎn)換，所以可以寫成val words = lines.flatMap(_.split(" ")) 

            public Iterable<String> call(SparkFlumeEvent event) throws Exception {
                String line = event.event().body.array().toString();            
                return Arrays.asList(line.split(" "));
            }
        });

        /**
         * 第4.2步：在單詞拆分的基礎(chǔ)上對每個單詞實例計數(shù)為1，也就是word => (word, 1)
         */
        JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {

            public Tuple2<String, Integer> call(String word) throws Exception {
                // TODO Auto-generated method stub
                return new Tuple2<String, Integer> (word, 1);
            }

        });
     /**
     * 第4.3步：在單詞實例計數(shù)為1基礎(chǔ)上，統(tǒng)計每個單詞在文件中出現(xiàn)的總次數(shù)
     */
        JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){
            //對相同的key，進(jìn)行Value的累加（包括Local和Reducer級別同時Reduce）
            public Integer call(Integer v1, Integer v2) throws Exception {
                // TODO Auto-generated method stub
                return v1 + v2;
            }

        });

        /**
         * 此處的print并不會直接觸發(fā)Job的支持，因為現(xiàn)在的一切都是在Spark Streaming框架的控制之下的，對于SparkStreaming
         * 而言，具體是否觸發(fā)真正的Job運(yùn)行是基于設(shè)置的Duration時間間隔的
         * 
         * 注意，Spark Streaming應(yīng)用程序要想執(zhí)行具體的Job，對DStream就必須有ouptputstream操作
         * outputstream有很多類型的函數(shù)觸發(fā)，例如print,saveAsTextFile,saveAsHadoopFiles等，
         * 其中最為重要的一個方法是foreachRDD，因為Spark Streaming處理的結(jié)果一般會放在Redis、DB、DashBoard
         * 等上面，所以foreachRDD主要就是用來完成這些功能的，而且可以隨意自定義具體數(shù)據(jù)到底放在哪里。
         */
        wordsCount.print();


        /**
         * Spark Streaming 執(zhí)行引擎也就是Driver開始運(yùn)行，Driver啟動的時候是位于一條新的線程中的，當(dāng)然其內(nèi)部有消息循環(huán)體，用于
         * 接收應(yīng)用程序本身或者Executor中的消息，
         */
        javassc.start();
        javassc.awaitTermination();
        javassc.close();


    }

}