tencent cloud

场景说明

将 Kafka 中的数据通过 Flume 收集并存储到 HDFS 或 COS。

开发准备

• 因为任务中需要访问腾讯云消息队列 CKafka，所以需要先创建一个 CKafka 实例，具体见 消息队列 CKafka。
• 确认您已开通腾讯云，且已创建一个 EMR 集群。创建 EMR 集群时，需要在软件配置界面选择 Flume 组件，并且在基础配置页面开启对象存储的授权。

在 EMR 集群使用 Kafka 工具包

首先需要查看 CKafka 的内网 IP 与端口号。登录消息队列 CKafka 的控制台，选择您要使用的 CKafka 实例，在基本消息中查看其内网 IP 为 $kafkaIP，而端口号一般默认为9092。在 topic 管理界面新建一个 topic 为 kafka_test。

配置 flume

1. 创建 flume 的配置文件kafka.properties

   vim kafka.properties
   agent.sources = kafka_source
   agent.channels = mem_channel
   agent.sinks = hdfs_sink
   # 以下配置 source
   agent.sources.kafka_source.type = org.apache.flume.source.kafka.KafkaSource
   agent.sources.kafka_source.channels = mem_channel
   agent.sources.kafka_source.batchSize = 5000
   agent.sources.kafka_source.kafka.bootstrap.servers = $kafkaIP:9092
   agent.sources.kafka_source.kafka.topics = kafka_test
   # 以下配置 sink
   agent.sinks.hdfs_sink.type = hdfs
   agent.sinks.hdfs_sink.channel = mem_channel
   agent.sinks.hdfs_sink.hdfs.path = /data/flume/kafka/%Y%m%d（或cosn://bucket/xxx）
   agent.sinks.hdfs_sink.hdfs.rollSize = 0  
   agent.sinks.hdfs_sink.hdfs.rollCount = 0  
   agent.sinks.hdfs_sink.hdfs.rollInterval = 3600  
   agent.sinks.hdfs_sink.hdfs.threadsPoolSize = 30
   agent.sinks.hdfs_sink.hdfs.fileType=DataStream    
   agent.sinks.hdfs_sink.hdfs.useLocalTimeStamp=true
   agent.sinks.hdfs_sink.hdfs.writeFormat=Text
   # 以下配置 channel
   agent.channels.mem_channel.type = memory
   agent.channels.mem_channel.capacity = 100000
   agent.channels.mem_channel.transactionCapacity = 10000
   

2. 运行 flume

   ./bin/flume-ng agent --conf ./conf/ -f kafka.properties -n agent -Dflume.root.logger=INFO,console
   

3. 运行 kafka producer

   [hadoop@172 kafka]$ ./bin/kafka-console-producer.sh --broker-list $kafkaIP:9092 --topic kafka_test
   test
   hello
   

测试

• 在 kafka 生产者客户端输入信息并回车。
• 观察 hdfs 是否生成相应目录和文件hadoop fs -ls /data/flume/kafka/。

参考文档

kafka-source 配置说明