構(gòu)建大數(shù)據(jù)在線運(yùn)行環(huán)境初探

劉永濤 院志超

摘 要：大數(shù)據(jù)分析和應(yīng)用在高校得到廣泛的發(fā)展，在線運(yùn)行平臺是其基礎(chǔ)，因此，本文運(yùn)用開源軟件Apache Hadoop、Flume、Spark以及Kafka構(gòu)建了一個大數(shù)據(jù)采集、計算、存儲平臺。

關(guān)鍵詞：Apache Hadoop Apache Flume Apache Spark Apache Kafka

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1003-9082（2019）04-000-01

在進(jìn)行大數(shù)據(jù)分析之前，需要構(gòu)建一個支持?jǐn)?shù)據(jù)在線采集、分析和存儲的運(yùn)行環(huán)境。本文使用分布式日志收集系統(tǒng)Apache Flume、數(shù)據(jù)分發(fā)中間件Kafka、分布式實(shí)時計算框架Spark Streaming構(gòu)建了一個在線數(shù)據(jù)平臺。通過使用該平臺，完成了數(shù)據(jù)信息的實(shí)時采集、計算和存儲。

一、大數(shù)據(jù)平臺整體設(shè)計

分布式大數(shù)據(jù)計算框架由6個節(jié)點(diǎn)構(gòu)成，服務(wù)器集群中的服務(wù)器操作系統(tǒng)為Centos6.5，服務(wù)器集群軟件為Apache Hadoop。1臺服務(wù)器為數(shù)據(jù)采集平臺，運(yùn)行分布式日志收集系統(tǒng)Apache Flume，1臺服務(wù)器為消息中間件，運(yùn)行分布式的日志系統(tǒng)Kafka，一臺服務(wù)器為Apache Hadoop集群的NameNode，負(fù)責(zé)作業(yè)的調(diào)度和管理，剩余3臺服務(wù)器為數(shù)據(jù)處理服務(wù)器，運(yùn)行分布式計算框架Spark，為大數(shù)據(jù)的采集、計算和存儲提供平臺支撐。

二、運(yùn)行環(huán)境的安裝與配置

運(yùn)行在Centos6.5中，在系統(tǒng)上線運(yùn)行之前，需要安裝一系列的環(huán)境軟件來支撐其運(yùn)行。環(huán)境運(yùn)行支撐軟件有Java、Scala等，由于系統(tǒng)運(yùn)行對軟件的運(yùn)行版本有一定的要求，因此，在選擇正確的軟件版本后進(jìn)行安裝。

1.Java的安裝和配置

由于Spark streaming僅僅支持Java8以上的版本，因此，使用wget命令從Oracle的官方網(wǎng)站上下載Java SE Development Kit 9.0.1并保存在源碼文件夾下。使用解壓命令tar zxvf jdk-9.0.1_linux-x64_bin.tar.gz-C/home/用戶名/application，將Java的tar文件解壓至目錄/home/用戶名/application。然后使用vi命令編輯./bash_profile文件，添加Java的環(huán)境變量以及將java的運(yùn)行路徑進(jìn)行映射，配置后使用source ./bash_profile命令啟用環(huán)境變量。

2.Scala的安裝與配置

由于Spark2.2.0版本對Scala的版本要求是2.11，因此，使用wget命令從Scala的官方網(wǎng)站上下載scala-2.11.tgz并保存在源碼文件夾下。使用解壓命令tar zxvf scala-2.11.tgz-C /home/用戶名/application，將Scala的tar文件解壓至目錄/home/用戶名/application。然后使用vi命令編輯./bash_profile文件，添加Scala的環(huán)境變量以及將Scala的運(yùn)行路徑進(jìn)行映射，配置后使用source ./bash_profile命令啟用環(huán)境變量。

三、數(shù)據(jù)流量的采集

網(wǎng)絡(luò)數(shù)據(jù)的采集使用Apache Flume，通過使用端口鏡像技術(shù)將數(shù)據(jù)流截獲并發(fā)送到Apach Flume所在的服務(wù)器41414端口上，從而實(shí)現(xiàn)數(shù)據(jù)流量的準(zhǔn)實(shí)時獲取，從而為后續(xù)的數(shù)據(jù)處理提供數(shù)據(jù)消費(fèi)源。Apache Flume會啟動Flume Agent監(jiān)控上網(wǎng)日志采集服務(wù)器41414端口從而獲取數(shù)據(jù)信息。該數(shù)據(jù)信息被Flume Agent發(fā)送到消息隊列Channel中，消息隊列Channel中的數(shù)據(jù)信息被Kafka作為數(shù)據(jù)源進(jìn)行消費(fèi)，在這種情況下，kafka就是Apache Flume的sink。而Kafaka的數(shù)據(jù)作為spark streaming應(yīng)用程序的數(shù)據(jù)源，被其進(jìn)行業(yè)務(wù)邏輯處理。

四、Apache Flume的編譯、安裝與設(shè)置

由于默認(rèn)的Apache Flume在接收數(shù)據(jù)時，會對接收的數(shù)據(jù)進(jìn)行自動裁剪，其source端單event的body數(shù)據(jù)部分只會留下16字節(jié)的信息，為了使其接收的數(shù)據(jù)不被自動裁剪，就需要修改源碼并對源碼進(jìn)行編譯，編譯后進(jìn)行安裝使用。通過對EventHelper.java以及LogerSink.java源文件的閱讀，發(fā)現(xiàn)該文件定義了一個靜態(tài)私有整數(shù)型變量DEFAULT_MAX_BYTES來進(jìn)行body數(shù)據(jù)信息的大小，因此，需要對該文件中的變量進(jìn)行修改，修改完成后使用maven insatll-DskipTests-Dtar來對源碼包進(jìn)行編譯處理。

編譯成功后，有一個編譯完成后的壓縮包apache-flume-1.8.0-bin.tar.gz。使用解壓命令tar zxvf apache-flume-1.8.0-bin.tar.gz-C /home/用戶名/application，將Apache Flume的tar文件解壓至目錄/home/用戶名/application。然后使用vi命令編輯./bash_profile文件，添加Apache Flume的環(huán)境變量以及將Apache Flume的運(yùn)行路徑進(jìn)行映射，配置后使用source ./bash_profile命令啟用環(huán)境變量。

由于Apache Flume使用代理Agent作為部署的基本單元，因此，在使用時需要定義一個或者更多的Agent。又由于Source組件（源）、Channel組件（通道）以及Sink組件（接收器）構(gòu)成了一個Flume Agent，因此，在配置文件中既要定義Agent又要定義這些組件。在配置文件中，一個Flume Agent的三個構(gòu)成部分必須唯一。

五、Kafka的安裝和配置

使用wget命令從Zookeeper的官方網(wǎng)站中下載Zookeeper的壓縮文件并保存在源碼文件夾下。使用解壓命令tar zxvf zookeeper-3.4.10.tar.gz-C/home/用戶名/application，將Zookeeper的壓縮文件解壓至目錄/home/用戶名/application。然后使用vi命令編輯./bash_profile文件，添加Zookeeper的環(huán)境變量以及將Zookeeper的運(yùn)行路徑進(jìn)行映射，配置后使用source ./bash_profile命令啟用環(huán)境變量。

Apache Hadoop和Apache Spark的安裝過程和Apache Flume雷同，在此不在贅述。通過使用開源軟件Apache Hadoop、Flume、Kafka和Spark搭建一個實(shí)時數(shù)據(jù)采集、計算和存儲平臺，為大數(shù)據(jù)后續(xù)的分析提供基本的運(yùn)行環(huán)境支持。