Flume传输数据事务分析-白红宇

Flume传输数据事务分析

阅读量：5028 次

发布时间：2019-06-12

本文共 5849 字，大约阅读时间需要 19 分钟。

Flume传输数据事务分析

本文基于ThriftSource,MemoryChannel,HdfsSink三个组件，对Flume传输数据的事务进行分析。假设使用的是其它组件。Flume事务详细的处理方式将会不同。普通情况下。用MemoryChannel就好了，我们公司用的就是这个。FileChannel速度慢，尽管提供日志级别的数据恢复，可是普通情况下，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，主要体如今：

数据在传输到下个节点时(一般是批量数据)，假设接收节点出现异常，比方网络异常。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。必需要用事物包住,比方：

Channel ch = new MemoryChannel();Transaction txn = ch.getTransaction();//事物開始txn.begin();try {  Event eventToStage = EventBuilder.withBody("Hello Flume!",                       Charset.forName("UTF-8"));  //往暂时缓冲区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事务能够分为下面阶段：

doPut:将批数据先写入暂时缓冲区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。我们仅仅看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.将数据写入相应的Channel        getChannelProcessor().processEventBatch(flumeEvents);        ...      return Status.OK;    }

事务逻辑都在processEventBatch这种方法里：

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集合相应的数据    // Process required channels    Transaction tx = reqChannel.getTransaction();    ...        //事务開始，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();        ...      }    }    ...  }

每一个Worker线程都拥有一个Transaction实例，保存在Channel(BasicChannelSemantics)里的ThreadLocal变量currentTransaction.

那么。事务究竟做了什么？

实际上。Transaction实例包括两个双向堵塞队列LinkedBlockingDeque(感觉不是必需用双向队列，每一个线程写自己的putList，又不是多个线程？),分别为：

putList

takeList

对于Put事物操作，当然是仅仅用到putList了。

putList就是一个暂时的缓冲区。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);      //写入暂时缓冲区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");            }          }        }        //清除暂时队列        putList.clear();        ...      }      ...    }

假设在事务期间出现异常，比方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事务分为下面阶段：

doTake:先将数据取到暂时缓冲区takeList

将数据发送到下一个节点

doCommit:假设数据所有发送成功。则清除暂时缓冲区takeList

doRollback:数据发送过程中假设出现异常，rollback将暂时缓冲区takeList中的数据归还给channel内存队列。

Sink事实上是由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。用来处理数据传输的逻辑。：

public Status process() throws EventDeliveryException {    ...    Transaction transaction = channel.getTransaction();    ...    //事务開始    transaction.begin();    ...      for (txnEventCount = 0; txnEventCount < batchSize; txnEventCount++) {        //take数据到暂时缓冲区,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。作用是将数据放到暂时缓冲区,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();      }      ...      //将数据放到暂时缓冲区      takeList.put(event);      ...      return event;    }

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

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

非常easy。事实上就是清空takeList而已。

假设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());        }        ...      }      ...    }

转载于:https://www.cnblogs.com/mengfanrong/p/5170478.html

你可能感兴趣的文章