隨着公司業務發展，對大數據的獲取和實時處理的要求就會越來越高，日志處理、用戶行為分析、場景業務分析等等，傳統的寫日志方式根本滿足不了業務的實時處理需求，所以本人准備開始着手改造原系統中的數據處理方式，重新搭建一個實時流處理平台，主要是基於hadoop生態，利用Kafka作為中轉，SparkStreaming框架實時獲取數據並清洗，將結果多維度的存儲進HBase數據庫。
整個平台大致的框架如下：
操作系統：Centos7
用到的框架：
1. Flume1.8.0
2. Hadoop2.9.0
3. kafka2.11-1.0.0
4.Spark2.2.1
5.HBase1.2.6
6. ZooKeeper3.4.11
7. maven3.5.2
整體的開發環境是基於JDK1.8以上以及Scala，所以得提前把java和Scala的環境給准備好，接下來就開始着手搭建基礎平台：
一、配置開發環境
下載並解壓JDK1.8,、下載並解壓Scala，配置profile文件：
vim /etc/profile
export JAVA_HOME=/usr/java/jdk1.8.0_144
export PATH=$JAVA_HOME/bin:$PATH export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar export SCALA_HOME=/usr/local/scala-2.11.12 export PATH=$PATH:$SCALA_HOME/bin
source /etc/profile
二、配置zookeeper、maven環境
下載並解壓zookeeper以及maven並配置profile文件
wget http://mirrors.hust.edu.cn/apache/maven/maven-3/3.5.2/binaries/apache-maven-3.5.2-bin.tar.gz tar -zxvf apache-maven-3.5.2-bin.tar.gz -C /usr/local wget http://mirrors.hust.edu.cn/apache/zookeeper/zookeeper-3.4.11/zookeeper-3.4.11.tar.gz tar -zxvf zookeeper-3.4.11.tar.gz -C /usr/local vim /etc/profile
export MAVEN_HOME=/usr/local/apache-maven-3.5.2 export PATH=$PATH:$MAVEN_HOME/bin
source /etc/profile
zookeeper的配置文件配置一下：
cp /usr/local/zookeeper-3.4.11/conf/zoo_sample.cfg /usr/local/zookeeper-3.4.11/conf/zoo.cfg
然后配置一下zoo.cfg里面的相關配置，指定一下dataDir目錄等等
啟動zookeeper:
/usr/local/zookeeper-3.4.11/bin/zkServer.sh start
如果不報錯，jps看一下是否啟動成功
三、安裝配置Hadoop
Hadoop的安裝配置在之前文章中有說過（傳送門），為了下面的步驟方便理解，這里只做一個單機版的簡單配置說明：
下載hadoop解壓並配置環境：
wget http://mirrors.hust.edu.cn/apache/hadoop/common/hadoop-2.9.0/hadoop-2.9.0.tar.gz tar -zxvf hadoop-2.9.0.tar.gz -C /usr/local vim /etc/profile
export HADOOP_HOME=/usr/local/hadoop-2.9.0 export PATH=$PATH:$HADOOP_HOME/bin
source /etc/profile
配置hadoop 進入/usr/local/hadoop-2.9.0/etc/hadoop目錄
cd /usr/local/hadoop-2.9.0/etc/hadoop
首先配置hadoop-env.sh、yarn-env.sh，修改JAVA_HOME到指定的JDK安裝目錄/usr/local/java/jdk1.8.0_144
創建hadoop的工作目錄
mkdir /opt/data/hadoop
編輯core-site.xml、hdfs-site.xml、yarn-site.xml等相關配置文件，具體配置不再闡述請看前面的文章，配置完成之后記得執行hadoop namenode -format，否則hdfs啟動會報錯，啟動完成后不出問題瀏覽器訪問50070端口會看到hadoop的頁面。
想學習大數據或者想學習大數據的朋友，我整理了一套大數據的學習視頻免費分享給大家，從入門到實戰都有，大家可以加微信：Lxiao_28獲取，還可以入微信群交流！（備注領取資料，真實有效）。
四、安裝配置kafka
還是一樣，先下載kafka，然后配置：
wget http://mirrors.hust.edu.cn/apache/kafka/1.0.0/kafka_2.11-1.0.0.tgz tar -zxvf kafka_2.11-1.0.0.tgz -C /usr/local vim /etc/profile
export KAFKA_HOME=/usr/local/kafka_2.11-1.0.0 export PATH=$KAFKA_HOME/bin:$PATH
source /etc/profile
進入kafka的config目錄，配置server.properties,指定log.dirs和zookeeper.connect參數；配置zookeeper.properties文件中zookeeper的dataDir，配置完成后啟動kafka
kafka-server-start.sh -daemon $KAFKA_HOME/config/server.properties
可以用jps查看有沒有kafka進程，然后測試一下kafka是否能夠正常收發消息，開兩個終端，一個用來做producer發消息一個用來做consumer收消息，首先，先創建一個topic
kafka-topics.sh --create --zookeeper 127.0.0.1:2181 --replication-factor 1 --partitions 1 --topic testTopic kafka-topics.sh --describe --zookeeper localhost:2181 --topic testTopic
如果不出一下會看到如下輸出：
Topic:testTopic PartitionCount:1 ReplicationFactor:1 Configs: Topic: testTopic Partition: 0 Leader: 0 Replicas: 0 Isr: 0
然后在第一個終端中輸入命令：
kafka-console-producer.sh –broker-list localhost:9092 –topic testTopic
在第二個終端中輸入命令：
kafka-console-consumer.sh –zookeeper 127.0.0.1:2181 –topic testTopic
如果啟動都正常，那么這兩個終端將進入阻塞監聽狀態，在第一個終端中輸入任何消息第二個終端都將會接收到。
五、安裝配置HBase
下載並解壓HBase：
wget http://mirrors.hust.edu.cn/apache/hbase/1.2.6/hbase-1.2.6-bin.tar.gz tar -zxvf hbase-1.2.6-bin.tar.gz -C /usr/local/ vim /etc/profile
