产品介绍
Flume-DataHub插件是基于Flume开发的DataHub数据订阅/发布插件，可以将采集到的数据写入DataHub，也可以从DataHub读取数据写入其他系统。该插件遵守Flume插件开发规范，安装方便，可以很方便的向DataHub发布/订阅数据。
产品安装
安装限制
JDK版本 >= 1.8
Apache Maven 3.x
Flume-NG 1.x
下载flume（如已下载请跳过）
首先下载flume。
$ tar zxvf apache-flume-1.11.0-bin.tar.gz方便起见，以下介绍以${FLUME_HOME}表示Flume主目录位置。
安装flume-datahub
直接安装(推荐)
首先下载flume-datahub插件,下载链接 。（历史版本可在文末进行下载）
解压flume插件并放在${FLUME_HOME}/plugins.d目录下
$ tar aliyun-flume-datahub-sink-x.x.x.tar.gz $ cd aliyun-flume-datahub-sink-x.x.x $ mkdir ${FLUME_HOME}/plugins.d $ mv aliyun-flume-datahub-sink ${FLUME_HOME}/plugins.d
源码安装
首先下载源码,github地址。
编译并安装
$ cd aliyun-maxcompute-data-collectors $ mvn clean package -DskipTests=true -Dmaven.javadoc.skip=true $ cd flume-plugin/target $ tar zxvf aliyun-flume-datahub-sink-x.x.x.tar.gz $ mv aliyun-flume-datahub-sink ${FLUME_HOME}/plugins.d
参数介绍
sink 参数介绍
名称 | 默认值 | 是否必须 | 描述 |
datahub.endPoint | - | 必须 | 阿里云datahub的服务地址 |
datahub.accessId | - | 必须 | 阿里云access id |
datahub.accessKey | - | 必须 | 阿里云access key |
datahub.project | - | 必须 | datahub项目名称 |
datahub.topic | - | 必须 | datahub topic名称 |
datahub.shard.ids | 所有shard | 可选 | 写入datahub的指定shard列表,以”,”分隔，例如 0,1,2。每次从shard列表随机选择一个shard写入DataHub。在发生shard分裂或者合并时，如果没有指定该参数，那么shard分裂或者合并后，flume会自动调整shard列表，否则需要用户手动修改配置文件。 |
datahub.enablePb | true | 可选 | 是否使用pb传输，部分专有云不支持需要手动设置为false |
datahub.compressType | none | 可选 | 是否压缩传输，目前支持 LZ4, DEFLATE |
datahub.batchSize | 1000 | 可选 | datahub每次发送的最大数据量 |
datahub.maxBufferSize | 2*1024*1024 | 可选 | datahub单次请求写入数据量的最大值（单位：Byte）。不建议修改该参数，单次写入数据量过大可能写入失败 |
datahub.batchTimeout | 5 | 可选 | 如果数据量没有达到batchSize，向datahub同步数据之前等待的时间（单位：秒） |
datahub.retryTimes | 3 | 可选 | 数据同步失败重试次数 |
datahub.retryInterval | 5 | 可选 | 数据同步失败重试间隔（单位：秒） |
datahub.dirtyDataContinue | true | 可选 | 遇到脏数据是否继续处理，为true时，会自动将脏数据以,分隔符写入脏数据文件，不影响后续数据的处理 |
datahub.dirtyDataFile | DataHub-Flume-dirty-file | 可选 | 脏数据文件 |
serializer | - | 必须 | 数据解析方式，目前支持DELIMITED（分，JSON（每行为单层Json）和REGEX（正则表达式） |
serializer.delimiter | , | 可选 | 数据字段分割符，如果要使用特殊字符需要添加双引号，例如”\t” |
serializer.regex | (.*) | 可选 | 数据解析的正则表达式，每个字段的数据被解析成一个group |
serializer.fieldnames | - | 必须 | 输入数据字段到datahub字段的映射，以输入的顺序标示字段，如果要跳过某个字段， 不指定列名即可，例如 c1,c2,,c3，表示将输入数据的第一、二、四字段和datahub的c1,c2,c3字段进行匹配。 |
serializer.charset | UTF-8 | 可选 | 数据解析编码格式 |
Source 参数
名称 | 默认值 | 是否必须 | 描述 |
datahub.endPoint | - | 必须 | 阿里云datahub的服务地址 |
datahub.accessId | - | 必须 | 阿里云access id |
datahub.accessKey | - | 必须 | 阿里云access key |
datahub.project | - | 必须 | datahub项目名称 |
datahub.topic | - | 必须 | datahub topic名称 |
datahub.subId | - | 必须 | datahub 订阅 id |
datahub.startTime | - | 可选 | datahub 指定时间点进行读数据，格式为yyyy-MM-dd HH:mm:ss，使用该参数会首先重置订阅，然后根据订阅读取数据。 |
