同步EMR Kafka数据至HDFS

操作步骤

1. 配置Flume。
   1. 进入Flume的配置页面。
      1. 登录EMR on ECS控制台。
      2. 在顶部菜单栏处，根据实际情况选择地域和资源组。
      3. 在集群管理页面，单击目标集群操作列的集群服务。
      4. 在集群服务页面，单击FLUME服务区域的配置。
   2. 单击flume-conf.properties页签。
      本文示例采用的是全局配置方式，如果您想按照节点配置，可以在FLUME服务配置页面的下拉列表中选择独立节点配置。
   3. 在flume-conf.properties的参数值中，添加以下内容。
      说明 代码示例中的default-agent，请与FLUME服务配置页面的agent_name参数的参数值保持一致。

      default-agent.sources = source1
      default-agent.sinks = k1
      default-agent.channels = c1
      
      default-agent.sources.source1.type = org.apache.flume.source.kafka.KafkaSource
      default-agent.sources.source1.channels = c1
      default-agent.sources.source1.kafka.bootstrap.servers = <kafka-host1:port1,kafka-host2:port2...>
      default-agent.sources.source1.kafka.topics = flume-test
      default-agent.sources.source1.kafka.consumer.group.id = flume-test-group
      
      # Describe the sink
      default-agent.sinks.k1.type = hdfs
      default-agent.sinks.k1.hdfs.path = hdfs://emr-cluster/tmp/flume/test-data
      default-agent.sinks.k1.hdfs.fileType=DataStream
      
      # Use a channel which buffers events in memory
      default-agent.channels.c1.type = memory
      default-agent.channels.c1.capacity = 100
      default-agent.channels.c1.transactionCapacity = 100
      
      # Bind the source and sink to the channel
      default-agent.sources.source1.channels = c1
      default-agent.sinks.k1.channel = c1

      参数	描述
      default-agent.sources.source1.kafka.bootstrap.servers	DataFlow集群Broker的Host和端口号。
      default-agent.sources.source1.kafka.topics	Flume消费Kafka数据的Topic。
      default-agent.channels.c1.capacity	通道中存储的最大事件数。请根据实际环境修改该参数值。
      default-agent.channels.c1.transactionCapacity	每个事务通道将从源接收或提供给接收器的最大事件数。请根据实际环境修改该参数值。
      default-agent.sinks.k1.hdfs.path	Flume向HDFS写入数据的路径。 针对普通集群和高可用集群代码示例如下： 高可用集群 default-agent.sinks.k1.hdfs.path = hdfs://emr-cluster/tmp/flume/test-data 普通集群 default-agent.sinks.k1.hdfs.path = hdfs://master-1-1:9000/tmp/flume/test-data

   4. 保存配置。
      1. 单击下方的保存。
      2. 在弹出的对话框中，输入执行原因，单击确定。
2. 启动服务。
   1. 在FLUME服务页面，选择更多操作 > 重启。
   2. 在弹出的对话框中，输入执行原因，单击确定。
   3. 在确认对话框中，单击确定。
3. 测试数据同步情况。
   1. 通过SSH方式连接DataFlow集群，详情请参见登录集群。
   2. 创建名称为flume-test的Topic。

      kafka-topics.sh --partitions 10 --replication-factor 2 --zookeeper master-1-1:2181/emr-kafka --topic flume-test --create

   3. 生成测试数据。

      kafka-console-producer.sh --topic flume-test --broker-list master-1-1:9092

      例如输入abc并回车。

   4. 通过SSH方式连接DataLake集群，查看生成的文件。
      Flume会在HDFS中以当前时间的时间戳（毫秒）生成文件FlumeData.xxxx。文件内容是在Kafka中输入的数据abc。

      hdfs dfs -cat /tmp/flume/test-data/<FlumeData.xxxx>