从Kafka到Hdfs的一些pipeline

找时间总结整理了下数据从Kafka到Hdfs的一些pipeline，如下 1> Kafka -> Flume –> Hadoop Hdfs 常用方案,基于配置,需要注意hdfs小文件性能等问题. GitHub地址: https://github.com/apache/flume 2> Kafka -> Kafka Hadoop Loader ->Hadoop Hdfs Kafka Hadoop Loader通过为kafka Topic下每个分区建立对应的split来创建task实现增量的加载数据流到hdfs,上次消费的partition offset是通过zookeeper来记录的.简单易用. GitHub地址: https://github.com/michal-harish/kafka-hadoop-loader 3> Kafka -> KaBoom -> Hadoop Hdfs KaBoom是一个借助Krackle(开源的kafka客户端，能极大的减少对象的创建，提高应用程序的性能)来消费kafka的Topic分区数据随后写如hdfs,利用Curator和Zookeeper来实现分布式服务,能够灵活的根据topic来写入不同的hdfs目录. GitHub地址: https://github.com/blackberry/KaBoom 4> Kafka -> Kafka-connect-hdfs -> Hadoop Hdfs Confluent的Kafka Connect旨在通过标准化如何将数据移入和移出Kafka来简化构建大规模实时数据管道的过程。可以使用Kafka Connect读取或写入外部系统，管理数据流并扩展系统，而无需编写新代码. GitHub地址: https://github.com/confluentinc/kafka-connect-hdfs 5> Kafka -> Gobblin -> Hadoop Hdfs Gobblin是LinkedIn开源的一个数据摄取组件.它支持多种数据源的摄取，通过并发的多任务进行数据抽取，转换，清洗，最终加载到目标数据源.支持单机和Hadoop MR二种方式，而且开箱即用，并支持很好的扩展和二次开发. GitHub地址: https://github.com/linkedin/gobblin

另外添加的资料 1、HiveKa : Apache Hive's storage handler that adds support in Apache Hive to query data from Apache Kafka https://github.com/HiveKa/HiveKa 2、Confluent Platform - HDFS Connector http://kaimingwan.com/post/kafka/kafkachi-jiu-hua-shu-ju-dao-hdfsde-fang-fa http://docs.confluent.io/2.0.0/connect/connect-hdfs/docs/index.html 3、camus或gobblin http://www.aboutyun.com/thread-20701-1-1.html

参考资料: https://www.confluent.io/blog/how-to-build-a-scalable-etl-pipeline-with-kafka-connect http://gobblin.readthedocs.io/en/latest/Getting-Started/ http://gobblin.readthedocs.io/en/latest/case-studies/Kafka-HDFS-Ingestion/ https://github.com/confluentinc/kafka-connect-blog http://docs.confluent.io/3.1.1/connect/connect-hdfs/docs/index.html

作者：Syn良子 出处：http://www.cnblogs.com/cssdongl 转载请注明出处