datahub.shard.ids | - | 可选 | 读取datahub的指定shard列表,以”,”分隔，例如 0,1,2。每次读数据时会从shard列表随机选择一个shard进行消费。如不指定，则采用协同消费进行数据读取。不建议使用该参数，如果配置了多个source的情况下，不指定该参数时，协同消费会自动分配shard，尽可能保证每个source负载均衡。 |
datahub.enablePb | true | 可选 | 是否使用pb传输，部分专有云不支持需要手动设置为false |
datahub.compressType | none | 可选 | 是否压缩传输，目前支持 LZ4, DEFLATE |
datahub.batchSize | 1000 | 可选 | DataHub每次读取的最大数据量 |
datahub.batchTimeout | 5 | 可选 | 如果数据量没有达到batchSize，向datahub同步数据之前等待的时间（单位：秒） |
datahub.retryTimes | 3 | 可选 | 数据读取失败重试次数，重试间隔默认为1S，不可调整 |
datahub.autoCommit | true | 可选 | 设为true表示由consumer自动提交点位，可能发生数据未消费但是点位被提交的可能，修改为false表示数据被提交到flume channel之后才会提交该点位 |
datahub.offsetCommitTimeout | 30 | 可选 | 自动提交点位时间间隔（单位：秒） |
datahub.sessionTimeout | 60 | 可选 | source功能采取协同消费实现，协同消费超时没有发送心跳，则session会自动关闭 |
serializer | - | 必须 | 数据解析方式，目前支持DELIMITED（分隔符），数据的每个字段将会以datahub schema顺序写成一行，并以delimiter进行分隔 |
serializer.delimiter | , | 可选 | 数据字段分割符，如果要使用特殊字符需要添加双引号，例如”\t” |
serializer.charset | UTF-8 | 可选 | 数据解析编码格式 |
Sink 使用案例
案例一：DELIMITED serializer
DELIMITED解析数据时将每一行作为一条Record，并以给定的分隔符对数据进行解析。下面以csv文件为例，说明如何使用flume将批量csv文件准时时上传到DataHub。
数据文件
将以下内容保存在本地文件/temp/test.csv中。
0,YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0,true,1254275.1144629316,1573206062763,1254275.1144637289
0,YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0,true,1254275.1144629316,1573206062763,1254275.1144637289
1,hHVNjKW5DsRmVXjguwyVDjzjn60wUcOKos9Qym0V,false,1254275.1144637289,1573206062763,1254275.1144637289
2,vnXOEuKF4Xdn5WnDCPbzPwTwDj3k1m3rlqc1vN2l,true,1254275.1144637289,1573206062763,1254275.1144637289
3,t0AGT8HShzroBVM3vkP37fIahg2yDqZ5xWfwDFJs,false,1254275.1144637289,1573206062763,1254275.1144637289
4,MKwZ1nczmCBp6whg1lQeFLZ6E628lXvFncUVcYWI,true,1254275.1144637289,1573206062763,1254275.1144637289
5,bDPQJ656xvPGw1PPjhhTUZyLJGILkNnpqNLaELWV,false,1254275.1144637289,1573206062763,1254275.1144637289
6,wWF7i4X8SXNhm4EfClQjQF4CUcYQgy3XnOSz0StX,true,1254275.1144637289,1573206062763,1254275.1144637289
7,whUxTNREujMP6ZrAJlSVhCEKH1KH9XYJmOFXKbh8,false,1254275.1144637289,1573206062763,1254275.1144637289
8,OYcS1WkGcbZFbPLKaqU5odlBf7rHDObkQJdBDrYZ,true,1254275.1144637289,1573206062763,1254275.1144637289DataHub Topic Schema
以上数据对应的DataHub schme为：
字段名称 | 字段类型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目录 ${FLUME_HOME}/conf 下创建文件名为datahub_basic.conf的文件，然后将以下内容写入文件。本实例采用Exec Source作为数据源，更多Source可以参考Flume官方文档。注意：ExecSource源可能发生数据丢失，因为EeecSource无法保证将事件放入Channel，在这种情况下，数据将丢失。例如，tail命令获取数据时，此时flume channel已满，而这部分数据将会丢失。建议使用Spooling Directory Source或者Taildir Source，下方有Taildir Source案例介绍。这里将静态文件/temp/test.csv作为数据源，如果文件为动态写入的日志文件，可使用命令tail -F logFile进行实时采集。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = cat /temp/test.csv
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = DELIMITED
