Flume数据传输事务分析[转]-白红宇

Flume数据传输事务分析[转]

阅读量：6730 次

发布时间：2019-06-25

本文共 5177 字，大约阅读时间需要 17 分钟。

本文基于ThriftSource,MemoryChannel,HdfsSink三个组件，对Flume数据传输的事务进行分析，如果使用的是其他组件，Flume事务具体的处理方式将会不同。一般情况下，用MemoryChannel就好了，我们公司用的就是这个，FileChannel速度慢，虽然提供日志级别的数据恢复，但是一般情况下，不断电MemoryChannel是不会丢数据的。

Flume提供事物操作，保证用户的数据的可靠性，主要体现在：

数据在传输到下个节点时(通常是批量数据)，如果接收节点出现异常，比如网络异常，则回滚这一批数据。因此有可能导致数据重发

同个节点内，Source写入数据到Channel,数据在一个批次内的数据出现异常，则不写入到Channel。已接收到的部分数据直接抛弃，靠上一个节点重发数据。

编程模型

Flume在对Channel进行Put和Take操作的时候，必须要用事物包住,比如：

Channel ch = new MemoryChannel();Transaction txn = ch.getTransaction();//事物开始txn.begin();try {  Event eventToStage = EventBuilder.withBody("Hello Flume!",                       Charset.forName("UTF-8")); //往临时缓冲区Put数据 ch.put(eventToStage); //或者ch.take() //将这些数据提交到channel中 txn.commit(); } catch (Throwable t) { txn.rollback(); if (t instanceof Error) { throw (Error)t; } } finally { txn.close(); }

Put事务流程

Put事务可以分为以下阶段：

doPut:将批数据先写入临时缓冲区putList

doCommit:检查channel内存队列是否足够合并。

doRollback:channel内存队列空间不足，抛弃数据

我们从Source数据接收到写入Channel这个过程对Put事物进行分析。

ThriftSource会spawn多个Worker线程(ThriftSourceHandler)去处理数据，Worker处理数据的接口，我们只看batch批量处理这个接口：

@Override    public Status appendBatch(List
     
       events) throws TException {      List
      
        flumeEvents = Lists.newArrayList();      for(ThriftFlumeEvent event : events) {        flumeEvents.add(EventBuilder.withBody(event.getBody(), event.getHeaders())); } //ChannelProcessor,在Source初始化的时候传进来.将数据写入对应的Channel getChannelProcessor().processEventBatch(flumeEvents); ... return Status.OK; }

事务逻辑都在processEventBatch这个方法里：

public void processEventBatch(List
     
       events) {    ...    //预处理每行数据，有人用来做ETL嘛    events = interceptorChain.intercept(events);    ...    //分类数据，划分不同的channel集合对应的数据 // Process required channels Transaction tx = reqChannel.getTransaction(); ... //事务开始，tx即MemoryTransaction类实例 tx.begin(); List
      
        batch = reqChannelQueue.get(reqChannel); for (Event event : batch) { // 这个put操作实际调用的是transaction.doPut reqChannel.put(event); } //提交，将数据写入Channel的队列中 tx.commit(); } catch (Throwable t) { //回滚 tx.rollback(); ... } } ... }

每个Worker线程都拥有一个Transaction实例，保存在Channel(BasicChannelSemantics)里的ThreadLocal变量currentTransaction.

那么，事务到底做了什么？

实际上，Transaction实例包含两个双向阻塞队列LinkedBlockingDeque(感觉没必要用双向队列，每个线程写自己的putList，又不是多个线程？),分别为：

putList

takeList

对于Put事物操作，当然是只用到putList了。putList就是一个临时的缓冲区，数据会先put到putList,最后由commit方法会检查channel是否有足够的缓冲区，有则合并到channel的队列。

channel.put -> transaction.doPut：

protected void doPut(Event event) throws InterruptedException {      //计算数据字节大小 int eventByteSize = (int)Math.ceil(estimateEventSize(event)/byteCapacitySlotSize); //写入临时缓冲区putList if (!putList.offer(event)) { throw new ChannelException( "Put queue for MemoryTransaction of capacity " + putList.size() + " full, consider committing more frequently, " + "increasing capacity or increasing thread count"); } putByteCounter += eventByteSize; }

transaction.commit：

@Override    protected void doCommit() throws InterruptedException { //检查channel的队列剩余大小是否足够 ... int puts = putList.size(); ... synchronized(queueLock) { if(puts > 0 ) { while(!putList.isEmpty()) { //写入到channel的队列 if(!queue.offer(putList.removeFirst())) { throw new RuntimeException("Queue add failed, this shouldn't be able to happen"); } } } //清除临时队列 putList.clear(); ... } ... }

如果在事务期间出现异常，比如channel剩余空间不足，则rollback:

@Override    protected void doRollback() {    ...        //抛弃数据，没合并到channel的内存队列 putList.clear(); ... }

Take事务

Take事务分为以下阶段：

doTake:先将数据取到临时缓冲区takeList

将数据发送到下一个节点

doCommit:如果数据全部发送成功，则清除临时缓冲区takeList

doRollback:数据发送过程中如果出现异常，rollback将临时缓冲区takeList中的数据归还给channel内存队列。

Sink其实是由SinkRunner线程调用Sink.process方法来了处理数据的。我们从HdfsEventSink的process方法说起，Sink类都有个process方法，用来处理传输数据的逻辑。：

public Status process() throws EventDeliveryException {    ...    Transaction transaction = channel.getTransaction();    ...    //事务开始    transaction.begin();    ...      for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) { //take数据到临时缓冲区,实际调用的是transaction.doTake Event event = channel.take(); if (event == null) { break; } ... //写数据到HDFS bucketWriter.append(event); ... // flush all pending buckets before committing the transaction for (BucketWriter bucketWriter : writers) { bucketWriter.flush(); } //commit transaction.commit(); ... } catch (IOException eIO) { transaction.rollback(); ... } finally { transaction.close(); } }

大致流程图：

接着看看channel.take，作用是将数据放到临时缓冲区,实际调用的是transaction.doTake:

protected Event doTake() throws InterruptedException {      ...      //从channel内存队列取数据      synchronized(queueLock) {        event = queue.poll();      }      ...      //将数据放到临时缓冲区 takeList.put(event); ... return event; }

接着，HDFS写线程bucketWriter将take到的数据写到HDFS,如果批数据都写完了，则要commit了：

protected void doCommit() throws InterruptedException {    ...    takeList.clear();    ...}

很简单，其实就是清空takeList而已。如果bucketWriter在写数据到HDFS的时候出现异常，则要rollback:

protected void doRollback() {      int takes = takeList.size();      //检查内存队列空间大小，是否足够takeList写回去 synchronized(queueLock) { Preconditions.checkState(queue.remainingCapacity() >= takeList.size(), "Not enough space in memory channel " + "queue to rollback takes. This should never happen, please report"); while(!takeList.isEmpty()) { queue.addFirst(takeList.removeLast()); } ... } ... }

你可能感兴趣的文章

排序（一）归并、快排、优先队列等（图文具体解释）