目录
- 一、集群所有进程查看脚本
- 二、Hadoop安装
- 1. HDFS存储多目录
- 2. 集群数据均衡
- 3. 支持 LZO 压缩配置
- 4. LZO 创建索引
- 5. 基准测试
- ① 测试HDFS写性能
- ② 测试HDFS读性能
- ③ 使用 Sort 程序评测 MapReduce
- 6. Hadoop 参数调优
- 三、Zookeeper 安装
- 1. 安装 ZK
- 2. ZK集群启动停止脚本
- 四、Kafka 安装
- 1. Kafka 集群安装
- 2. Kafka 集群启动停止脚本
- 3. Kafka 常用命令
- 4. Kafka 机器数量计算
- 5. Kafka压力测试
- 6. Kafka分区数计算
- 五、采集日志 Flume
- 1. 日志采集Flume安装
- 2. Flume组件选型
- 3. 日志采集 Flume 配置
- 4. Flume 拦截器
- 5. 测试 Flume-Kafka 通道
- 6. Flume 启动停止脚本
- 六、消费 Kafka 数据 Flume
- 1. Flume 组件选型
- 2. 消费者 Flume 配置
- 3. Flume 时间戳拦截器
- 4. 消费者 Flume 启动停止脚本
- 5. Flume 内存优化
- 6. 采集通道启动/停止脚本
- 七、常见问题及解决方案
- 1. 2NN页面不能显示完整信息
一、集群所有进程查看脚本
A、在 /home/fancy/bin 目录下创建脚本 xcall.sh
[fancy@node1 bin]$ vim xcall.shB、在脚本中编写如下内容
#! /bin/bash
for i in node101 node102 node103
do
echo --------- $i ----------
ssh $i "$*"
doneC、修改脚本执行权限
[fancy@node101 bin]$ chmod 777 xcall.shD、启动脚本
[fancy@node101 bin]$ xcall.sh jps二、Hadoop安装
具体安装过程详见 Hadoop (四) --------- Hadoop 运行模式 这篇文章。。。
集群规划：
服务器 node101 | 服务器 node102 | 服务器103 | |
HDFS | NameNode、DataNode | DataNode | DataNode、SecondaryNameNode |
Yarn | NodeManager | Resourcemanager、NodeManager | NodeManager |
注意：尽量使用离线方式安装
1. HDFS存储多目录
A、给Linux系统新增加一块硬盘
参考：
B、生产环境服务器磁盘情况
C、在hdfs-site.xml文件中配置多目录，注意新挂载磁盘的访问权限问题
HDFS 的 DataNode 节点保存数据的路径由 dfs.datanode.data.dir 参数决定，其默认值为 file://${hadoop.tmp.dir}/dfs/data，若服务器有多个磁盘，必须对该参数进行修改。如服务器磁盘如上图所示，则该参数应修改为如下的值。
<property>
<name>dfs.datanode.data.dir</name>
<value>file:///dfs/data1,file:///hd2/dfs/data2,file:///hd3/dfs/data3,file:///hd4/dfs/data4</value>
</property>注意：因为每台服务器节点的磁盘情况不同，所以这个配置配完之后，不需要分发。
2. 集群数据均衡
A、节点间数据均衡
开启数据均衡命令
start-balancer.sh -threshold 10对于参数10，代表的是集群中各个节点的磁盘空间利用率相差不超过10%，可根据实际情况进行调整。
停止数据均衡命令
stop-balancer.sh注意：于HDFS需要启动单独的 Rebalance Server 来执行 Rebalance 操作，所以尽量不要在 NameNode 上执行 start-balancer.sh，而是找一台比较空闲的机器。
B、磁盘间数据均衡
生成均衡计划 (我们只有一块磁盘，不会生成计划)
hdfs diskbalancer -plan node102执行均衡计划
hdfs diskbalancer -execute node102.plan.json查看当前均衡任务的执行情况
hdfs diskbalancer -query node102取消均衡任务
hdfs diskbalancer -cancel node102.plan.json3. 支持 LZO 压缩配置
A、hadoop-lzo编译
hadoop 本身并不支持 lzo 压缩，故需要使用 twitter 提供的 hadoop-lzo 开源组件。hadoop-lzo 需依赖
hadoop 和 lzo 进行编译，编译步骤如下。
0. 环境准备
maven (下载安装，配置环境变量，修改sitting.xml加阿里云镜像)
gcc-c++
zlib-devel
autoconf
automake
libtool
通过yum安装即可, yum -y install gcc-c++ lzo-devel zlib-devel autoconf automake libtool
1. 下载、安装并编译LZO
wget http://www.oberhumer.com/opensource/lzo/download/lzo-2.10.tar.gz
tar -zxvf lzo-2.10.tar.gz
cd lzo-2.10
./configure -prefix=/usr/local/hadoop/lzo/
make
make install
2. 编译hadoop-lzo源码
2.1 下载hadoop-lzo的源码，下载地址：https://github.com/twitter/hadoop-lzo/archive/master.zip
2.2 解压之后，修改pom.xml
<hadoop.current.version>3.1.3</hadoop.current.version>
2.3 声明两个临时环境变量
export C_INCLUDE_PATH=/usr/local/hadoop/lzo/include
export LIBRARY_PATH=/usr/local/hadoop/lzo/lib
2.4 编译
进入hadoop-lzo-master，执行maven编译命令
mvn package -Dmaven.test.skip=true
2.5 进入target，hadoop-lzo-0.4.21-SNAPSHOT.jar 即编译成功的hadoop-lzo组件B、将编译好后的 hadoop-lzo-0.4.20.jar 放入 hadoop-3.1.3/share/hadoop/common/
[fancy@node101 common]$ pwd
/opt/module/hadoop-3.1.3/share/hadoop/common[fancy@node101 common]$ ls
hadoop-lzo-0.4.20.jarC、同步 hadoop-lzo-0.4.20.jar 到 node102、node103
[fancy@node101 common]$ xsync hadoop-lzo-0.4.20.jarD、core-site.xml增加配置支持LZO压缩
<configuration>
<property>
<name>io.compression.codecs</name>
<value>
org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.DefaultCodec,
org.apache.hadoop.io.compress.BZip2Codec,
org.apache.hadoop.io.compress.SnappyCodec,
com.hadoop.compression.lzo.LzoCodec,
