Flume数据采集结合etcd作为配置中心在爬虫大数据采集处理中的架构实践。

Apache Flume是一个分布式的、可靠的、可用的系统,用于有效地收集、聚合和将大量日志数据从许多不同的源移动到一个集中的数据存储，但是其本身是以本地properties作为配置的，配置无法做到动态监听和更新。

一、Flume和ETCD的结合，使用ETCD作为flume 数据采集的配置中心。

那么如何做出一个flume的动态配置中心呢，etcd 可以是一个很好的选择。etcd的API版本有v2和v3两个，这里选择v3版本。在flume启动的时候，可以启动etcd的监听。

...  @Overridepublic void start() {//初始化监听EtcdUtil.initListen(etcdConfig);sinkCounter.start();sinkCounter.incrementConnectionCreatedCount();super.start();}
...

/**

* etcd的监听，监听指定的key，当key 发生变化后，监听自动感知到变化。 key发生变化后，会更新本地缓存数据

*

* @param key 指定需要监听的key

*/

public static void initListen(String key) {

try {

//加载配置

loadProperties(getConfig(EtcdUtil.getEtclClient().getKVClient().get(ByteSequence.fromString(key)).get().getKvs()));

new Thread(() -> {

Watch.Watcher watcher = EtcdUtil.getEtclClient().getWatchClient().watch(ByteSequence.fromString(key));

try {

while (true) {

watcher.listen().getEvents().stream().forEach(watchEvent -> {

KeyValue kv = watchEvent.getKeyValue();

log.info("etcd event:{} ,change key is:{},afterChangeValue:{}", watchEvent.getEventType(), kv.getKey().toStringUtf8(), kv.getValue().toStringUtf8());

loadProperties(kv.getValue().toStringUtf8());

});

}

} catch (InterruptedException e) {

log.error("etcd listen start cause Exception:{}", e);

}

}).start();

} catch (Exception e) {

log.error("etcd listen start cause Exception:{}", e);

}

　　备注：完整的代码可以参考笔者博客：https://www.cnblogs.com/laoqing/p/8967549.html

监听完配置后，就可以在etcd 的配置中心中管理配置了

然后就可以通过如下代码获取配置了

....
EtcdUtil.getLocalPropertie("xxxxx")
....

二、Flume 日志采集中的流水线架构设计

flume 中数据采集是通过source->Sink的方式进行数据采集入库的，但是有一个缺点就是数据中如果需要做一些ETL的业务处理，比如简单的数据加工，或者增加一些业务逻辑处理等然后再入库，无法满足。而是我们就可以对flume原有的架构进行拓展。

拓展后的架构图如下所示。

1、用户可以自定义process，继承统一的process接口，用户的process自己打成jar包。放到flume的lib目录中。
- ```
public interface Processor<T> {T process(T log);
}
```

2、etcd动态配置中，配置需要使用哪些process，在多个process的时候，在etcd动态配置中配置顺序。

processors=[{"processor":"com.xxx.flume.tax.processor.TaxCrawlerDataCommonProcessor","logType":"5"}] # logType代表日志类型

public class ProcessorBean {private String processor;private String logType;private  Processor processorInstance;public Processor getProcessorInstance() {return processorInstance;}public void setProcessorInstance(Processor processorInstance) {this.processorInstance = processorInstance;}public String getProcessor() {return processor;}public void setProcessor(String processor) {this.processor = processor;}public String getLogType() {return logType;}public void setLogType(String logType) {this.logType = logType;}@Overridepublic String toString() {return "ProcessorBean{" +"processor='" + processor + '\'' +", logType='" + logType + '\'' +", processorInstance=" + processorInstance +'}';}
}

...
processorBeanList = GsonUtil.gson.fromJson(EtcdUtil.getLocalPropertie("processors"), new TypeToken<List<ProcessorBean>>() {}.getType());processorBeanList.forEach(processorBean -> {try {Processor<?> processor = (Processor<?>) Class.forName(processorBean.getProcessor()).newInstance();processorBean.setProcessorInstance(processor);} catch (Throwable e) {e.printStackTrace();}});
...

3、process 为动态装载形式，可以随时开启和关闭。Process中业务自己处理自己的业务逻辑。
4、source负责数据采集

5、sink负责数据入库到目标端，并且负责通知（可以在动态配置中配置是否开启通知功能）

isNotice=1#1代表打开通知

public interface Notice {void noticePostLog(String logType);void noticePostLog(List<Map<String,Object>> noticeMsg);
}

 public void noticePostLog(String logType) {if (null != EtcdUtil.getLocalPropertie("isNotice") && "1".equals(EtcdUtil.getLocalPropertie("isNotice"))) {List<Map<String, Object>> callList = new ArrayList<>();................if (null != callList && callList.size() > 0) {noticePostLog(callList);}}}

         if (null != processorBeanList && processorBeanList.size() > 0) {for (ProcessorBean processorBean : processorBeanList) {try {if (logType.equals(processorBean.getLogType())) {if ("2".equals(logType)) {log = (BusinessLog) processorBean.getProcessorInstance().process(log);} else if ("5".equals(logType)) {log = (CrawlerLog) processorBean.getProcessorInstance().process(log);}}} catch (Throwable e) {logger.error("exec process cause Exception", e);}}}