export HBASE_HOME=/usr/local/hbase-1.2.6 export PATH=$PATH:$HBASE_HOME/bin
source /etc/profile
修改hbase下的配置文件,首先修改hbase-env.sh，主要修改JAVA_HOME以及相關參數，這里要說明一下HBASE_MANAGES_ZK這個參數，因為采用了自己的zookeeper，所以這里設置為false，否則hbase會自己啟動一個zookeeper
cd /usr/local/hbase-1.2.6/conf vim hbase-env.sh
export JAVA_HOME=/usr/local/java/jdk1.8.0_144/ HBASE_CLASSPATH=/usr/local/hbase-1.2.6/conf export HBASE_MASTER_OPTS="$HBASE_MASTER_OPTS -XX:PermSize=256m -XX:MaxPermSize=1024m" export HBASE_REGIONSERVER_OPTS="$HBASE_REGIONSERVER_OPTS -XX:PermSize=256m -XX:MaxPermSize=1024m" export HBASE_PID_DIR=/opt/data/hbase export HBASE_MANAGES_ZK=false
然后修改hbase-site.xml，我們設置hbase的文件放在hdfs中，所以要設置hdfs地址，其中tsk1是我安裝hadoop的機器的hostname，hbase.zookeeper.quorum參數是安裝zookeeper的地址，這里的各種地址最好用機器名
vim hbase-site.xml
<configuration> <property> <name>hbase.rootdir</name> <value>hdfs://tsk1:9000/hbase</value> </property> <property> <name>hbase.master</name> <value>tsk1:60000</value> </property> <property> <name>hbase.master.port</name> <value>60000</value> </property> <property> <name>hbase.cluster.distributed</name> <value>true</value> </property> <property> <name>hbase.zookeeper.quorum</name> <value>192.168.70.135</value> </property> <property> <name>zookeeper.znode.parent</name> <value>/hbase</value> </property> <property> <name>hbase.zookeeper.property.dataDir</name> <value>/opt/data/zookeeper</value> </property> <property> <name>hbase.master.info.bindAddress</name> <value>tsk1</value> </property> </configuration>
配置完成后啟動hbase，輸入命令：
start-hbase.sh
完成后查看日志沒有報錯的話測試一下hbase，用hbase shell進行測試：
hbase shell
hbase(main):001:0>create 'myTestTable','info' 0 row(s) in 2.2460 seconds => Hbase::Table - myTestTable hbase(main):003:0>list TABLE testTable 1 row(s) in 0.1530 seconds => ["myTestTable"]
至此，hbase搭建成功，訪問以下hadoop的頁面，查看file system(菜單欄Utilities->Browse the file system)，這時可以看見base的相關文件已經載hadoop的文件系統中。
六、安裝spark
下載spark並解壓
wget http://mirrors.hust.edu.cn/apache/spark/spark-2.2.1/spark-2.2.1-bin-hadoop2.7.tgz tar -zxvf spark-2.2.1-bin-hadoop2.7.tgz -C /usr/local vim /etc/profile
export SPARK_HOME=/usr/local/spark-2.2.1-bin-hadoop2.7 export PATH=$PATH:$SPARK_HOME/bin
source /etc/profile
七、測試
至此，環境基本搭建完成，以上搭建的環境僅是服務器生產環境的一部分，涉及服務器信息、具體調優信息以及集群的搭建就不寫在這里了，下面我們寫一段代碼整體測試一下從kafka生產消息到spark streaming接收到，然后處理消息並寫入HBase。先寫一個HBase的連接類HBaseHelper:
public class HBaseHelper { private static HBaseHelper ME; private static Configuration config; private static Connection conn; private static HBaseAdmin admin; public static HBaseHelper getInstances() { if (null == ME) { ME = new HBaseHelper(); config = HBaseConfiguration.create(); config.set("hbase.rootdir", "hdfs://tsk1:9000/hbase"); config.set("hbase.zookeeper.quorum", "tsk1"); config.set("hbase.zookeeper.property.clientPort", "2181"); config.set("hbase.defaults.for.version.skip", "true"); } if (null == conn) { try { conn = ConnectionFactory.createConnection(config); admin = new HBaseAdmin(config); } catch (IOException e) { e.printStackTrace(); } } return ME; } public Table getTable(String tableName) { Table table = null; try { table = conn.getTable(TableName.valueOf(tableName)); } catch (Exception ex) { ex.printStackTrace(); } return table; } public void putAdd(String tableName, String rowKey, String cf, String column, Long value) { Table table = this.getTable(tableName); try { table.incrementColumnValue(rowKey.getBytes(), cf.getBytes(), column.getBytes(), value); System.out.println("OK！"); } catch (IOException e) { e.printStackTrace(); } } //......以下省略 }