com.hadoop.compression.lzo.LzopCodec
</value>
</property>
<property>
<name>io.compression.codec.lzo.class</name>
<value>com.hadoop.compression.lzo.LzoCodec</value>
</property>
</configuration>E、同步 core-site.xml 到 node102、node103
[fancy@node101 hadoop]$ xsync core-site.xmlF、启动及查看集群
[fancy@node101 hadoop-3.1.3]$ sbin/start-dfs.sh
[fancy@node102 hadoop-3.1.3]$ sbin/start-yarn.shG、测试-数据准备
[fancy@node101 hadoop-3.1.3]$ hadoop fs -mkdir /input
[fancy@node101 hadoop-3.1.3]$ hadoop fs -put README.txt /inputH、测试-压缩
[fancy@node101 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount -Dmapreduce.output.fileoutputformat.compress=true -Dmapreduce.output.fileoutputformat.compress.codec=com.hadoop.compression.lzo.LzopCodec /input /output4. LZO 创建索引
A、创建LZO文件的索引
LZO 压缩文件的可切片特性依赖于其索引，故我们需要手动为LZO压缩文件创建索引。若无索引，则LZO 文件的切片只有一个。
hadoop jar /path/to/your/hadoop-lzo.jar com.hadoop.compression.lzo.DistributedLzoIndexer big_file.lzoB、测试
将 bigtable.lzo (200M) 上传到集群的根目录
[fancy@node101 module]$ hadoop fs -mkdir /input
[fancy@node101 module]$ hadoop fs -put bigtable.lzo /input执行 wordcount 程序
[fancy@node101 module]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount -Dmapreduce.job.inputformat.class=com.hadoop.mapreduce.LzoTextInputFormat /input /output1
对上传的LZO文件建索引
[fancy@node101 module]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/common/hadoop-lzo-0.4.20.jar com.hadoop.compression.lzo.DistributedLzoIndexer /input/bigtable.lzo再次执行WordCount程序
[fancy@node101 module]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount -Dmapreduce.job.inputformat.class=com.hadoop.mapreduce.LzoTextInputFormat /input /output2
C、注意
如果以上任务，在运行过程中报如下异常
Container [pid=8468,containerID=container_1594198338753_0001_01_000002]
is running 318740992B beyond the 'VIRTUAL' memory limit. Current usage:
111.5 MB of 1 GB physical memory used; 2.4 GB of 2.1 GB virtual memory used. Killing container.
Dump of the process-tree for container_1594198338753_0001_01_000002 :解决办法：在 node101 的 /opt/module/hadoop-3.1.3/etc/hadoop/yarn-site.xml 文件中增加如下配置，然后分发到 node102、node103 服务器上，并重新启动集群。
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>5. 基准测试
在企业中非常关心每天从 Java 后台拉取过来的数据，需要多久能上传到集群？消费者关心多久能从HDFS 上拉取需要的数据？
为了搞清楚 HDFS 的读写性能，生产环境上非常需要对集群进行压测。
HDFS 的读写性能主要受网络和磁盘影响比较大。为了方便测试，将 node101、node102、node103 虚拟机网络都设置为 100mbps。
100Mbps单位是bit；10M/s单位是byte ; 1byte=8bit，100Mbps/8=12.5M/s。
测试网速：
A、来到 node101 的 /opt/module 目录，创建一个
[fancy@node101 software]$ python -m SimpleHTTPServerB、在 Web 页面上访问
node101:8000① 测试HDFS写性能
写测试底层原理
测试内容： 向HDFS集群写10个128M的文件
[fancy@node101 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -write -nrFiles 10 -fileSize 128MB2021-02-09 10:43:16,853 INFO fs.TestDFSIO: ----- TestDFSIO ----- : write
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: Date & time: Tue Feb 09 10:43:16 CST 2021
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: Number of files: 10
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: Total MBytes processed: 1280
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: Throughput mb/sec: 1.61
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: Average IO rate mb/sec: 1.9
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: IO rate std deviation: 0.76
2021-02-09 10:43:16,854 INFO fs.TestDFSIO: Test exec time sec: 133.05
2021-02-09 10:43:16,854 INFO fs.TestDFSIO:注意：nrFiles n 为生成 mapTask 的数量，生产环境一般可通过 node102:8088 查看CPU核数，设置为(CPU核数 - 1)
Number of files：生成 mapTask 数量，一般是集群中 (CPU核数 - 1)，我们测试虚拟机就按照实际的物理内存 -1 分配即可。(目标，让每个节点都参与测试)Total MBytes processed：单个map处理的文件大小Throughput mb/sec： 单个mapTak的吞吐量
