通过HDFS接收器将flume事件写入S3确保事务

Question

我们使用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优雅地关闭时，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使用事务性方法来保证事件的可靠传递。。。

此处是我的配置：

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

我想我只是做错了什么，有什么想法吗？

Answer 1

经过一些调查，我发现使用S3与水槽和HDFS水槽的主要问题之一。

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。当文件在S3中重命名时，文件将被复制到新名称，旧文件将被删除。（请参阅：如何在Amazon S3中重命名文件和文件夹？）

当文件未满时，Flume默认使用. tmp扩展文件。轮换后，文件将重命名为最终文件名。在HDFS中，这不会有问题，但在S3中，这可能会导致此问题：https://issues.apache.org/jira/browse/FLUME-2445

由于S3的HDFS接收器接缝不完全可靠，因此我更喜欢将所有文件保存在本地并使用aws工具S3 sync同步/删除完成的文件的更安全的方法(http://docs.aws.amazon.com/cli/latest/reference/s3/sync.html)

在更糟糕的情况下，文件不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。