再寫一個測試類KafkaRecHbase用來做spark-submit提交
package com.test.spark.spark_test;
import java.util.HashMap;
import java.util.Map; import java.util.regex.Pattern; import org.apache.log4j.Level; import org.apache.log4j.Logger; import org.apache.spark.SparkConf; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import org.apache.spark.streaming.kafka.KafkaUtils; import scala.Tuple2; public class KafkaRecHbase { private static final Pattern SPACE = Pattern.compile(" "); public static void main(String[] args) throws Exception { Logger.getLogger("org").setLevel(Level.ERROR); SparkConf sparkConf = new SparkConf(); sparkConf.setAppName("kafkaRecHbase"); sparkConf.setMaster("local[2]"); JavaStreamingContext ssc = new JavaStreamingContext(sparkConf, Durations.seconds(5)); int numThreads = Integer.parseInt(args[3]); Map<String, Integer> topicMap = new HashMap<>(); String[] topics = args[2].split(","); for (String topic : topics) { topicMap.put(topic, numThreads); } JavaPairReceiverInputDStream<String, String> kafkaStream = KafkaUtils.createStream(ssc, args[0], args[1], topicMap); JavaDStream<String> lines = kafkaStream.map(Tuple2::_2); JavaDStream<String> lineStr = lines.map(line -> { if (null == line || line.equals("")) { return ""; } String[] strs = SPACE.split(line); if (strs.length < 1) { return ""; } try { for (String str : strs) { HBaseHelper.getInstances().putAdd("myTestTable", str, "info", "wordCunts", 1l); } return "strs:" + line; } catch (Exception ex) { System.out.println(line); return "報錯了：" + ex.getMessage(); } }); lineStr.print(); ssc.start(); System.out.println("spark 啟動！！！"); ssc.awaitTermination(); } }
編譯提交到服務器，執行命令：
spark-submit --jars $(echo /usr/local/hbase-1.2.6/lib/*.jar | tr ' ' ',') --class com.test.spark.spark_test.KafkaRecHbase --packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.2.1 /opt/FileTemp/streaming/spark-test-0.1.1.jar tsk1:2181 test testTopic 1
沒報錯的話執行kafka的producer，輸入幾行數據在HBase內就能看到結果了！
八、裝一個Flume實時采集Nginx日志寫入Kafka
Flume是一個用來日志采集的框架，安裝和配置都比較簡單，可以支持多個數據源和輸出，具體可以參考Flume的文檔，寫的比較全 傳送門
下載Flume並配置環境
wget http://mirrors.hust.edu.cn/apache/flume/1.8.0/apache-flume-1.8.0-bin.tar.gz tar -zxvf apache-flume-1.8.0-bin.tar.gz -C /usr/local vim /etc/profile
export FLUME_HOME=/usr/local/apache-flume-1.8.0-bin/ export PATH=$FLUME_HOME/bin:$PATH
source /etc/profile
寫一個Flume的配置文件在flume的conf目錄下：
vim nginxStreamingKafka.conf
agent1.sources=r1
agent1.channels=logger-channel agent1.sinks=kafka-sink agent1.sources.r1.type=exec agent1.sources.r1.deserializer.outputCharset= UTF-8 agent1.sources.r1.command=tail -F /opt/data/nginxLog/nginxLog.log agent1.channels.logger-channel.type=memory agent1.sinks.kafka-sink.type=org.apache.flume.sink.kafka.KafkaSink agent1.sinks.kafka-sink.topic = flumeKafka agent1.sinks.kafka-sink.brokerList = tsk1:9092 agent1.sinks.kafka-sink.requiredAcks = 1 agent1.sinks.kafka-sink.batchSize = 20 agent1.sources.r1.channels=logger-channel agent1.sinks.kafka-sink.channel=logger-channel
kafka創建一個名為flumeKafka的topic用來接收，然后啟動flume：
flume-ng agent --name agent1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/nginxStreamingKafka.conf -Dflume.root.logger=INFO,console
如果沒有報錯，Flume將開始采集opt/data/nginxLog/nginxLog.log中產生的日志並實時推送給kafka，再按照上面方法寫一個spark streaming的處理類進行相應的處理就好。