计算方式：处理的总文件大小/每一个mapTask写数据的时间累加
集群整体吞吐量：生成mapTask数量*单个mapTak的吞吐量Average IO rate mb/sec平均mapTak的吞吐量
计算方式：每个mapTask处理文件大小/每一个mapTask写数据的时间，全部相加除以task数量IO rate std deviation：方差、反映各个 mapTask 处理的差值，越小越均衡
注意： 如果测试过程中，出现异常
① 可以在 yarn-site.xml 中设置虚拟内存检测为 false
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true -->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>②分发配置并重启Yarn集群
测试结果分析
①由于副本1就在本地，所以该副本不参与测试
一共参与测试的文件：10个文件 * 2个副本 = 20个
压测后的速度：1.61
实测速度：1.61M/s * 20个文件 ≈ 32M/s
三台服务器的带宽：12.5 + 12.5 + 12.5 ≈ 30m/s所有网络资源都已经用满。
如果实测速度远远小于网络，并且实测速度不能满足工作需求，可以考虑采用固态硬盘或者增加磁盘个数。
② 如果客户端不在集群节点，那就三个副本都参与计算
② 测试HDFS读性能
测试内容： 读取 HDFS 集群 10 个 128M 的文件
[fancy@node101 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -read -nrFiles 10 -fileSize 128MB2021-02-09 11:34:15,847 INFO fs.TestDFSIO: ----- TestDFSIO ----- : read
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: Date & time: Tue Feb 09 11:34:15 CST 2021
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: Number of files: 10
2021-02-09 11:34:15,847 INFO fs.TestDFSIO: Total MBytes processed: 1280
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: Throughput mb/sec: 200.28
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: Average IO rate mb/sec: 266.74
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: IO rate std deviation: 143.12
2021-02-09 11:34:15,848 INFO fs.TestDFSIO: Test exec time sec: 20.83删除测试生成数据
[fancy@node101 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -clean测试结果分析：
为什么读取文件速度大于网络带宽？由于目前只有三台服务器，且有三个副本，数据读取就近原则，相当于都是读取的本地磁盘数据，没有走网络。
③ 使用 Sort 程序评测 MapReduce
使用 RandomWriter 来产生随机数，每个节点运行 10 个 Map 任务，每个 Map 产生大约 1G 大小的二进制随机数
[fancy@node101 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar randomwriter random-data执行Sort程序
[fancy@node101 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar sort random-data sorted-data验证数据是否真正排好序了
[fancy@node101 mapreduce]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar testmapredsort -sortInput random-data -sortOutput sorted-data6. Hadoop 参数调优
A、HDFS参数调优hdfs-site.xml
The number of Namenode RPC server threads that listen to requests from clients. If dfs.namenode.servicerpc-address is not configured then Namenode RPC server threads listen to requests from all nodes.
NameNode有一个工作线程池，用来处理不同 DataNode 的并发心跳以及客户端并发的元数据操作。
对于大集群或者有大量客户端的集群来说，通常需要增大参数dfs.namenode.handler.count的默认值10。
<property>
<name>dfs.namenode.handler.count</name>
<value>10</value>
</property>dfs.namenode.handler.count=20×〖log〗_e^(Cluster Size)，比如集群规模为 8 台时，此参数设置为 41。可通过简单的 python 代码计算该值，代码如下。
[fancy@node101 ~]$ python
Python 2.7.5 (default, Apr 11 2018, 07:36:10)
[GCC 4.8.5 20150623 (Red Hat 4.8.5-28)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import math
>>> print int(20*math.log(8))
41
>>> quit()B、YARN参数调优yarn-site.xml
情景描述：总共7台机器，每天几亿条数据，数据源->Flume->Kafka->HDFS->Hive
面临问题：数据统计主要用HiveSQL，没有数据倾斜，小文件已经做了合并处理，开启的JVM重用，而且IO没有阻塞，内存用了不到50%。但是还是跑的非常慢，而且数据量洪峰过来时，整个集群都会宕掉。基于这种情况有没有优化方案。
解决办法：
NodeManager 内存和服务器实际内存配置尽量接近，如服务器有 128g 内存，但是 NodeManager 默认内存 8G，不修改该参数最多只能用 8G 内存。NodeManager 使用的 CPU 核数和服务器 CPU 核数尽量接近。
① yarn.nodemanager.resource.memory-mb NodeManager 使用内存数
② yarn.nodemanager.resource.cpu-vcores NodeManager 使用CPU核数
三、Zookeeper 安装
1. 安装 ZK
详见 Zookeeper (二) --------- Zookeeper 本地安装 这一篇文章
集群规划
服务器 node101 | 服务器 node102 | 服务器 node103 | |
Zookeeper | Zookeeper | Zookeeper | Zookeeper |
2. ZK集群启动停止脚本
A、在 node101 的 /home/fancy/bin 目录下创建脚本
[fancy@node101 bin]$ vim zk.sh在脚本中编写如下内容
#!/bin/bash
case $1 in
"start"){
