近日，在测试Flume结合Kafka结合Spark Streaming的实验。今天把Flume与Spark的简单结合做出来了，这里记录一下，避免网友走弯路。有不周到的地方还希望路过的大神多多指教。
实验比较简单，分为两部分：一、使用avro-client发送数据 二、使用netcat发送数据
首先Spark程序需要Flume的两个jar包：
flume-ng-sdk-1.4.0、spark-streaming-flume_2.11-1.2.0
一、使用avro-client发送数据
1、 编写Spark程序，该程序的功能是接收Flume事件
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
importorg.apache.spark.storage.StorageLevel
import org.apache.spark.streaming._
import org.apache.spark.streaming.flume._
object FlumeEventTest{
defmain(args:Array[String]) {
Logger.getLogger("org.apache.spark").setLevel(Level.WARN)
Logger.getLogger("org.apache.eclipse.jetty.server").setLevel(Level.OFF)
val hostname = args(0)
val port = args(1).toInt
val batchInterval = args(2)
val sparkConf = newSparkConf().setAppName("FlumeEventCount").setMaster("local[2]")
val ssc = new StreamingContext(sparkConf,batchInterval)
valstream = FlumeUtils.createStream(ssc,hostname,port,StorageLevel.MEMORY_ONLY)
stream.count().map(cnt => "Received " + cnt + " flumeevents." ).print()
ssc.start()
ssc.awaitTermination()
}
}
2、 Flume配置文件参数
a1.channels = c1
a1.sinks = k1
a1.sources = r1
a1.sinks.k1.type = avro
a1.sinks.k1.channel = c1
a1.sinks.k1.hostname = localhost
a1.sinks.k1.port = 9999
a1.sources.r1.type = avro
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
a1.sources.r1.channels = c1
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
这里，使用avro向flume的44444端口发送数据；然后flume通过9999向Spark发送数据。
3、 运行Spark程序：
4、 通过Flume配置文件启动Flumeagent
../bin/flume-ng agent --conf conf--conf-file ./flume-conf.conf --name a1
-Dflume.root.logger=INFO,console
Spark运行效果：
5、 使用avro来发送文件：
./flume-ng avro-client --conf conf -Hlocalhost -p 44444 -F/opt/servicesClient/Spark/spark/conf/spark-env.sh.template-Dflume.root.logger=DEBUG,console
Flume agent效果：
Spark效果：
二、使用netcat发送数据
1、 Spark程序同上
2、 配置Flume参数
a1.channels = c1
a1.sinks = k1
a1.sources = r1
a1.sinks.k1.type = avro
a1.sinks.k1.channel = c1
a1.sinks.k1.hostname = localhost
a1.sinks.k1.port = 9999
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
a1.sources.r1.channels = c1
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
这里，使用telnet作为Flume的数据源
3、 运行Spark程序同上
4、 通过Flume配置文件启动Flumeagent
../bin/flume-ng agent --conf conf--conf-file ./flume-conf.conf --name a1
-Dflume.root.logger=INFO,console
注意：这里使用netcat作为Flume的数据源，注意与avro作为源的效果区别
5、 使用telnet发送数据
Spark效果：
这是两个比较简单的demo，如果真正在项目中使用Flume来收集数据，使用Kafka作为分布式消息队列，使用Spark Streaming实时计算，还需要详细研究Flume和Spark流计算。
前段时间给部门做培训，演示了Spark Streaming的几个例子：文本处理、网络数据处理、stateful操作和window操作，这几天有时间整理整理，分享给大家。包括Spark MLlib的两个简单demo：基于K-Means的用户分类和基于协同过滤的电影推荐系统。
今天看了斯坦福Andrew Ng教授的ML课程，讲的很棒，这里把链接分享给大家：
http://open.163.com/special/opencourse/machinelearning.html
原文地址：http://snglw.blog.51cto.com/5832405/1652508