通过 HDFS Sink 将带有 flume 的事件写入 S3 确保事务

Question

我们正在使用 flume 和 S3 来存储我们的事件。我认识到只有当 HDFS 接收器滚动到下一个文件或 flume 正常关闭时，事件才会传输到 S3。

在我看来，这可能会导致潜在的数据丢失。 Flume 文档写道：

...Flume uses a transactional approach to guarantee the reliable delivery of the Events...

这是我的配置：

agent.sinks.defaultSink.type = HDFSEventSink
agent.sinks.defaultSink.hdfs.fileType = DataStream
agent.sinks.defaultSink.channel = fileChannel
agent.sinks.defaultSink.serializer = avro_event
agent.sinks.defaultSink.serializer.compressionCodec = snappy
agent.sinks.defaultSink.hdfs.path = s3n://testS3Bucket/%Y/%m/%d
agent.sinks.defaultSink.hdfs.filePrefix = events
agent.sinks.defaultSink.hdfs.rollInterval = 3600
agent.sinks.defaultSink.hdfs.rollCount = 0
agent.sinks.defaultSink.hdfs.rollSize = 262144000
agent.sinks.defaultSink.hdfs.batchSize = 10000
agent.sinks.defaultSink.hdfs.useLocalTimeStamp = true

#### CHANNELS ####

agent.channels.fileChannel.type = file
agent.channels.fileChannel.capacity = 1000000
agent.channels.fileChannel.transactionCapacity = 10000

我假设我只是做错了什么，有什么想法吗？

Answer 1

经过一番调查后，我发现使用带有 flume 和 HDFS 接收器的 S3 的主要问题之一。

普通 HDFS 和 S3 实现之间的主要区别之一是 S3 不直接支持重命名。当在 S3 中重命名文件时，文件将被复制并使用新名称，旧文件将被删除。（参见：How to rename files and folder in Amazon S3?）

Flume 默认情况下在文件未满时使用 .tmp 扩展文件。旋转后，文件将重命名为最终文件名。在 HDFS 中，这没有问题，但在 S3 中，根据这个问题，这可能会导致问题： https://issues.apache.org/jira/browse/FLUME-2445

因为带有 HDFS 接收器接缝的 S3 不是 100% 可信的，我更喜欢将所有文件保存在本地和 sync/delete 使用 aws 工具 s3 sync (http://docs.aws.amazon.com/cli/latest/reference/s3/sync.html)

在更糟糕的情况下，文件未同步或本地磁盘已满，但这两个问题都可以通过无论如何都应该使用的监控系统轻松解决。

通过 HDFS Sink 将带有 flume 的事件写入 S3 确保事务

Write event with flume to S3 via HDFS Sink ensure transaction

hadoop

amazon-s3

hdfs

flume

sink