for i in node101 node102 node103
do
echo ---------- zookeeper $i 启动 ------------
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh start"
done
};;
"stop"){
for i in node101 node102 node103
do
echo ---------- zookeeper $i 停止 ------------
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh stop"
done
};;
"status"){
for i in node101 node102 node103
do
echo ---------- zookeeper $i 状态 ------------
ssh $i "/opt/module/zookeeper-3.5.7/bin/zkServer.sh status"
done
};;
esacB、增加脚本执行权限
[fancy@node101 bin]$ chmod u+x zk.shC、Zookeeper集群启动脚本
[fancy@node101 module]$ zk.sh startD、Zookeeper集群停止脚本
[fancy@node101 module]$ zk.sh stop四、Kafka 安装
1. Kafka 集群安装
具体安装详见 Kafka (二) ---------- Kafka 快速入门 这篇文章
集群规划：
服务器node101 | 服务器node102 | 服务器node103 | |
Kafka | Kafka | Kafka | Kafka |
2. Kafka 集群启动停止脚本
A、在 /home/fancy/bin 目录下创建脚本kf.sh
[fancy@node101 bin]$ vim kf.sh在脚本中填写如下内容
#! /bin/bash
case $1 in
"start"){
for i in node101 node102 node103
do
echo " --------启动 $i Kafka-------"
ssh $i "/opt/module/kafka/bin/kafka-server-start.sh -daemon /opt/module/kafka/config/server.properties"
done
};;
"stop"){
for i in node101 node102 node103
do
echo " --------停止 $i Kafka-------"
ssh $i "/opt/module/kafka/bin/kafka-server-stop.sh stop"
done
};;
esacB、增加脚本执行权限
[fancy@node101 bin]$ chmod u+x kf.shC、kf 集群启动脚本
[fancy@node101 module]$ kf.sh startD、kf集群停止脚本
[fancy@node101 module]$ kf.sh stop3. Kafka 常用命令
A、查看Kafka Topic列表
[fancy@node101 kafka]$ bin/kafka-topics.sh --zookeeper node101:2181/kafka --listB、创建Kafka Topic
进入到 /opt/module/kafka/ 目录下创建日志主题
[fancy@node101 kafka]$ bin/kafka-topics.sh --zookeeper node101:2181,node102:2181,node103:2181/kafka --create --replication-factor 1 --partitions 1 --topic topic_logC、删除Kafka Topic
[fancy@node101 kafka]$ bin/kafka-topics.sh --delete --zookeeper node101:2181,node102:2181,node103:2181/kafka --topic topic_logD、Kafka生产消息
[fancy@node101 kafka]$ bin/kafka-console-producer.sh \
--broker-list node101:9092 --topic topic_log>hello world
>fancy fancyE、Kafka消费消息
[fancy@node101 kafka]$ bin/kafka-console-consumer.sh \
--bootstrap-server node101:9092 --from-beginning --topic topic_log--from-beginning： 会把主题中以往所有的数据都读取出来。根据业务场景选择是否增加该配置。
F、查看 Kafka Topic 详情
[fancy@node101 kafka]$ bin/kafka-topics.sh --zookeeper node101:2181/kafka \
--describe --topic topic_log4. Kafka 机器数量计算
Kafka机器数量(经验公式) = 2 *（峰值生产速度 * 副本数 / 100）+ 1先拿到峰值生产速度，再根据设定的副本数，就能预估出需要部署Kafka的数量。
A、峰值生产速度
峰值生产速度可以压测得到。
B、副本数
副本数默认是1个，在企业里面2-3个都有，2个居多。
副本多可以提高可靠性，但是会降低网络传输效率。
比如我们的峰值生产速度是50M/s。副本数为2。
Kafka机器数量 = 2 *（50 * 2 / 100）+ 1 = 3台5. Kafka压力测试
A、Kafka压测
用Kafka官方自带的脚本，对Kafka进行压测。
kafka-consumer-perf-test.sh
kafka-producer-perf-test.shKafka压测时，在硬盘读写速度一定的情况下，可以查看到哪些地方出现了瓶颈（CPU，内存，网络IO）。一般都是网络IO达到瓶颈。
B、Kafka Producer压力测试
Ⅰ、压测环境准备：
① node101、node102、node103 的网络带宽都设置为 100mbps 。
② 关闭 node101 主机，并根据 node101 克隆出node104 (修改IP和主机名称)
③ node104 的带宽不设限
④ 创建一个test topic，设置为 3 个分区 2 个副本
[fancy@node101 kafka]$ bin/kafka-topics.sh --zookeeper node101:2181,node102:2181,node103:2181/kafka --create --replication-factor 2 --partitions 3 --topic test在 /opt/module/kafka/bin 目录下面有这两个文件。我们来测试一下
[fancy@node101 kafka]$ bin/kafka-producer-perf-test.sh --topic test --record-size 100 --num-records 10000000 --throughput -1 --producer-props bootstrap.servers=node101:9092,node102:9092,node103:9092说明：
-
record-size是一条信息有多大，单位是字节。 -
num-records是总共发送多少条信息。 -
throughput是每秒多少条信息，设成-1，表示不限流，尽可能快的生产数据，可测出生产者最大吞吐量。
Ⅱ、Kafka 会打印下面的信息
699884 records sent, 139976.8 records/sec (13.35 MB/sec), 1345.6 ms avg latency, 2210.0 ms max latency.
