Apache Flume – 获取 Twitter 数据

---

使用 Flume，我们可以从各种服务中获取数据并将其传输到集中式存储（HDFS 和 HBase）。本章解释了如何使用 Apache Flume 从 Twitter 服务获取数据并将其存储在 HDFS 中。

正如 Flume 架构中所讨论的，网络服务器生成日志数据，这些数据由 Flume 中的代理收集。通道将此数据缓冲到接收器，最终将其推送到集中式存储。

在本章提供的示例中，我们将创建一个应用程序并使用 Apache Flume 提供的实验性 twitter 源从中获取推文。我们将使用内存通道来缓冲这些推文，并使用 HDFS 接收器将这些推文推送到 HDFS。

要获取 Twitter 数据，我们必须按照以下步骤操作 –

• 创建一个推特应用程序
• 安装/启动 HDFS
• 配置水槽

创建 Twitter 应用程序

为了从 Twitter 获取推文，需要创建一个 Twitter 应用程序。按照下面给出的步骤创建一个 Twitter 应用程序。

步骤1

要创建 Twitter 应用程序，请单击以下链接https://apps.twitter.com/。登录您的 Twitter 帐户。您将拥有一个 Twitter 应用程序管理窗口，您可以在其中创建、删除和管理 Twitter 应用程序。

第2步

单击“创建新应用程序”按钮。您将被重定向到一个窗口，您将在其中获得一个申请表，您必须在其中填写您的详细信息才能创建应用程序。在填写网站地址时，给出完整的 URL 模式，例如http://example.com。

第 3 步

填写详细信息，完成后接受开发者协议，单击页面底部的创建您的 Twitter 应用程序按钮。如果一切顺利，将使用给定的详细信息创建一个应用程序，如下所示。

第四步

在页面底部的密钥和访问令牌选项卡下，您可以看到一个名为Create my access token的按钮。单击它以生成访问令牌。

第 5 步

最后，单击页面右侧顶部的“测试 OAuth”按钮。这将打开一个页面，其中显示您的Consumer key、Consumer secret、Access token和Access token secret。复制这些详细信息。这些对于在 Flume 中配置代理很有用。

启动 HDFS

由于我们将数据存储在 HDFS 中，因此我们需要安装/验证 Hadoop。启动 Hadoop 并在其中创建一个文件夹来存储 Flume 数据。在配置 Flume 之前，请按照以下步骤操作。

步骤 1：安装/验证 Hadoop

安装Hadoop。如果您的系统中已经安装了 Hadoop，请使用 Hadoop version 命令验证安装，如下所示。

$ hadoop version 

如果您的系统包含 Hadoop，并且您已经设置了路径变量，那么您将获得以下输出 –

Hadoop 2.6.0 
Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r 
e3496499ecb8d220fba99dc5ed4c99c8f9e33bb1 
Compiled by jenkins on 2014-11-13T21:10Z 
Compiled with protoc 2.5.0 
From source with checksum 18e43357c8f927c0695f1e9522859d6a 
This command was run using /home/Hadoop/hadoop/share/hadoop/common/hadoop-common-2.6.0.jar

第 2 步：启动 Hadoop

浏览Hadoop的sbin目录，启动yarn和Hadoop dfs（分布式文件系统），如下图。

cd /$Hadoop_Home/sbin/ 
$ start-dfs.sh 
localhost: starting namenode, logging to
   /home/Hadoop/hadoop/logs/hadoop-Hadoop-namenode-localhost.localdomain.out 
localhost: starting datanode, logging to 
   /home/Hadoop/hadoop/logs/hadoop-Hadoop-datanode-localhost.localdomain.out 
Starting secondary namenodes [0.0.0.0] 
starting secondarynamenode, logging to 
   /home/Hadoop/hadoop/logs/hadoop-Hadoop-secondarynamenode-localhost.localdomain.out
  
$ start-yarn.sh 
starting yarn daemons 
starting resourcemanager, logging to 
   /home/Hadoop/hadoop/logs/yarn-Hadoop-resourcemanager-localhost.localdomain.out 
localhost: starting nodemanager, logging to 
   /home/Hadoop/hadoop/logs/yarn-Hadoop-nodemanager-localhost.localdomain.out 

第 3 步：在 HDFS 中创建目录

在 Hadoop DFS 中，您可以使用命令mkdir创建目录。浏览它并在所需路径中创建一个名为twitter_data的目录，如下所示。

$cd /$Hadoop_Home/bin/ 
$ hdfs dfs -mkdir hdfs://localhost:9000/user/Hadoop/twitter_data 

配置水槽

我们必须使用conf文件夹中的配置文件来配置源、通道和接收器。本章中给出的示例使用了 Apache Flume 提供的名为Twitter 1% Firehose内存通道和 HDFS 接收器的实验源。

Twitter 1% Firehose 来源

这个来源是高度实验性的。它使用流 API 连接到 1% 的示例 Twitter Firehose，并不断下载推文，将它们转换为 Avro 格式，并将 Avro 事件发送到下游 Flume 接收器。

