📌  相关文章
📜  Apache Flume-获取Twitter数据

📅  最后修改于: 2020-12-03 04:47:57             🧑  作者: Mango

使用Flume，我们可以从各种服务中获取数据并将其传输到集中存储(HDFS和HBase)。本章介绍如何使用Apache Flume从Twitter服务中获取数据并将其存储在HDFS中。

如Flume Architecture中所述，Web服务器生成日志数据，并且该数据由Flume中的代理收集。通道将该数据缓冲到接收器，接收器最后将其推送到集中存储。

在本章提供的示例中，我们将创建一个应用程序，并使用Apache Flume提供的实验性Twitter资源从中获取推文。我们将使用内存通道来缓冲这些推文，并使用HDFS接收器将这些推文推入HDFS。

获取数据

要获取Twitter数据，我们将必须遵循以下步骤-

  • 创建一个Twitter应用程序
  • 安装/启动HDFS
  • 配置Flume

创建一个Twitter应用程序

为了从Twitter获得推文，需要创建一个Twitter应用程序。请按照下面给出的步骤创建一个Twitter应用程序。

第1步

要创建Twitter应用程序，请单击以下链接https://apps.twitter.com/ 。登录到您的Twitter帐户。您将拥有一个Twitter应用程序管理窗口，您可以在其中创建，删除和管理Twitter应用程序。

应用程序管理窗口

第2步

单击创建新应用程序按钮。您将被重定向到一个窗口，您将在其中获得一个申请表，您必须在其中填写详细信息才能创建该应用程序。填写网站地址时，请提供完整的URL模式，例如http://example.com。

创建一个应用程序

第三步

填写详细信息，完成后接受开发者协议，单击页面底部的“创建您的Twitter应用程序”按钮。如果一切顺利，将使用给定的详细信息创建一个应用，如下所示。

应用创建

第4步

在页面底部的“密钥”和“访问令牌”标签下，您会看到一个名为创建我的访问令牌的按钮。单击它以生成访问令牌。

密钥访问令牌

第5步

最后，点击页面右侧顶部的Test OAuth按钮。这将导致显示您的使用者密钥，使用者密钥，访问令牌和访问令牌密钥的页面。复制这些详细信息。这些对于在Flume中配置代理很有用。

OAuth工具

启动HDFS

由于我们将数据存储在HDFS中，因此我们需要安装/验证Hadoop。启动Hadoop并在其中创建一个文件夹来存储Flume数据。在配置Flume之前，请执行以下步骤。

步骤1：安装/验证Hadoop

安装Hadoop 。如果您的系统中已经安装了Hadoop，请使用Hadoop version命令验证安装，如下所示。

$ hadoop version

如果您的系统包含Hadoop，并且已经设置了path变量，那么将获得以下输出-

Hadoop 2.6.0 
Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r 
e3496499ecb8d220fba99dc5ed4c99c8f9e33bb1 
Compiled by jenkins on 2014-11-13T21:10Z 
Compiled with protoc 2.5.0 
From source with checksum 18e43357c8f927c0695f1e9522859d6a 
This command was run using /home/Hadoop/hadoop/share/hadoop/common/hadoop-common-2.6.0.jar

步骤2：启动Hadoop

浏览Hadoop的sbin目录，然后启动yarn和Hadoop dfs(分布式文件系统)，如下所示。

cd /$Hadoop_Home/sbin/ 
$ start-dfs.sh 
localhost: starting namenode, logging to
   /home/Hadoop/hadoop/logs/hadoop-Hadoop-namenode-localhost.localdomain.out 
localhost: starting datanode, logging to 
   /home/Hadoop/hadoop/logs/hadoop-Hadoop-datanode-localhost.localdomain.out 
Starting secondary namenodes [0.0.0.0] 
starting secondarynamenode, logging to 
   /home/Hadoop/hadoop/logs/hadoop-Hadoop-secondarynamenode-localhost.localdomain.out
  
$ start-yarn.sh 
starting yarn daemons 
starting resourcemanager, logging to 
   /home/Hadoop/hadoop/logs/yarn-Hadoop-resourcemanager-localhost.localdomain.out 
localhost: starting nodemanager, logging to 
   /home/Hadoop/hadoop/logs/yarn-Hadoop-nodemanager-localhost.localdomain.out

步骤3：在HDFS中创建目录

在Hadoop DFS中，您可以使用命令mkdir创建目录。浏览它，并在所需路径中创建一个名称为twitter_data的目录，如下所示。

$cd /$Hadoop_Home/bin/ 
$ hdfs dfs -mkdir hdfs://localhost:9000/user/Hadoop/twitter_data

配置Flume

我们必须使用conf文件夹中的配置文件配置源，通道和接收器。本章中的示例使用由Apache Flume提供的实验源，名为Twitter 1％Firehose Memory通道和HDFS接收器。

Twitter 1％Firehose来源

此来源是高度实验性的。它使用流API连接到1％的示例Twitter Firehose，并连续下载tweet，将其转换为Avro格式，并将Avro事件发送到下游Flume Sink。