713247 records sent, 141545.3 records/sec (13.50 MB/sec), 1577.4 ms avg latency, 3596.0 ms max latency.
773619 records sent, 153862.2 records/sec (14.67 MB/sec), 2326.8 ms avg latency, 4051.0 ms max latency.
773961 records sent, 154206.2 records/sec (15.71 MB/sec), 1964.1 ms avg latency, 2917.0 ms max latency.
776970 records sent, 154559.4 records/sec (15.74 MB/sec), 1960.2 ms avg latency, 2922.0 ms max latency.
776421 records sent, 154727.2 records/sec (15.76 MB/sec), 1960.4 ms avg latency, 2954.0 ms max latency.参数解析： Kafka 的吞吐量 15m/s 左右是否符合预期呢？
node101、node102、node103 三台集群的网络总带宽 30m/s 左右，由于是两个副本，所以 Kafka 的吞吐量 30m/s ➗ (2副本) = 15m/s
结论：网络带宽和副本都会影响吞吐量。
Ⅲ、调整batch.size
batch.size默认值是16k。batch.size较小，会降低吞吐量。比如说，批次大小为0则完全禁用批处理，会一条一条发送消息）；batch.size过大，会增加消息发送延迟。比如说，Batch设置为64k，但是要等待5秒钟Batch才凑满了64k，才能发送出去。那这条消息的延迟就是5秒钟。
[fancy@node101 kafka]$ bin/kafka-producer-perf-test.sh --topic test --record-size 100 --num-records 10000000 --throughput -1 --producer-props bootstrap.servers=node101:9092,node102:9092,node103:9092 batch.size=500输出结果
69169 records sent, 13833.8 records/sec (1.32 MB/sec), 2517.6 ms avg latency, 4299.0 ms max latency.
105372 records sent, 21074.4 records/sec (2.01 MB/sec), 6748.4 ms avg latency, 9016.0 ms max latency.
113188 records sent, 22637.6 records/sec (2.16 MB/sec), 11348.0 ms avg latency, 13196.0 ms max latency.
108896 records sent, 21779.2 records/sec (2.08 MB/sec), 12272.6 ms avg latency, 12870.0 ms max latency.Ⅳ、linger.ms
如果设置 batch size 为64k，但是比如过了10分钟也没有凑够64k，怎么办？
可以设置 linger.ms。比如 linger.ms=5ms，那么就是要发送的数据没有到 64k，5ms 后，数据也会发出去。
Ⅴ、总结
同时设置batch.size和 linger.ms，就是哪个条件先满足就都会将消息发送出去。Kafka需要考虑高吞吐量与延时的平衡。
C、Kafka Consumer压力测试
Ⅰ、Consumer的测试，如果这四个指标 (IO，CPU，内存，网络) 都不能改变，考虑增加分区数来提升性能。
[fancy@node101 kafka]$ bin/kafka-consumer-perf-test.sh --broker-list node101:9092,node102:9092,node103:9092 --topic test --fetch-size 10000 --messages 10000000 --threads 1①参数说明：
--broker-list 指定 Kafka 集群地址--topic 指定 topic 的名称--fetch-size 指定每次 fetch 的数据的大小--messages 总共要消费的消息个数
②测试结果说明：
start.time, end.time, data.consumed.in.MB, MB.sec, data.consumed.in.nMsg, nMsg.sec
2021-08-03 21:17:21:778, 2021-08-03 21:18:19:775, 514.7169, 8.8749, 5397198, 93059.9514开始测试时间，测试结束数据，共消费数据514.7169MB，吞吐量8.8749MB/s
Ⅱ、调整fetch-size
① 增加fetch-size值，观察消费吞吐量。
[fancy@node101 kafka]$ bin/kafka-consumer-perf-test.sh --broker-list node101:9092,node102:9092,node103:9092 --topic test --fetch-size 100000 --messages 10000000 --threads 1②测试结果说明：
start.time, end.time, data.consumed.in.MB, MB.sec, data.consumed.in.nMsg, nMsg.sec
2021-08-03 21:22:57:671, 2021-08-03 21:23:41:938, 514.7169, 11.6276, 5397198, 121923.7355
Ⅲ、总结
吞吐量受网络带宽和fetch-size的影响
6. Kafka分区数计算
- 创建一个只有1个分区的 topic
- 测试这个 topic 的 producer 吞吐量和 consumer 吞吐量。
- 假设他们的值分别是Tp和Tc，单位可以是MB/s。
- 然后假设总的目标吞吐量是Tt，那么分区数 = Tt / min（Tp，Tc）
例如：producer吞吐量 = 20m/s；consumer吞吐量 = 50m/s，期望吞吐量100m/s；分区数 = 100 / 20 = 5分区
分区数一般设置为：3-10个
五、采集日志 Flume
1. 日志采集Flume安装
具体安装步骤详见：
集群规划：
服务器node101 | 服务器node102 | 服务器node103 | |
Flume(采集日志) | Flume | Flume |
2. Flume组件选型
A、Source
Taildir Source 相比 Exec Source、Spooling Directory Source 的优势：
-
TailDir Source：断点续传、多目录。Flume1.6 以前需要自己自定义 Source 记录每次读取文件位置，实现断点续传。不会丢数据，但是有可能会导致数据重复。 -
Exec Source：可以实时搜集数据，但是在 Flume 不运行或者 Shell 命令出错的情况下，数据将会丢失。 -
Spooling Directory Source监控目录，支持断点续传。
batchSize大小如何设置？
答：Event 1K左右时，500-1000合适（默认为100）
B、Channel
采用 Kafka Channel，省去了 Sink，提高了效率。KafkaChannel 数据存储在 Kafka 里面，所以数据是存储在磁盘中。注意在 Flume1.7 以前，Kafka Channel 很少有人使用，因为发现 parseAsFlumeEvent 这个配置起不了作用。也就是无论parseAsFlumeEvent 配置为 true 还是 false，都会转为 Flume Event。这样的话，造成的结果是，会始终都把 Flume 的 headers中的信息混合着内容一起写入Kafka的消息中，这显然不是我所需要的，我只是需要把内容写入即可。
