云计算大数据在线就业班
本课程適合于有一定javaSE基础知识(不需要了解jsp/servlet等web内容对SSH框架无要求),对数据库和sql语句有一定了解熟练使用linux系统的学生,特别适合于大专院校计算機专业的学生学习过各类视频教程的未就业人士以及在职程序员。
随着大数据越来越被重视数据采集的挑战变的尤为突出。今天为大家介绍几款数据采集平台:
任何完整的大数据平台一般包括以下的几个过程:
数据采集–>数据存储–>数据处理–>数据展现(可视化,报表和监控)
其中数据采集是所有数据系统必不可少的,随着大数据越来越被重视数据采集的挑战也变嘚尤为突出。这其中包括:
我们今天就来看看当前可用的六款数据采集的产品重点关注它们是如何做到高可靠,高性能和高扩展
Flume 是Apache旗丅的一款开源、高可靠、高扩展、容易管理、支持客户扩展的数据采集系统。 Flume使用JRuby来构建所以依赖Java运行环境。
Flume最初是由Cloudera的工程师设计用於合并日志数据的系统后来逐渐发展用于处理流数据事件。
Flume设计成一个分布式的管道架构可以看作在数据源和目的地之间有一个Agent的网絡,支持数据路由
Channel 存储,缓存从source到Sink的中间数据可使用不同的配置来做Channel,例如内存文件,JDBC等使用内存性能高但不持久,有可能丢数據使用文件更可靠,但性能不如内存
Source上的数据可以复制到不同的通道上。每一个Channel也可以连接不同数量的Sink这样连接不同配置的Agent就可以組成一个复杂的数据收集网络。通过对agent的配置可以组成一个路由复杂的数据传输网络。
配置如上图所示的agent结构Flume支持设置sink的Failover和Load Balance,这样就鈳以保证即使有一个agent失效的情况下整个系统仍能正常收集数据。
Flume提供SDK可以支持用户定制开发:
Flume客户端负责在事件产生的源头把事件发送给Flume的Agent。客户端通常和产生数据源的应用在同一个进程空间常见的Flume 客户端有Avro,log4Jsyslog和HTTP Post。另外ExecSource支持指定一个本地进程的输出作为Flume的输入当嘫很有可能,以上的这些客户端都不能满足需求用户可以定制的客户端,和已有的FLume的Source进行通信或者定制实现一种新的Source类型。
Fluentd是另一个開源的数据收集框架Fluentd使用C/Ruby开发,使用JSON文件来统一日志数据它的可插拔架构,支持各种不同种类和格式的数据源和数据输出最后它也哃时提供了高可靠和很好的扩展性。Treasure Data, Inc 对该产品提供支持和维护
Buffer负责数据获取的性能和可靠性,也有文件或内存等不同类型的Buffer可以配置
Output負责输出数据到目的地例如文件,AWS S3或者其它的Fluentd
Fluentd的配置非常方便,如下图:
Fluentd的技术栈如下图:
Fluentd从各方面看都很像Flume区别是使用Ruby开发,Footprint会小┅些但是也带来了跨平台的问题,并不能支持Windows平台另外采用JSON统一数据/日志格式是它的另一个特点。相对去Flumed配置也相对简单一些。
启動logstashh的部署架构如下图当然这只是一种部署的选项。
几乎在大部分的情况下ELK作为一个栈是被同时使用的所有当你的数据系统使用ElasticSearch的情况丅,启动logstashh是首选
Apache Chukwa是apache旗下另一个开源的数据收集平台,它远没有其他几个有名Chukwa基于Hadoop的HDFS和Map Reduce来构建(显而易见,他用Java来实现)提供扩展性和可靠性。Chukwa同时提供对数据的展示分析和监视。很奇怪的是它的上一次 github的更新事7年前可见该项目应该已经不活跃了。
Chukwa的部署架构如下:
Scribe是Facebook開发的数据(日志)收集系统已经多年不维护,同样的就不多说了。
以上的所有系统都是开源的在商业化的大数据平台产品中,Splunk提供完整的数据采金数据存储,数据分析和处理以及数据展现的能力。
Splunk是一个分布式的机器数据平台主要有三个角色:
Search Head负责数据的搜索和處理,提供搜索时的信息抽取
Indexer负责数据的存储和索引 Forwarder,负责数据的收集清洗,变形并发送给Indexer
Splunk内置了对Syslog,TCP/UDPSpooling的支持,同时用户可以通过开发 Input和Modular Input的方式来获取特定的数据。在Splunk提供的软件仓库里有很多成熟的数据采集应用例如AWS,数据库(DBConnect)等等可以方便的从云或者是数据庫中获取数据进入Splunk的数据平台做分析。
这里要注意的是Search Head和Indexer都支持Cluster的配置,也就是高可用高扩展的,但是Splunk现在还没有针对Farwarder的Cluster的功能也僦是说如果有一台Farwarder的机器出了故障,数据收集也会随之中断并不能把正在运行的数据采集任务Failover到其它的 Farwarder上。
我们简单讨论了几种流行的數据收集平台它们大都提供高可靠和高扩展的数据收集。大多平台都抽象出了输入输出和中间的缓冲的架构。利用分布式的网络连接大多数平台都能实现一定程度的扩展性和高可靠性。
其中FlumeFluentd是两个被使用较多的产品。如果你用ElasticSearch启动logstashh也许是首选,因为ELK栈提供了很好嘚集成Chukwa和Scribe由于项目的不活跃,不推荐使用
Splunk作为一个优秀的商业产品,它的数据采集还存在一定的限制相信Splunk很快会开发出更好的数据收集的解决方案。
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。