默认情况下，我们将在安装Flume时获得此源。与此源相对应的jar文件可以位于lib文件夹中，如下所示。

Twitter Jar文件

设置类路径

将classpath变量设置为Flume-env.sh文件中Flume的lib文件夹，如下所示。

export CLASSPATH=$CLASSPATH:/FLUME_HOME/lib/*

此源需要诸如Twitter应用程序的使用者密钥，使用者密钥，访问令牌和访问令牌密钥之类的详细信息。配置此源时，必须为以下属性提供值-

  • 频道

  • 源类型：org.apache.flume.source.twitter.TwitterSource

  • ConsumerKey -OAuth使用者密钥

  • ConsumerSecret -OAuth消费者机密

  • accessToken -OAuth访问令牌

  • accessTokenSecret -OAuth令牌密钥

  • maxBatchSize-应该在一个Twitter批处理中的最大Twitter消息数。默认值为1000(可选)。

  • maxBatchDurationMillis-关闭批次之前要等待的最大毫秒数。默认值为1000(可选)。

渠道

我们正在使用内存通道。要配置内存通道，必须为通道类型提供值。

  • type-它保存通道的类型。在我们的示例中，类型为MemChannel 。

  • 容量-这是通道中存储的最大事件数。其默认值为100(可选)。

  • TransactionCapacity-它是通道接受或发送的最大事件数。其默认值为100(可选)。

HDFS接收器

该接收器将数据写入HDFS。要配置此接收器，必须提供以下详细信息。

  • 渠道

  • 类型-HDFS

  • hdfs.path -HDFS中要存储数据的目录的路径。

我们可以根据情况提供一些可选值。下面给出的是我们在应用程序中配置的HDFS接收器的可选属性。

  • fileType-这是我们的HDFS文件的必需文件格式。 SequenceFile，DataStream和CompressedStream是此流可用的三种类型。在我们的示例中，我们正在使用DataStream 。

  • writeFormat-可以是文本或可写的。

  • batchSize-它是刷新到HDFS之前写入文件的事件数。默认值为100。

  • rollsize-这是触发滚动的文件大小。默认值为100。

  • rollCount-它是滚动之前写入文件的事件数。默认值为10。

示例–配置文件

下面给出的是配置文件的示例。复制此内容并将其另存为Flume的conf文件夹中的twitter.conf 。

# Naming the components on the current agent. 
TwitterAgent.sources = Twitter 
TwitterAgent.channels = MemChannel 
TwitterAgent.sinks = HDFS
  
# Describing/Configuring the source 
TwitterAgent.sources.Twitter.type = org.apache.flume.source.twitter.TwitterSource
TwitterAgent.sources.Twitter.consumerKey = Your OAuth consumer key
TwitterAgent.sources.Twitter.consumerSecret = Your OAuth consumer secret 
TwitterAgent.sources.Twitter.accessToken = Your OAuth consumer key access token 
TwitterAgent.sources.Twitter.accessTokenSecret = Your OAuth consumer key access token secret 
TwitterAgent.sources.Twitter.keywords = tutorials point,java, bigdata, mapreduce, mahout, hbase, nosql
  
# Describing/Configuring the sink 

TwitterAgent.sinks.HDFS.type = hdfs 
TwitterAgent.sinks.HDFS.hdfs.path = hdfs://localhost:9000/user/Hadoop/twitter_data/
TwitterAgent.sinks.HDFS.hdfs.fileType = DataStream 
TwitterAgent.sinks.HDFS.hdfs.writeFormat = Text 
TwitterAgent.sinks.HDFS.hdfs.batchSize = 1000
TwitterAgent.sinks.HDFS.hdfs.rollSize = 0 
TwitterAgent.sinks.HDFS.hdfs.rollCount = 10000 
 
# Describing/Configuring the channel 
TwitterAgent.channels.MemChannel.type = memory 
TwitterAgent.channels.MemChannel.capacity = 10000 
TwitterAgent.channels.MemChannel.transactionCapacity = 100
  
# Binding the source and sink to the channel 
TwitterAgent.sources.Twitter.channels = MemChannel
TwitterAgent.sinks.HDFS.channel = MemChannel

执行

浏览Flume主目录并执行该应用程序，如下所示。

$ cd $FLUME_HOME 
$ bin/flume-ng agent --conf ./conf/ -f conf/twitter.conf 
Dflume.root.logger=DEBUG,console -n TwitterAgent

如果一切顺利，将开始将推文流式传输到HDFS中。下面给出的是获取推文时命令提示符窗口的快照。

提取推文

验证HDFS

您可以使用下面提供的URL访问Hadoop管理Web UI。

http://localhost:50070/

单击页面右侧名为Utilities的下拉菜单。您可以看到两个选项，如下面的快照所示。

验证HDFS

单击浏览文件系统，然后输入存储推文的HDFS目录的路径。在我们的示例中，路径将为/ user / Hadoop / twitter_data / 。然后，您可以看到存储在HDFS中的Twitter日志文件列表，如下所示。

浏览文件系统