3. 日志采集 Flume 配置
A、Flume配置分析
Flume直接读log日志的数据，log日志的格式是app.yyyy-mm-dd.log。
B、Flume的具体配置如下：
在 /opt/module/flume/conf 目录下创建 file-flume-kafka.conf 文件
[fancy@node101 conf]$ vim file-flume-kafka.conf在文件配置如下内容
#为各组件命名
a1.sources = r1
a1.channels = c1
#描述source
a1.sources.r1.type = TAILDIR
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /opt/module/applog/log/app.*
a1.sources.r1.positionFile = /opt/module/flume/taildir_position.json
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = com.atguigu.flume.interceptor.ETLInterceptor$Builder
#描述channel
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = node101:9092,node102:9092
a1.channels.c1.kafka.topic = topic_log
a1.channels.c1.parseAsFlumeEvent = false
#绑定source和channel以及sink和channel的关系
a1.sources.r1.channels = c1注意：com.fancy.flume.interceptor.ETLInterceptor是自定义的拦截器的全类名。需要根据用户自定义的拦截器做相应修改。
4. Flume 拦截器
A、创建Maven工程flume-interceptor
B、创建包名：com.fancy.flume.interceptor
C、在pom.xml文件中添加如下配置
<dependencies>
<dependency>
<groupId>org.apache.flume</groupId>
<artifactId>flume-ng-core</artifactId>
<version>1.9.0</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>fastjson</artifactId>
<version>1.2.62</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>注意：scope中provided的含义是编译时用该jar包。打包时时不用。因为集群上已经存在flume的jar包。只是本地编译时用一下。
D、在com.fancy.flume.interceptor包下创建JSONUtils类
package com.fancy.flume.interceptor;
import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONException;
public class JSONUtils {
public static boolean isJSONValidate(String log){
try {
JSON.parse(log);
return true;
}catch (JSONException e){
return false;
}
}
}E、在com.fancy.flume.interceptor包下创建LogInterceptor类
package com.fancy.flume.interceptor;
import com.alibaba.fastjson.JSON;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.nio.charset.StandardCharsets;
import java.util.Iterator;
import java.util.List;
public class ETLInterceptor implements Interceptor {
@Override
public void initialize() {
}
@Override
public Event intercept(Event event) {
byte[] body = event.getBody();
String log = new String(body, StandardCharsets.UTF_8);
if (JSONUtils.isJSONValidate(log)) {
return event;
} else {
return null;
}
}
@Override
public List<Event> intercept(List<Event> list) {
Iterator<Event> iterator = list.iterator();
while (iterator.hasNext()){
Event next = iterator.next();
if(intercept(next)==null){
iterator.remove();
}
}
return list;
}
public static class Builder implements Interceptor.Builder{
@Override
public Interceptor build() {
return new ETLInterceptor();
}
@Override
public void configure(Context context) {
}
}
@Override
public void close() {
}
}F、打包
G、需要先将打好的包放入到 node101 的 /opt/module/flume/lib 文件夹下面
[fancy@node101 lib]$ ls | grep interceptor
flume-interceptor-1.0-SNAPSHOT-jar-with-dependencies.jarH、分发 Flume 到 node102、node103
[fancy@node101 module]$ xsync flume/I、分别在 node101、node102 上启动Flume
[fancy@node101 flume]$ bin/flume-ng agent --name a1 --conf-file conf/file-flume-kafka.conf &
[fancy@node102 flume]$ bin/flume-ng agent --name a1 --conf-file conf/file-flume-kafka.conf &5. 测试 Flume-Kafka 通道
A、生成日志
[fancy@node101 ~]$ lg.shB、消费Kafka数据，观察控制台是否有数据获取到
[fancy@node101 kafka]$ bin/kafka-console-consumer.sh \
--bootstrap-server node101:9092 --from-beginning --topic topic_log说明：如果获取不到数据，先检查 Kafka、Flume、Zookeeper 是否都正确启动。再检查 Flume 的拦截器代码是否正常。
6. Flume 启动停止脚本
A、在 /home/fancy/bin 目录下创建脚本 f1.sh