6、通知为一个通用的json字段。
7、后续所有的应用服务器都在装机时，统一预先把flume包放入进去。用户在使用flume时，只需要做配置以及上传自己的process包。
8、除了process不能复用外，其他的部分都通用组件复用。
9、process就类似流水线作业的一样。

本文作者：张永清连接：https://www.cnblogs.com/laoqing/p/12620747.html

三、Flume 日志采集中的流水线架构设计在爬虫中的架构实践

这里以税务数据爬虫为例，仔细看如下的架构设计

1、税务的爬虫数据采用flume进行采集入库
2、由于各个省的税务网站欠差万别，数据在爬虫下来后，需要按照不同的省份进行进行（html页面数据解析，由于每个省的税务网站不同，html不一样）。解析时，就采用了process处理。
3、每个省份有一套解析的代码，每个省份实现同一个底层的解析接口，解析时，通过http接口从业务系统中获取配置的解析规则。

public interface TaxCrawlerAnalysis {TaxTable analysisTaxTable(TaxHtmlTable taxHtmlTable,String taxTableType);
}

4、每个省份的解析类同样采用动态加载的方式，在解析处理时通过省份编码的形式进行匹配。

taxCrawlerAnalysises=[{"taxCrawlerAnalysis":"com.xxx.bigdata.crawler.tax.common.analysis.TaxCrawlerPdfTableAnalysis","provinceCity":"320000"}]

四、总结

作者的原创文章，转载须注明出处。原创文章归作者所有，欢迎转载，但是保留版权。对于转载了博主的原创文章，不标注出处的，作者将依法追究版权，请尊重作者的成果。本文作者：张永清连接：https://www.cnblogs.com/laoqing/p/12620747.html

1、流水线的处理，让flume可以动态的扩展，可以支持自定义的业务处理。业务处理的代码可以作为单独的项目即插即用的集成到flume中。

2、etcd作为动态配置中心后，配置可以做到动态的更新，而不需要配置变更后，对jvm进程进行重启。

3、对flume进行改造和扩展的代码，后续都会放入个人github中。

五、github 源码：供参考

https://github.com/597365581/bigdata_tools/tree/master/yongqing-bigdata-tools/yongqing-bigdata-business-log-flume

https://github.com/597365581/bigdata_tools/tree/master/yongqing-bigdata-tools/yongqing-crawler-analysis

Flume数据采集结合etcd作为配置中心在爬虫大数据采集处理中的架构实践。相关推荐

《Python爬虫大数据采集与挖掘》期末考试考题汇总带答案
一.填空题 1.爬虫技术的应用可以分为两大类:采集型爬虫.监测型爬虫. 2.根据 Web 页面组成结构中的信息内容的生成方式不同,可以将 Web 页面分为静态页面.动态页面.以及伪静态页面三大类. 3 ...
Spring Cloud 如何选择分布式配置中心
##微服务必备的几样武器有了,才能独闯武林, 有哪几样呢? 注册中心(eureka, consul, zk, etcd) 配置中心 (Spring Cloud Config, disconf ) AP ...
微服务配置中心，这个方案 Go 里用起来不输 SpringCloud
微服务架构设计模式里有一条讲到,要设计可配置的服务.把服务从单体架构细分成微服务后,所有配置属性都集中存储在一个位置,更易于管理.这个集中存储管理配置的地方,就是配置中心. 使用配置中心还有一个好处就 ...
Spring Cloud（九）高可用的分布式配置中心 Spring Cloud Config 集成 Eureka 服务
上一篇文章,讲了SpringCloudConfig 集成Git仓库,这一篇我们讲一下SpringCloudConfig 配和 Eureka 注册中心一起使用在分布式系统中,由于服务数量巨多,为了方便 ...
Spring Cloud（八）高可用的分布式配置中心 Spring Cloud Config
在分布式系统中,由于服务数量巨多,为了方便服务配置文件统一管理,实时更新,所以需要分布式配置中心组件.在Spring Cloud中,有分布式配置中心组件spring cloud config,它支持配 ...
Spring Cloud第六章：配置中心Config
在上一篇文章讲述zuul的时候,已经提到过,使用配置服务来保存各个服务的配置文件.它就是Spring Cloud Config. 一.简介在分布式系统中,由于服务数量巨多,为了方便服务配置文件统一管 ...
Spring Cloud构建微服务架构：分布式配置中心（加密解密）
最近正好想发一篇关于配置中心加密的细节内容,结果发现基础的加密解密居然漏了,所以在这个入门系列中补充一下.后面再更新一下,使用配置中心的一些经验和教训. 在微服务架构中,我们通常都会采用DevOps的 ...
Java B2B2C o2o多用户商城 springcloud架构（六）分布式配置中心(Spring Cloud Config)
一.简介在分布式系统中,由于服务数量巨多,为了方便服务配置文件统一管理,实时更新,所以需要分布式配置中心组件.在Spring Cloud中,有分布式配置中心组件spring cloud config ...
史上最简单的SpringCloud教程 | 第六篇: 分布式配置中心(Spring Cloud Config)(Finchley版本)...
转载请标明出处: 原文首发于:https://www.fangzhipeng.com/springcloud/2018/08/30/sc-f6-config/ 本文出自方志朋的博客在上一篇文章讲述z ...

Flume数据采集结合etcd作为配置中心在爬虫大数据采集处理中的架构实践。

Flume数据采集结合etcd作为配置中心在爬虫大数据采集处理中的架构实践。相关推荐

最新文章

热门文章