基于Hadoop生态SparkStreaming的大数据实时流处理平台的搭建

2018-02-03 10:28:00来源:http://bigdata.51cto.com/art/201801/565731.htm作者:51CTO人点击

分享

随着公司业务发展,对大数据的获取和实时处理的要求就会越来越高,日志处理、用户行为分析、场景业务分析等等,传统的写日志方式根本满足不了业务的实时处理需求,所以本人准备开始着手改造原系统中的数据处理方式,重新搭建一个实时流处理平台,主要是基于hadoop生态,利用Kafka作为中转,SparkStreaming框架实时获取数据并清洗,将结果多维度的存储进HBase数据库。


整个平台大致的框架如下:





操作系统:Centos7
用到的框架:
Flume1.8.0
Hadoop2.9.0
kafka2.11-1.0.0
Spark2.2.1
HBase1.2.6
ZooKeeper3.4.11
maven3.5.2

整体的开发环境是基于JDK1.8以上以及Scala,所以得提前把java和Scala的环境给准备好,接下来就开始着手搭建基础平台:


一、配置开发环境

下载并解压JDK1.8,、下载并解压Scala,配置profile文件:





二、配置zookeeper、maven环境

下载并解压zookeeper以及maven并配置profile文件





然后配置一下zoo.cfg里面的相关配置,指定一下dataDir目录等等


启动zookeeper:


/usr/local/zookeeper-3.4.11/bin/zkServer.shstart

如果不报错,jps看一下是否启动成功


三、安装配置Hadoop

Hadoop的安装配置在之前文章中有说过(传送门),为了下面的步骤方便理解,这里只做一个单机版的简单配置说明:


下载hadoop解压并配置环境:



首先配置hadoop-env.sh、yarn-env.sh,修改JAVA_HOME到指定的JDK安装目录/usr/local/java/jdk1.8.0_144


创建hadoop的工作目录
mkdir/opt/data/hadoop

编辑core-site.xml、hdfs-site.xml、yarn-site.xml等相关配置文件,具体配置不再阐述请看前面的文章,配置完成之后记得执行hadoop namenode -format,否则hdfs启动会报错,启动完成后不出问题浏览器访问50070端口会看到hadoop的页面。


四、安装配置kafka

还是一样,先下载kafka,然后配置:





进入kafka的config目录,配置server.properties,指定log.dirs和zookeeper.connect参数;配置zookeeper.properties文件中zookeeper的dataDir,配置完成后启动kafka


kafka-server-start.sh-daemon$KAFKA_HOME/config/server.properties

可以用jps查看有没有kafka进程,然后测试一下kafka是否能够正常收发消息,开两个终端,一个用来做producer发消息一个用来做consumer收消息,首先,先创建一个topic





如果不出一下会看到如下输出:





然后在第一个终端中输入命令:


kafka-console-producer.sh–broker-listlocalhost:9092–topictestTopic

在第二个终端中输入命令:


kafka-console-consumer.sh–zookeeper127.0.0.1:2181–topictestTopic

如果启动都正常,那么这两个终端将进入阻塞监听状态,在第一个终端中输入任何消息第二个终端都将会接收到。


五、安装配置HBase
下载并解压HBase:



修改hbase下的配置文件,首先修改hbase-env.sh,主要修改JAVA_HOME以及相关参数,这里要说明一下HBASE_MANAGES_ZK这个参数,因为采用了自己的zookeeper,所以这里设置为false,否则hbase会自己启动一个zookeeper





然后修改hbase-site.xml,我们设置hbase的文件放在hdfs中,所以要设置hdfs地址,其中tsk1是我安装hadoop的机器的hostname,hbase.zookeeper.quorum参数是安装zookeeper的地址,这里的各种地址最好用机器名





配置完成后启动hbase,输入命令:


start-hbase.sh

完成后查看日志没有报错的话测试一下hbase,用hbase shell进行测试:





至此,hbase搭建成功,访问以下hadoop的页面,查看file system(菜单栏Utilities->Browse the file system),这时可以看见base的相关文件已经载hadoop的文件系统中。





六、安装spark
下载spark并解压



七、测试

至此,环境基本搭建完成,以上搭建的环境仅是服务器生产环境的一部分,涉及服务器信息、具体调优信息以及集群的搭建就不写在这里了,下面我们写一段代码整体测试一下从kafka生产消息到spark streaming接收到,然后处理消息并写入HBase。先写一个HBase的连接类HBaseHelper:








再写一个测试类KafkaRecHbase用来做spark-submit提交








编译提交到服务器,执行命令:





没报错的话执行kafka的producer,输入几行数据在HBase内就能看到结果了!


八、装一个Flume实时采集Nginx日志写入Kafka

Flume是一个用来日志采集的框架,安装和配置都比较简单,可以支持多个数据源和输出,具体可以参考Flume的文档,写的比较全 传送门


下载Flume并配置环境





写一个Flume的配置文件在flume的conf目录下:





kafka创建一个名为flumeKafka的topic用来接收,然后启动flume:





如果没有报错,Flume将开始采集opt/data/nginxLog/nginxLog.log中产生的日志并实时推送给kafka,再按照上面方法写一个spark streaming的处理类进行相应的处理就好。


OK!全部搞定,然而~~~~就这样就搞定了?NO!!!这只是万里长征的第一步!呵呵!


最新文章

123

最新摄影

闪念基因

微信扫一扫

第七城市微信公众平台