基于Hadoop生态SparkStreaming的大数据实时流处理平台

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：

1. Flume1.8.0
2. Hadoop2.9.0
3. kafka2.11-1.0.0
4.Spark2.2.1
5.HBase1.2.6
6. ZooKeeper3.4.11
7. 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.sh start

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-list localhost:9092 –topic testTopic

在第二个终端中输入命令：

kafka-console-consumer.sh –zookeeper 127.0.0.1:2181 –topic testTopic

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!