本文为您介绍如何同步EMR DataFlow集群的数据至EMR DataLake集群的HDFS。

前提条件

  • 已创建DataLake集群，并且选择了Flume服务，详情请参见创建集群。
  • 已创建DataFlow集群，并且选择了Kafka服务，详情请参见创建集群。

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>