Flink实战之网站日志ETL案例【含代码】

2020-11-05 18:42:49 浏览数 (1)

问题导读 1.怎样对字段进行大区转换？ 2.怎样拆分打平大JSON? 3.怎样把不同类型的日志数据分别进行存储？ 应用场景：

  • 数据清洗【实时ETL】
  • 数据报表

1、数据清洗【实时ETL】

1.1、需求分析 针对算法产生的日志数据进行清洗拆分

  • 算法产生的日志数据是嵌套大JSON格式（json嵌套json），需要拆分打平
  • 针对算法中的国家字段进行大区转换
  • 最后把不同类型的日志数据分别进行存储

1.2、数据清理 DataClean 结构

1.3、实践运行 1.3.1、Redis 启动redis： 先从一个终端启动redis服务

代码语言：javascript复制
./redis-server复制代码

先从一个终端启动redis客户端，并插入数据

代码语言：javascript复制
./redis-cli
127.0.0.1:6379> hset areas   AREA_US   US
(integer) 1
127.0.0.1:6379> hset areas   AREA_CT   TW,HK
(integer) 1
127.0.0.1:6379> hset areas   AREA_AR   PK,SA,KW
(integer) 1
127.0.0.1:6379> hset areas   AREA_IN   IN
(integer) 1
127.0.0.1:6379>复制代码

1.3.2、Kafka 启动kafka：

代码语言：javascript复制
./kafka-server-start.sh -daemon ../config/server.properties

复制代码

kafka创建topc：

代码语言：javascript复制
./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 5 --topic allData

复制代码

监控kafka topic：

代码语言：javascript复制
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic allDataClean

复制代码

1.3.3、启动程序 先启动 DataClean 程序，再启动生产者程序，kafka生产者产生数据如下：

最后终端观察处理输出的数据：

只有部分数据正确处理输出的原因是：代码中没有设置并行度，默认是按机器CPU核数跑的，这里需要通过 broadcast() 进行广播 1.4、Flink yarn集群启动 向yarn提交任务：

代码语言：javascript复制
./bin/flink run -m yarn-cluster -yn 2 -yjm 1024 -ytm 1024 -c henry.flink.DataClean /root/flinkCode/DataClean-1.0-SNAPSHOT-jar-with-dependencies.jar

复制代码

通过 yarn UI 查看任务，并进入Flink job：

启动kafka生产者：

监控topic消费情况：

代码语言：javascript复制
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic allDataClean

复制代码

最终终端输出结果， 同IDEA中运行结果：

代码下载： 链接:

https://pan.baidu.com/s/1993ZK-xOKbhmhzLLLyi8Ww

提取码: pumu

----------------------------END----------------------------

kafka 日志数据 yarn node.js 云数据库Redis

0 人点赞