[fancy@node101 bin]$ vim f1.sh在脚本中填写如下内容
#! /bin/bash
case $1 in
"start"){
for i in node101 node102
do
echo " --------启动 $i 采集flume-------"
ssh $i "nohup /opt/module/flume/bin/flume-ng agent --conf-file /opt/module/flume/conf/file-flume-kafka.conf --name a1 -Dflume.root.logger=INFO,LOGFILE >/opt/module/flume/log1.txt 2>&1 &"
done
};;
"stop"){
for i in node101 node102
do
echo " --------停止 $i 采集flume-------"
ssh $i "ps -ef | grep file-flume-kafka | grep -v grep |awk '{print \$2}' | xargs -n1 kill -9 "
done
};;
esac- 说明1：nohup，该命令可以在你退出帐户/关闭终端之后继续运行相应的进程。nohup 就是不挂起的意思，不挂断地运行命令。
- 说明2：awk 默认分隔符为空格
- 说明3：
$2是在""双引号内部会被解析为脚本的第二个参数，但是这里面想表达的含义是 awk 的第二个值，所以需要将他转义，用\$2表示。 - 说明4：xargs 表示取出前面命令运行的结果，作为后面命令的输入参数。
B、增加脚本执行权限
[fancy@node101 bin]$ chmod u+x f1.shC、f1集群启动脚本
[fancy@node101 module]$ f1.sh startD、f1集群停止脚本
[fancy@node101 module]$ f1.sh stop六、消费 Kafka 数据 Flume
集群规划
服务器node101 | 服务器node102 | 服务器103 | |
Flume(消费Kafka) | Flume |
1. Flume 组件选型
A、FileChannel和MemoryChannel区别
MemoryChannel 传输数据速度更快，但因为数据保存在 JVM 的堆内存中，Agent 进程挂掉会导致数据丢失，适用于对数据质量要求不高的需求。
FileChannel 传输速度相对于 Memory 慢，但数据安全保障高，Agent 进程挂掉也可以从失败中恢复数据。
选型：
- 金融类公司、对钱要求非常准确的公司通常会选择 FileChannel
- 传输的是普通日志信息（京东内部一天丢100万-200万条，这是非常正常的)，通常选择MemoryChannel。
B、FileChannel优化
通过配置 dataDirs 指向多个路径，每个路径对应不同的硬盘，增大 Flume 吞吐量。
官方说明如下：
Comma separated list of directories for storing log files. Using multiple directories on separate disks can improve file channel peformancecheckpointDir 和 backupCheckpointDir 也尽量配置在不同硬盘对应的目录中，保证 checkpoint 坏掉后，可以快速使用backupCheckpointDir 恢复数据。
C、Sink：HDFS Sink
- HDFS存入大量小文件，有什么影响？
元数据层面： 每个小文件都有一份元数据，其中包括文件路径，文件名，所有者，所属组，权限，创建时间等，这些信息都保存在 Namenode 内存中。所以小文件过多，会占用 Namenode 服务器大量内存，影响 Namenode 性能和使用寿命。
计算层面： 默认情况下 MR 会对每个小文件启用一个 Map 任务计算，非常影响计算性能。同时也影响磁盘寻址时间。 - HDFS小文件处理
官方默认的这三个参数配置写入HDFS后会产生小文件，hdfs.rollInterval、hdfs.rollSize、hdfs.rollCount
基于以上hdfs.rollInterval=3600，hdfs.rollSize=134217728，hdfs.rollCount =0几个参数综合作用，效果如下：
①文件在达到128M时会滚动生成新文件
②文件创建超3600秒时会滚动生成新文件
2. 消费者 Flume 配置
A、Flume配置分析
Flume的具体配置如下：
在 node103 的 /opt/module/flume/conf目录下创建 kafka-flume-hdfs.conf 文件
[fancy@node103 conf]$ vim kafka-flume-hdfs.conf在文件配置如下内容
## 组件
a1.sources=r1
a1.channels=c1
a1.sinks=k1
## source1
a1.sources.r1.type = org.apache.flume.source.kafka.KafkaSource
a1.sources.r1.batchSize = 5000
a1.sources.r1.batchDurationMillis = 2000
a1.sources.r1.kafka.bootstrap.servers = node101:9092,node102:9092,node103:9092
a1.sources.r1.kafka.topics=topic_log
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = com.atguigu.flume.interceptor.TimeStampInterceptor$Builder
## channel1
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /opt/module/flume/checkpoint/behavior1
a1.channels.c1.dataDirs = /opt/module/flume/data/behavior1/
## sink1
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /origin_data/gmall/log/topic_log/%Y-%m-%d
a1.sinks.k1.hdfs.filePrefix = log-
a1.sinks.k1.hdfs.round = false
#控制生成的小文件
a1.sinks.k1.hdfs.rollInterval = 10
a1.sinks.k1.hdfs.rollSize = 134217728
a1.sinks.k1.hdfs.rollCount = 0
## 控制输出文件是原生文件。
a1.sinks.k1.hdfs.fileType = CompressedStream
a1.sinks.k1.hdfs.codeC = lzop
## 拼装
a1.sources.r1.channels = c1
a1.sinks.k1.channel= c13. Flume 时间戳拦截器
由于 Flume 默认会用 Linux 系统时间，作为输出到 HDFS 路径的时间。如果数据是 23:59 分产生的。Flume 消费 Kafka 里面的数据时，有可能已经是第二天了，那么这部门数据会被发往第二天的 HDFS 路径。我们希望的是根据日志里面的实际时间，发往HDFS的路径，所以下面拦截器作用是获取日志中的实际时间。
解决的思路：拦截json日志，通过 fastjson 框架解析 json，获取实际时间ts。将获取的ts时间写入拦截器header头，header的key必须是timestamp，因为Flume框架会根据这个key的值识别为时间，写入到HDFS。
A、在com.fancy.flume.interceptor包下创建TimeStampInterceptor类