a1.sinks.k1.serializer.delimiter = ,
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
a1.sinks.k1.datahub.enablePb = true
a1.sinks.k1.datahub.compressType = DEFLATE
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1启动Flume
Dflume.root.logger=INFO,console选项可以将日志实时输出到控制台，如需更多信息可采用DEBUG模式。使用如下命令启动Flume，即可完成CSV文件数据采集进入DataHub：
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console案例二：REGEX serializer
REGEX解析数据时将每一行作为一条Record，并以给定的正则表达式对数据进行解析，一条Record的信息的多个内容以分组表示。下面以日志文件为例，说明flume如何利用正则表达式准时时上传到DataHub。
数据文件
将以下内容保存在本地文件/temp/test.csv中。其中需要同步的数据内容为日期后面的详细数据。
1. [2019-11-12 15:20:08] 0,j4M6PhzL1DXVTQawdfk306N2KnCDxtR0KK1pke5O,true,1254409.5059812006,1573543208698,1254409.5059819978
2. [2019-11-12 15:22:35] 0,mYLF8UzIYCCFUm1jYs9wzd2Hl6IMr2N7GPYXZSZy,true,1254409.5645912462,1573543355740,1254409.5645920434
3. [2019-11-12 15:23:14] 0,MOemUZur37n4SGtdUQyMohgmM6cxZRBXjJ34HzqX,true,1254409.5799291395,1573543394219,1254409.579929538
4. [2019-11-12 15:23:30] 0,EAFc1VTOvC9rYzPl9zJYa6cc8uJ089EaFd79B25i,true,1254409.5862723626,1573543410134,1254409.5862731598
5. [2019-11-12 15:23:53] 0,zndVraA4GP7FP8p4CkQFsKJkxwtYK3zXjDdkhmRk,true,1254409.5956010541,1573543433538,1254409.5956018514
6. [2019-11-12 15:24:00] 0,9YrjjoALEfyZm07J7OuNvDVNyspIzrbOOAGnZtHx,true,1254409.598201082,1573543440061,1254409.5982018793
7. [2019-11-12 15:24:23] 0,mWsFgFlUnXKQQR6RpbAYDF9OhGYgU8mljvGCtZ26,true,1254409.6073950487,1573543463126,1254409.607395447
8. [2019-11-12 15:26:51] 0,5pZRRzkW3WDLdYLOklNgTLFX0Q0uywZ8jhw7RYfI,true,1254409.666525653,1573543611475,1254409.6665264503
9. [2019-11-12 15:29:11] 0,hVgGQrXpBtTJm6sovVK4YGjfNMdQ3z9pQHxD5Iqd,true,1254409.7222845491,1573543751364,1254409.7222853464
10. [2019-11-12 15:29:52] 0,7wQOQmxoaEl6Cxl1OSo6cr8MAc1AdJWJQaTPT5xs,true,1254409.7387664048,1573543792714,1254409.738767202
11. [2019-11-12 15:30:30] 0,a3Th5Q6a8Vy2h1zfWLEP7MdPhbKyTY3a4AfcOJs2,true,1254409.7538966285,1573543830673,1254409.7538974257
12. [2019-11-12 15:34:54] 0,d0yQAugqJ8M8OtmVQYMTYR8hi3uuX5WsH9VQRBpP,true,1254409.8589555968,1573544094247,1254409.8589563938DataHub Topic Schema
以上数据对应的DataHub schme为：
字段名称 | 字段类型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目录 ${FLUME_HOME}/conf 下创建文件名为datahub_basic.conf的文件，然后将以下内容写入文件。本实例采用Exec Source作为数据源，更多Source可以参考Flume官方文档。注意：ExecSource源可能发生数据丢失，因为EeecSource无法保证将事件放入Channel，在这种情况下，数据将丢失。例如，tail命令获取数据时，此时flume channel已满，而这部分数据将会丢失。建议使用Spooling Directory Source或者Taildir Source，下方有Taildir Source案例介绍。这里将静态文件/temp/test.csv作为数据源，如果文件为动态写入的日志文件，可使用命令tail -F logFile进行实时采集。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = cat /temp/test.csv
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = REGEX
