Spark+Hbase|Spark+Hbase 亿级流量分析实战（小巧高性能的ETL） Spark+Hbase亿级流量分析实战（小

在上一篇文章大猪已经介绍了日志存储设计方案，我们数据已经落地到数据中心上了，那接下来如何ETL呢？毕竟可是生产环境级别的，可不能乱来。其实只要解决几个问题即可，不必要引入很大级别的组件来做，当然了各有各的千秋，本文主要从易懂、小巧、简洁、高性能这三个方面去设计出发点，顺便还实现了一个精巧的 Filebeat。

文章图片
要实现的功能就是扫描每天的增量日志并写入Hbase中

文章图片
需要搞定下面几个不务正业的小老弟

文章图片

需要把文件中的每一行数据都取出来
能处理超过10G以上的大日志文件，并且只能占用机器一定的内存，越小越好
从上图可以看到标黄的是已经写入Hbase的数据，不能重复读取
非活跃文件不能扫，因为文件过多会影响整体读取IO性能
读取中的过程要保证增量数据不能录入，因为要保证offset的时候写入mysql稳定不跳跃

文章图片
大猪根据线上的生产环境一一把上面的功能重新分析给实现一下。
从第一点看还是比较简单的嘛？但是我们要结合上面的 5 个问题来看才行。
总结一句话就是：要实现一个高性能而且能随时重启继续工作的 loghub ETL 程序。
实际也必需这样做，因为生产环境容不得马虎，不然就等着被BOSS

文章图片

文章图片
需要有一个读取所有日志文件方法

文章图片
还要实现一个保存并读取文件进度的方法

文章图片
由于不能把一个日志文件全部读入内存进行处理
所以还需要一个能根据索引一行一行接着读取数据的方法

文章图片
最后剩下一个Hbase的连接池小工具

文章图片
几个核心方法已经写完了，接着是我们的主程序

def run(logPath: File, defaultOffsetDay: String): Unit = { val sdfstr = Source.fromFile(seekDayFile).getLines().mkString val offsetDay = Option(if (sdfstr == "") null else sdfstr)//读取设置读取日期的倒数一天之后的日期文件夹 val noneOffsetFold = logPath .listFiles() .filter(_.getName >= LocalDate.parse(offsetDay.getOrElse(defaultOffsetDay)).minusDays(1).toString) .sortBy(f => LocalDate.parse(f.getName).toEpochDay)//读取文件夹中的所有日志文件，并取出索引进行匹配 val filesPar = noneOffsetFold .flatMap(files(_, file => file.getName.endsWith(".log"))) .map(file => (file, seeks().getOrDefault(MD5Hash.getMD5AsHex(file.getAbsolutePath.getBytes()), 0), file.length())) .filter(tp2 => { //过滤出新文件，与有增量的日志文件 val fileMd5 = MD5Hash.getMD5AsHex(tp2._1.getAbsolutePath.getBytes()) val result = offsets.asScala.filter(m => fileMd5.equals(m._1)) result.isEmpty || tp2._3 > result.head._2 }) .parfilesPar.tasksupport = poolval willUpdateOffset = new util.HashMap[String, Long]() val formatter = DateTimeFormatter.ofPattern("yyyyMMddHHmmssSSS") var logTime:String = null filesPar .foreach(tp3 => { val hbaseClient = HbasePool.getTable //因为不能全量读取数据,所有只能一条一条读取,批量提出交给HbaseClient的客户端的mutate方式优雅处理 //foreach 里面的部分就是我们的业务处理部分 lines(tp3._1, tp3._2, tp3._3, () => { willUpdateOffset.put(tp3._1.getAbsolutePath, tp3._3) offsets.put(MD5Hash.getMD5AsHex(tp3._1.getAbsolutePath.getBytes), tp3._3) }) .foreach(line => { val jsonObject = parse(line) val time = (jsonObject \ "time").extract[Long] val data = https://www.it610.com/article/jsonObject /"data" val dataMap = data.values.asInstanceOf[Map[String, Any]] .filter(_._2 != null) .map(x => x._1 -> x._2.toString)val uid = dataMap("uid") logTime = time.getLocalDateTime.toString val rowkey = uid.take(2) + "|" + time.getLocalDateTime.format(formatter) + "|" + uid.substring(2, 8)val row = new Put(Bytes.toBytes(rowkey)) dataMap.foreach(tp2 => row.addColumn(Bytes.toBytes("info"), Bytes.toBytes(tp2._1), Bytes.toBytes(tp2._2))) hbaseClient.mutate(row) }) hbaseClient.flush() }) //更新索引到文件上 writeSeek(willUpdateOffset) //更新索引日期到文件上 writeSeekDay(noneOffsetFold.last.getName) //把 logTime offset 写到mysql中,方便Spark+Hbase程序读取并计算 }

程序很精简，没有任何没用的功能在里面，线上的生产环境就应该是这子的了。
大家还可以根据需求加入程序退出发邮件通知功能之类的。
真正去算了一下也就100行功能代码，而且占用极小的内存，都不到100M，很精很精。