如何使用 Flume 在源代码上执行预处理并在 hdfs sink 中保留真实文件名

Question

我刚开始使用Apache Flume，我很难理解它到底是如何工作的。为了解释我的问题，我解释了我的需要和我做了什么。

我想在 csv 文件目录（这些文件每 5 分钟构建一次）和 HDFS 集群之间配置一个流。

我发现“假脱机目录”源和HDFS接收器是我所需要的。给我这个flume.conf文件

agent.sources = seqGenSrc
agent.channels = memoryChannel
agent.sinks = hdfsSink

# For each one of the sources, the type is defined
agent.sources.seqGenSrc.type = spooldir
agent.sources.seqGenSrc.spoolDir = /home/user/data

# The channel can be defined as follows.
agent.sources.seqGenSrc.channels = memoryChannel

# Each sink's type must be defined
agent.sinks.hdfsSink.type = hdfs
agent.sinks.hdfsSink.hdfs.path = hdfs://localhost/Flume/data
agent.sinks.hdfsSink.hdfs.fileType = DataStream

agent.sinks.hdfsSink.hdfs.writeFormat=Text    

#Specify the channel the sink should use
agent.sinks.hdfsSink.channel = memoryChannel

# Each channel's type is defined.
agent.channels.memoryChannel.type = memory

# Other config values specific to each type of channel(sink or source)
# can be defined as well
# In this case, it specifies the capacity of the memory channel
agent.channels.memoryChannel.capacity = 100

结果是输入文件被重命名为“.”。我本地文件系统上的“complete ”,数据以一个新名字上传到HDFS，我猜这个名字是唯一的，由Flume生成。

这几乎是我需要的。

但是在上传之前，我想做一些文件特定的操作(删除标题，转义逗号..).不知道怎么做，考虑用拦截器。但是，当数据在flume中时，它在事件中被转换并流动。在他看来，没有关于文件的知识。

否则，原始时间事件将写入文件名，因此我希望此时间与我的事件关联，而不是当前日期。

我还想保留hdfs中的原始文件名（其中有一些有用的信息）。

有人有建议来帮助我吗？

Answer 1

如果指定，则可以将原始文件名保留为标头

agent.sources.seqGenSrc.fileHeader=true 

然后可以在水槽中检索。

如果要操作文件中的数据，请使用拦截器。您应该知道，事件基本上是假脱机目录中文件中的一行。

最后但同样重要的是，您需要使用filehead er属性将事件通过管道传输回正确的文件。这可以通过指定接收器中的路径来实现，如下所示：

agent.sinks.hdfsSink.hdfs.path = hdfs://localhost/Flume/data/%{file}

您可以使用前缀和后缀进一步配置文件名：

hdfs.filePrefix FlumeData   Name prefixed to files created by Flume in hdfs directory
hdfs.fileSuffix –   Suffix to append to file (eg .avro - NOTE: period is not automatically added)