a1.sinks.k1.serializer.regex = \\[\\d{4}-\\d{2}-\\d{2} \\d{2}:\\d{2}:\\d{2}\\] (\\d+),(\\S+),([a-z]+),([-+]?[0-9]*\\.?[0-9]*),(\\d+),([-+]?[0-9]*\\.?[0-9]*)
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1启动Flume
Dflume.root.logger=INFO,console选项可以将日志实时输出到控制台，如需更多信息可采用DEBUG模式。使用如下命令启动Flume，即可完成CSV文件数据采集进入DataHub：
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console案例三：Flume Taildir Source
在上面的介绍中提到，Flume使用exec source时，可能会导致数据丢失，所以在实际生产环境中并不建议使用。如果想要采集本地日志，可以使用Taildir Source或者Spooling Directory Source。下面以Taildir为例，介绍日志文件的采集。Taildir将会可以指定文件组，然后观察指定的文件，并在检测到新行添加到每个文件后，几乎实时的进行读取。如果正在写入新行，则此源将重试读取它们，以等待写入完成。 Taildir Source会把每个文件的已经读到的位置信息以JSON格式储存在positionFile文件中，source event 放入channel失败，已读位置不会更新，所以Taildir Source是可靠的。
数据文件
所有的日志将以如下格式追加到文件末尾。日志文件命名格式为 *.log
0,YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0,true,1254275.1144629316,1573206062763,1254275.1144637289DataHub Topic Schema
以上数据对应的DataHub schme为：
字段名称 | 字段类型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目录 ${FLUME_HOME}/conf 下创建文件名为datahub_basic.conf的文件，然后将以下内容写入文件。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = TAILDIR
a1.sources.r1.positionFile = /temp/taildir_position.json
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /temp/.*log
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = DELIMITED
a1.sinks.k1.serializer.delimiter = ,
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
a1.sinks.k1.datahub.enablePb = true
a1.sinks.k1.datahub.compressType = DEFLATE
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1启动Flume
Dflume.root.logger=INFO,console选项可以将日志实时输出到控制台，如需更多信息可采用DEBUG模式。使用如下命令启动Flume，即可完成CSV文件数据采集进入DataHub：
1. $ cd ${FLUME_HOME}
2. $ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console案例四：JSON serializer
JSON解析数据时将每一行作为一条Record，只做一层JSON解析，嵌套的内容直接当作string，第一层的name若在配置的serializer.fieldnames中，就会加入到对应的列中。下面以日志文件为例，说明flume如何利用JSON解析方式准时时上传到DataHub。
数据文件
将以下内容保存在本地文件/temp/test.json中。其中需要同步的数据内容为日期后面的详细数据。
{"my_time":1573206062763,"gender":true,"name":"YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0","id":0,"salary":1254275.1144629316,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"YxCOHXcst1NlL5ebJM9YmvQ1f8oy8neb3obdeoS0","id":0,"salary":1254275.1144629316,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"hHVNjKW5DsRmVXjguwyVDjzjn60wUcOKos9Qym0V","id":1,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"vnXOEuKF4Xdn5WnDCPbzPwTwDj3k1m3rlqc1vN2l","id":2,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"t0AGT8HShzroBVM3vkP37fIahg2yDqZ5xWfwDFJs","id":3,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"MKwZ1nczmCBp6whg1lQeFLZ6E628lXvFncUVcYWI","id":4,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"bDPQJ656xvPGw1PPjhhTUZyLJGILkNnpqNLaELWV","id":5,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":true,"name":"wWF7i4X8SXNhm4EfClQjQF4CUcYQgy3XnOSz0StX","id":6,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"my_time":1573206062763,"gender":false,"name":"whUxTNREujMP6ZrAJlSVhCEKH1KH9XYJmOFXKbh8","id":7,"salary":1254275.1144637289,"decimal":1254275.1144637289}