默认情况下，我们将在安装 Flume 时获取此源。这个源对应的jar文件可以位于lib文件夹中，如下所示。

设置类路径

将classpath变量设置为Flume-env.sh文件中Flume的lib文件夹，如下图。

export CLASSPATH=$CLASSPATH:/FLUME_HOME/lib/* 

此源需要Twitter 应用程序的消费者密钥、消费者机密、访问令牌和访问令牌机密等详细信息。在配置此源时，您必须为以下属性提供值 –

• 频道

• 源类型：org.apache.flume.source.twitter.TwitterSource

• consumerKey – OAuth用户端密钥

• consumerSecret – OAuth用户端密钥

• accessToken – OAuth 访问令牌

• accessTokenSecret – OAuth 令牌秘密

• maxBatchSize – 推特批处理中应包含的推特消息的最大数量。默认值为 1000（可选）。

• maxBatchDurationMillis – 关闭批处理之前等待的最大毫秒数。默认值为 1000（可选）。

渠道

我们正在使用内存通道。要配置内存通道，您必须为通道类型提供值。

• type – 它保存通道的类型。在我们的示例中，类型为MemChannel。

• 容量– 它是存储在通道中的最大事件数。其默认值为 100（可选）。

• TransactionCapacity – 它是通道接受或发送的最大事件数。其默认值为 100（可选）。

HDFS接收器

此接收器将数据写入 HDFS。要配置此接收器，您必须提供以下详细信息。

• 渠道

• 类型– hdfs

• hdfs.path – HDFS 中要存储数据的目录的路径。

并且我们可以根据场景提供一些可选值。下面给出了我们在应用程序中配置的 HDFS 接收器的可选属性。

• fileType – 这是我们的 HDFS 文件所需的文件格式。SequenceFile、DataStream和CompressedStream是此流可用的三种类型。在我们的示例中，我们使用的是DataStream。

• writeFormat – 可以是文本或可写。

• batchSize – 它是在将文件刷新到 HDFS 之前写入文件的事件数。其默认值为 100。

• rollsize – 这是触发滚动的文件大小。它的默认值为 100。

• rollCount – 它是在滚动之前写入文件的事件数。其默认值为 10。

示例 – 配置文件

下面给出了一个配置文件的例子。复制此内容并保存为twitter.conf在 Flume 的 conf 文件夹中。

# Naming the components on the current agent. 
TwitterAgent.sources = Twitter 
TwitterAgent.channels = MemChannel 
TwitterAgent.sinks = HDFS
  
# Describing/Configuring the source 
TwitterAgent.sources.Twitter.type = org.apache.flume.source.twitter.TwitterSource
TwitterAgent.sources.Twitter.consumerKey = Your OAuth consumer key
TwitterAgent.sources.Twitter.consumerSecret = Your OAuth consumer secret 
TwitterAgent.sources.Twitter.accessToken = Your OAuth consumer key access token 
TwitterAgent.sources.Twitter.accessTokenSecret = Your OAuth consumer key access token secret 
TwitterAgent.sources.Twitter.keywords = tutorials point,java, bigdata, mapreduce, mahout, hbase, nosql
  
# Describing/Configuring the sink 

TwitterAgent.sinks.HDFS.type = hdfs 
TwitterAgent.sinks.HDFS.hdfs.path = hdfs://localhost:9000/user/Hadoop/twitter_data/
TwitterAgent.sinks.HDFS.hdfs.fileType = DataStream 
TwitterAgent.sinks.HDFS.hdfs.writeFormat = Text 
TwitterAgent.sinks.HDFS.hdfs.batchSize = 1000
TwitterAgent.sinks.HDFS.hdfs.rollSize = 0 
TwitterAgent.sinks.HDFS.hdfs.rollCount = 10000 
 
# Describing/Configuring the channel 
TwitterAgent.channels.MemChannel.type = memory 
TwitterAgent.channels.MemChannel.capacity = 10000 
TwitterAgent.channels.MemChannel.transactionCapacity = 100
  
# Binding the source and sink to the channel 
TwitterAgent.sources.Twitter.channels = MemChannel
TwitterAgent.sinks.HDFS.channel = MemChannel 

执行

浏览 Flume 主目录并执行如下所示的应用程序。

$ cd $FLUME_HOME 
$ bin/flume-ng agent --conf ./conf/ -f conf/twitter.conf 
Dflume.root.logger=DEBUG,console -n TwitterAgent

如果一切顺利，将开始将推文流式传输到 HDFS。下面给出的是获取推文时命令提示符窗口的快照。

验证 HDFS

您可以使用下面给出的 URL 访问 Hadoop 管理 Web UI。

http://localhost:50070/ 

单击页面右侧名为Utilities的下拉菜单。您可以看到两个选项，如下面的快照所示。

单击浏览文件系统并输入存储推文的 HDFS 目录的路径。在我们的示例中，路径将是/user/Hadoop/twitter_data/。然后，您可以看到存储在 HDFS 中的 Twitter 日志文件列表，如下所示。