Hive读取Flume正在写入的HDFS

太过爱你忘了你带给我的痛 2021-06-24 15:58 394阅读 0赞

Hive的表创建为外部分区表，例如：

USE mydb;
    
    CREATE EXTERNAL TABLE mytable
    
    ( 
    
      c1 String,
    
      c2 INT,
    
      c3 INT,
    
      create_time String
    
    )
    
    PARTITIONED BY (dt STRING)
    
    ROW FORMAT DELIMITED FIELDS TERMINATED BY '|||';

然后创建分区，如：

ALTER TABLE mytable ADD PARTITION (dt = '2013-09-25') LOCATION '/data/mytable/2013-09-25/';
    
    ALTER TABLE mytable ADD PARTITION (dt = '2013-09-26') LOCATION '/data/mytable/2013-09-26/';
    
    ALTER TABLE mytable ADD PARTITION (dt = '2013-09-27') LOCATION '/data/mytable/2013-09-27/';

即Hive的表按天进行分区。指定到相应目录。

删除分区

alter table mytable drop partition (dt='2012-03-06')

注意hdfs的起始路径，从hdfs的根目录开始，不然会加载不到数据。

分区可以写成脚本每天自动执行。处理昨天的数据

yesterday=$(date -d '-1 day' '+%Y-%m-%d')   
      
    $HIVE_HOME/bin/hive -e "use mydb;ALTER TABLE mytable ADD PARTITION (dt = '$yesterday') LOCATION '/user/hive/warehouse/tail/$yesterday/';"

而Flume中配置将数据保存到HDFS中,即HDFS sink。计划每天一个文件，进行日切。如2013-09-25对应的文件就保存在：

hdfs://<hive.metastore.warehouse.dir>/data/mytable/2013-09-25/FlumeData.xxx

这样，只要文件生成，就能直接通过操作Hive的mytable表来对文件进行统计了。

业务上要求统计工作是按照小时进行，考虑到按照小时进行分区过于细化，而且会导致过多的文件给NameNode造成内存压力，所以如上Hive层面按天进行划分。

统计执行时首先指定天分区，然后根据create\_time（mm:hh:ss）指定统计时间段，如：

SELECT c1,
    
                SUM(c2),
    
                SUM(c3)
    
    FROM mytable
    
    WHERE dt = ’2013-09-25′
    
          AND create_time BETWEEN ’22:00:00′ AND ’22:59:59′
    
    GROUP BY c1;

在实践的过程中遇到如下两个问题：

1.对于正在写入的文件，通过hadoop fs -ls 命令查看，其大小始终是0，即使通过hadoop fs -cat可以看到实际已经有内容存在！通过hive处理的话也看不到其中的数据。

2.Flume正在写入的文件，默认会有.tmp后缀。如果Hive在执行过程中，Flume切换文件，即将xxx.tmp重命名为xxx，这时Hive会报错如file not found xxx.tmp。

针对问题1

首先了解HDFS的特点：

HDFS中所有文件都是由块BLOCK组成，默认块大小为64MB。在我们的测试中由于数据量小，始终在写入文件的第一个BLOCK。而HDFS与一般的POSIX要求的文件系统不太一样，其文件数据的可见性是这样的：

如果创建了文件，这个文件可以立即可见；

写入文件的数据则不被保证可见了，哪怕是执行了刷新操作(flush/sync)。只有数据量大于1个BLOCK时，第一个BLOCK的数据才会被看到，后续的BLOCK也同样的特性。正在写入的BLOCK始终不会被其他用户看到！

HDFS中的sync()保证数据持久化到了datanode上，然后可以被其他用户看到。

针对HDFS的特点，可以解释问题1中的现象，正在写入无法查看。但是使用Hive统计时Flume还在写入那个BLOCK(数据量小的时候)，那岂不是统计不到信息？

解决方案：

每天再按小时切分文件——这样虽然每天文件较多，但是能够保证统计时数据可见！Flume上的配置项为hdfs.rollInterval。

如果文件数多，那么还可以考虑对以前的每天的小时文件合并为每天一个文件！

针对问题2

原因比较明显，Hive处理前获取了对应分区下的所有文件信息，其中包含xxx.tmp文件，而传递给MapReduce处理时，由于Flume进行了切换，导致原来的xxx.tmp变成了xxx，新的.tmp名称又变成了yyy.tmp，这样自然找不到xxx.tmp了。

解决方案：

解决这个问题想法之一是想控制Hive的处理时机，但是显然不是那么好控制。

进一步了解到HDFS的Java API读取HDFS文件时，会忽略以”.”和”\_”开头的文件！类似于Linux中默认.xx是隐藏的一样，应用程序读取HDFS文件时默认也不读取.xxx和\_xxx这样名称的文件！

这样就产生了针对问题2的处理方案一）配置Flume，针对正在写入的文件，以.号开头。涉及Flume配置项hdfs.inUsePrefix。

# The configuration file needs to define the sources,   
    # the channels and the sinks.  
    # Sources, channels and sinks are defined per agent,   
    # in this case called 'a  
    #agent section    
    producer.sources = s   
    producer.channels = c  
    producer.sinks = r  
      
    #producer.sources.s.type = seq  
    producer.sources.s.channels = c  
    producer.sources.s.type = exec  
    producer.sources.s.command=tail -n 0 -F /usr/local/nginx/nginxlog/access.log  
    producer.sources.s.deletePolicy=never  
    #producer.sources.s.type = avro  
    #producer.sources.s.bind = localhost  
    #producer.sources.s.port = 10000  
    # Each sink's type must be defined(给谁了)  
    #producer.sinks.r.type = avro  
    #producer.sinks.r.hostname = 10.1.1.100  
    #producer.sinks.r.port = 20000  
    producer.sources.source1.interceptors = i1  
    producer.sources.source1.interceptors.i1.type = timestamp  
      
    producer.sinks.r.type = hdfs  
    producer.sinks.r.hdfs.path = hdfs://localhost:8010/user/hive/warehouse/tail/%Y-%m-%d  
    producer.sinks.r.hdfs.inUsePrefix = .  
    producer.sinks.r.hdfs.maxOpenFiles = 5000  
    producer.sinks.r.hdfs.batchSize= 1000  
    producer.sinks.r.hdfs.fileType = DataStream  
    producer.sinks.r.hdfs.writeFormat =Text  
    producer.sinks.r.hdfs.rollSize = 128000000  
    producer.sinks.r.hdfs.rollCount = 0  
    producer.sinks.r.hdfs.rollInterval = 3600  
    producer.sinks.r.hdfs.useLocalTimeStamp = true  
    producer.sinks.r.request.required.acks=1  
    producer.sinks.r.max.message.size=1000000  
    producer.sinks.r.producer.type=sync  
    producer.sinks.r.custom.encoding=UTF-8  
    #Specify the channel the sink should use  
    producer.sinks.r.channel = c  
    # Each channel's type is defined.  
    producer.channels.c.type = memory    
    producer.channels.c.capacity = 1000000  
    producer.channels.c.transactionCapacity = 1000  
    #producer.channels.c.type=file  
    #producer.channels.c.checkpointDir=/usr/local/flumeng/checkpointdir/tcpdir/example_agent  
    #producer.channels.c.dataDirs=/usr/local/flumeng/datadirs/tddirs/example_agen