{"gender":true,"name":{"a":"OYcS1WkGcbZFbPLKaqU5odlBf7rHDObkQJdBDrYZ"},"id":8,"salary":1254275.1144637289,"decimal":1254275.1144637289}DataHub Topic Schema
以上数据对应的DataHub schme为：
字段名称 | 字段类型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目录 ${FLUME_HOME}/conf 下创建文件名为datahub_basic.conf的文件，然后将以下内容写入文件。本实例采用Exec Source作为数据源，更多Source可以参考Flume官方文档。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = cat /temp/test.json
# Describe the sink
a1.sinks.k1.type = com.aliyun.datahub.flume.sink.DatahubSink
a1.sinks.k1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sinks.k1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sinks.k1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sinks.k1.datahub.project = datahub_project_test
a1.sinks.k1.datahub.topic = test_topic
a1.sinks.k1.serializer = JSON
a1.sinks.k1.serializer.fieldnames = id,name,gender,salary,my_time,decimal
a1.sinks.k1.serializer.charset = UTF-8
a1.sinks.k1.datahub.retryTimes = 5
a1.sinks.k1.datahub.retryInterval = 5
a1.sinks.k1.datahub.batchSize = 100
a1.sinks.k1.datahub.batchTimeout = 5
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1启动Flume
Dflume.root.logger=INFO,console选项可以将日志实时输出到控制台，如需更多信息可采用DEBUG模式。使用如下命令启动Flume，即可完成CSV文件数据采集进入DataHub:
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,consoleSource 使用案例
案例一
DataHub-Flume Source可以将DataHub中的数据读取出来，并且可靠的移动到另外的系统中，本文以logger（直接输出到控制台）为例，介绍DataHub-Flume Source的使用方法。
DataHub Topic Schema
以上数据对应的DataHub schme为：
字段名称 | 字段类型 |
id | BIGINT |
name | STRING |
gender | BOOLEAN |
salary | DOUBLE |
my_time | TIMESTAMP |
decimal | DECIMAL |
flume 配置文件
在目录 ${FLUME_HOME}/conf 下创建文件名为datahub_source.conf的文件，然后将以下内容写入文件。
# A single-node Flume configuration for DataHub
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = com.aliyun.datahub.flume.sink.DatahubSource
a1.sources.r1.datahub.endPoint = {YOUR_ALIYUN_DATAHUB_ENDPOINT}
a1.sources.r1.datahub.accessId = {YOUR_ALIYUN_DATAHUB_ACCESS_ID}
a1.sources.r1.datahub.accessKey = {YOUR_ALIYUN_DATAHUB_ACCESS_KEY}
a1.sources.r1.datahub.project = datahub_test
a1.sources.r1.datahub.topic = test_flume
a1.sources.r1.datahub.subId = {YOUR_ALIYUN_DATAHUB_SUB_ID}
a1.sources.r1.serializer = DELIMITED
a1.sources.r1.serializer.delimiter = ,
a1.sources.r1.serializer.charset = UTF-8
a1.sources.r1.datahub.retryTimes = 3
a1.sources.r1.datahub.batchSize = 1000
a1.sources.r1.datahub.batchTimeout = 5
a1.sources.r1.datahub.enablePb = false