package com.fancy.flume.interceptor;
import com.alibaba.fastjson.JSONObject;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;
public class TimeStampInterceptor implements Interceptor {
private ArrayList<Event> events = new ArrayList<>();
@Override
public void initialize() {
}
@Override
public Event intercept(Event event) {
Map<String, String> headers = event.getHeaders();
String log = new String(event.getBody(), StandardCharsets.UTF_8);
JSONObject jsonObject = JSONObject.parseObject(log);
String ts = jsonObject.getString("ts");
headers.put("timestamp", ts);
return event;
}
@Override
public List<Event> intercept(List<Event> list) {
events.clear();
for (Event event : list) {
events.add(intercept(event));
}
return events;
}
@Override
public void close() {
}
public static class Builder implements Interceptor.Builder {
@Override
public Interceptor build() {
return new TimeStampInterceptor();
}
@Override
public void configure(Context context) {
}
}
}B、重新打包
C、需要先将打好的包放入到 node101 的 /opt/module/flume/lib 文件夹下面
[fancy@node101 lib]$ ls | grep interceptor
flume-interceptor-1.0-SNAPSHOT-jar-with-dependencies.jarD、分发 Flume 到 node102、node103
[fancy@node101 module]$ xsync flume/4. 消费者 Flume 启动停止脚本
A、在 /home/fancy/bin 目录下创建脚本 f2.sh
[fancy@node101 bin]$ vim f2.sh在脚本中填写如下内容
#! /bin/bash
case $1 in
"start"){
for i in node103
do
echo " --------启动 $i 消费flume-------"
ssh $i "nohup /opt/module/flume/bin/flume-ng agent --conf-file /opt/module/flume/conf/kafka-flume-hdfs.conf --name a1 -Dflume.root.logger=INFO,LOGFILE >/opt/module/flume/log2.txt 2>&1 &"
done
};;
"stop"){
for i in node103
do
echo " --------停止 $i 消费flume-------"
ssh $i "ps -ef | grep kafka-flume-hdfs | grep -v grep |awk '{print \$2}' | xargs -n1 kill"
done
};;
esacB、增加脚本执行权限
[fancy@node101 bin]$ chmod u+x f2.shC、f2集群启动脚本
[fancy@node101 module]$ f2.sh startD、f2集群停止脚本
[fancy@node101 module]$ f2.sh stop5. Flume 内存优化
A、问题描述：
如果启动消费Flume抛出如下异常
ERROR hdfs.HDFSEventSink: process failed
java.lang.OutOfMemoryError: GC overhead limit exceededB、解决方案步骤
在 node101 服务器的 /opt/module/flume/conf/flume-env.sh 文件中增加如下配置
export JAVA_OPTS="-Xms100m -Xmx2000m -Dcom.sun.management.jmxremote"同步配置到 node102、node103 服务器
[fancy@node101 conf]$ xsync flume-env.shC、Flume内存参数设置及优化
JVM heap一般设置为4G或更高-Xmx与-Xms最好设置一致，减少内存抖动带来的性能影响，如果设置不一致容易导致频繁fullgc。-Xms表示JVM Heap(堆内存) 最小尺寸，初始分配；-Xmx 表示 JVM Heap(堆内存) 最大允许的尺寸，按需分配。如果不设置一致，容易在初始化时，由于内存不够，频繁触发 fullgc。
6. 采集通道启动/停止脚本
A、在 /home/fancy/bin 目录下创建脚本cluster.sh
[fancy@node101 bin]$ vim cluster.sh在脚本中填写如下内容
#!/bin/bash
case $1 in
"start"){
echo ================== 启动 集群 ==================
#启动 Zookeeper集群
zk.sh start
#启动 Hadoop集群
hdp.sh start
#启动 Kafka采集集群
kf.sh start
#启动 Flume采集集群
f1.sh start
#启动 Flume消费集群
f2.sh start
};;
"stop"){
echo ================== 停止 集群 ==================
#停止 Flume消费集群
f2.sh stop
#停止 Flume采集集群
f1.sh stop
#停止 Kafka采集集群
kf.sh stop
#停止 Hadoop集群
hdp.sh stop
#停止 Zookeeper集群
zk.sh stop
};;
esacB、增加脚本执行权限
[fancy@node101 bin]$ chmod u+x cluster.shC、cluster集群启动脚本
[fancy@node101 module]$ cluster.sh startD、cluster集群停止脚本
[fancy@node101 module]$ cluster.sh stop七、常见问题及解决方案
1. 2NN页面不能显示完整信息
A、问题描述
访问 2NN 页面 http://node103:9868，看不到详细信息
B、解决办法
在浏览器上按F12，查看问题原因。定位bug在61行
找到要修改的文件
[fancy@node101 static]$ pwd
/opt/module/hadoop-3.1.3/share/hadoop/hdfs/webapps/static
[fancy@node101 static]$ vim dfs-dust.js
:set nu修改61行
return new Date(Number(v)).toLocaleString();C、分发dfs-dust.js
[fancy@node101 static]$ xsync dfs-dust.jsD、在 http://node103:9868/status.html 页面强制刷新