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1启动Flume
$ cd ${FLUME_HOME}
$ bin/flume-ng agent -n a1 -c conf -f conf/datahub_source.conf -Dflume.root.logger=INFO,consoleFlume metric
DataHub-Flume 支持Flume的内置计数监控器，用户可以利用监控器来监控自己的Flume插件的运行情况。DataHub-Flume插件的Sink和Source都支持metric信息显示，具体参数含义可查看下表（只含DataHub相关的参数，更多参数含义参考Flume官方文档）。
1.)DatahubSink
名称 | 描述 |
BatchEmptyCount | batch timeout时没有数据需要写入DataHub发生的次数 |
BatchCompleteCount | Batch处理成功次数，仅包含全部写入成功的情况 |
EventDrainAttemptCount | 尝试写入DataHub的数据数量（解析成功数量） |
BatchUnderflowCount | 成功写入DataHub的数据数量小于需要写入的数据量发生的次数。数据解析完成，但写入DataHub时部分失败或全部失败。 |
EventDrainSuccessCount | 成功写入DataHub的数据量 |
2.)DatahubSource
名称 | 描述 |
EventReceivedCount | Source接收到的DataHub的数据数量 |
EventAcceptedCount | Source将DataHub数据成功写入channel的数量 |
使用方法
Flume提供了多种监控方法，本文以HTTP监控为例，介绍Flume监控工具的使用，更多的监控方法可以参考Flume官方文档 。使用HTTP方式监控，只需要在Flume插件启动时增加两个参数即可，-Dflume.monitoring.type=http -Dflume.monitoring.port=1234，其中type将监控方式指定为http，port为指定的端口号。使用示例如下：
bin/flume-ng agent -n a1 -c conf -f conf/datahub_basic.conf -Dflume.root.logger=INFO,console -Dflume.monitoring.type=http -Dflume.monitoring.port=1234插件成功启动之后，便可以登录Web界面进行查看。地址为 https://ip:1234/metrics
FAQ
Q: flume启动报错org.apache.flume.ChannelFullException: Space for commit to queue couldn’t be acquired. Sinks are likely not keeping up with sources, or the buffer size is too tight
A: flume默认堆内存20MB，配置的batchSize过大时，flume使用的堆内存会超出20M。
解决方案1：调小batchSize；
解决方案2：调大flume最大堆内存。
$ vim bin/flume-ngJAV**A_OPTS**="-Xmx20m" ==> JAV**A_OPTS**="-Xmx1024m"
Q: DataHub-Flume插件是否支持JSON格式
A: 目前不支持，不过用户可以通过自定义正则表达式进行数据解析，或者修改DataHub-Flume插件代码，添加JSONEvent进行支持。
Q: DataHub-Flume插件支持Blob Topic吗？
A: 目前DataHub-Flume插件仅支持Tuple Topic,暂不支持blob。
Q:flume 报错 org.apache.flume.ChannelException: Put queue for MemoryTransaction of capacity 1 full, consider committing more frequently, increasing capacity or increasing thread count
A: channel已满，source数据写入channel失败。可以在配置文件中修改channel capacity解决，并且可以适当降低datahub source的batchSize。
Q: 使用旧版本flume时报错，可能会因为jar包冲突导致无法正常启动。
例如：使用flume1.6时，启动时报错：java.lang.NoSuchMethodError:com.fasterxml.jackson.databind.ObjectMapper.readerFor(Lcom/fasterxml/jackson/databind/JavaType;)Lcom/fasterxml/jackson/databind/ObjectReader;。因为新版本的插件依赖的jar包和flume本身依赖的jar包版本不一致，使用了flume依赖的旧版本jar包导致新版本的method找不到。
A: 删除${FLUME_HOME}/lib目录下的三个jar包即可。
jackson-annotations-2.3.0.jarjackson-databind-2.3.1.jarjackson-annotations-2.3.0.jar
Q: 使用flume采集数据时，空字符串自动转为null
A: 在flume插件2.0.2中对于非空字符串会做trim，空字符串直接转为null。flume插件2.0.3中已经优化掉，非空字符串写入DataHub依旧为空字符串。
Q:启动报错
Cannot invoke "com.google.common.cache.LoadingCache.get(Object)" because "com.aliyun.datahub.client.impl.batch.avro.AvroSchemaCache.schemaCache" is null]
A:删除Flume lib文件夹中的guava 、zstd的 jar包文件，重新启动