1.工具类、接口简介
(1)
// 用于对数据进行分类org.apache.hadoop.chukwa.extraction.demux.DemuxManager// mapreduce程序的map处理接口org.apache.hadoop.chukwa.extraction.demux.processor.mapper.MapProcessor// MapProcessor的工厂类, 用HashMap存储了数据类型与其对应的MapProcessororg.apache.hadoop.chukwa.extraction.demux.processor.mapper.MapProcessorFactory// map处理接口的实现类, 实现了数据块(ChunkImpl)处理、逐行获取内容、创建ChukwaRecord对象,// 但是将写入OutputCollector的实现放在了抽象方法parse()的实现类中org.apache.hadoop.chukwa.extraction.demux.processor.mapper.AbstractProcessor// AbstractProcessor中parse()方法的实现类org.apache.hadoop.chukwa.extraction.demux.processor.mapper.DefaultProcessor// mapreduce程序的reduce处理接口org.apache.hadoop.chukwa.extraction.demux.processor.reducer.ReduceProcessor// reduce处理接口的实现类, 实现了将key、value写入OutputCollector的过程org.apache.hadoop.chukwa.extraction.demux.processor.reducer.IdentityReducer
(2)
// 用于对数据进行归档org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveManager
(3)
// 用于将分类后的数据转储备份org.apache.hadoop.chukwa.extraction.demux.PostProcessorManager
(4)
// 用于将备份数据按小时进行合并org.apache.hadoop.chukwa.extraction.demux.HourlyChukwaRecordRolling
(5)
// 用于将备份数据按日期进行合并org.apache.hadoop.chukwa.extraction.demux.DailyChukwaRecordRolling
2.处理流程
(1)数据分类
org.apache.hadoop.chukwa.extraction.demux.DemuxManager
/*** 创建守护进程"DemuxManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程* 调用start方法启动循环处理过程*/
public static void main(String[] args)/*** 1. 初始化处理过程中用到的目录* chukwaRootDir /chukwa/* demuxRootDir /chukwa/demuxProcessing/* demuxErrorDir /chukwa/demuxProcessing/inError/* demuxInputDir /chukwa/demuxProcessing/mrInput/* demuxOutputDir /chukwa/demuxProcessing/mrOutput/* dataSinkDir /chukwa/logs/* postProcessDir /chukwa/postProcess/* archiveRootDir /chukwa/dataSinkArchives/* 2. 从系统配置文件中获取nagios的配置信息* 3. 循环处理* 统计异常次数，如果超过五次则退出* 检测demuxOutputDir是否存在，如果存在则将其删除* 检测demuxInputDir是否存在，如果存在则设置可以处理并将处理次数加1，如果已经尝试过3次则将则将demuxInputDir转移到demuxErrorDir* 如果以上两个目录都不存在，则：* reprocess归0* 在dataSinkDir目录下检测是否有.done文件，如果存在则将其移动到demuxInputDir目录下（最多移动500个），移动完成后将demuxReady设为true* 如果demuxReady已经为true,则开始处理数据(processData)* 发送demux信息到nagios */
public void start()/*** 1. 运行Demux,设置reduce数为demuxReducerCount,设置输入输出目录分别为demuxInputDir、demuxOutputDir* 2. 检测demuxOutputDir是否存在，存在则将demuxOutputDir转移到postProcessDir* 3. 将demuxInputDir转移到archiveDir(archiveRootDir)*/
protected boolean processData(String dataSinkDir, String demuxInputDir, String demuxOutputDir, String postProcessDir, String archiveDir)/*** 在main方法中使用ToolRunner启动Demux, 调用内部类MapClass、ReduceClass进行mapreduce处理* 在运行时设置输出的格式化类为ChukwaRecordOutputFormat*/
public static void main(String[] args)
org.apache.hadoop.chukwa.extraction.demux.Demux
在Demux中实现了对数据分类的Mapper类和Reducer类
org.apache.hadoop.chukwa.extraction.demux.Demux$MapClass
/*** 根据ChunkImpl的datatype在$CHUKWA_HOME/conf/chukwa-demux-conf.xml中查找是否配置了mapProcessorClass* 如果没有则默认使用DefaultProcessor处理* 将获取的mapProcessorClass添加到mapProcessor工厂类的hashmap中* 在AbstractProcessor中实现了process方法* 获取数据块的相关信息* 从数据块中逐行读取内容* 将处理行内容的parse方法实现放在了DefaultProcessor中, 在此方法中调用父类的buildGenericRecord方法完成* ChukwaArchiveKey -> ChukwaRecordKey* ChunkImpl -> ChukwaRecord* 的转换* 写入OutputCollector*/
public void map(ChukwaArchiveKey key, ChunkImpl chunk,OutputCollector<ChukwaRecordKey, ChukwaRecord> output,Reporter reporter)
org.apache.hadoop.chukwa.extraction.demux.Demux$ReduceClass
/*** 根据ChukwaRecordKey的reduceType来确定reduceProcessorClass* org.apache.hadoop.chukwa.extraction.demux.processor.reducer. + reduceType* 如果没有找到类则使用IdentityReducer* 在IdentityReducer的process方法中只是将key、value写入OutputCollector*/
public void reduce(ChukwaRecordKey key, Iterator<ChukwaRecord> values,OutputCollector<ChukwaRecordKey, ChukwaRecord> output,Reporter reporter)
org.apache.hadoop.chukwa.extraction.demux.ChukwaRecordOutputFormat
继承自MultipleSequenceFileOutputFormat，用于格式化输出结果
/*** 使输出目录为clusterName/dataType/dataType+Util.generateTimeOutput(record.getTime())*/
protected String generateFileNameForKeyValue(ChukwaRecordKey key,ChukwaRecord record, String name)
org.apache.hadoop.chukwa.extraction.demux.processor.Util
/*** 根据时间戳构造文件名* 从timestamp中获取workingDay、workingHour、minutes* 如果运行日期不等于当前日期，则输出文件为* [dataType]_[yyyyMMdd].D.evt* 否则如果运行时间（小时）不等于当前时间（小时），则输出文件为* [dataType]_[yyyyMMdd]_[HH].H.evt* 否则输出结果文件为* 分钟的个位数小于5，* [dataType]_[yyyyMMdd]_[HH]_[minutes/10].0.R.evt* 分钟的个位数大于等于5* [dataType]_[yyyyMMdd]_[HH]_[minutes/10].5.R.evt*/
public static String generateTimeOutput(long timestamp)
(2)数据归档
org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveManager
/*** 创建守护进程"DemuxManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程* 调用start方法启动循环处理过程*/
public static void main(String[] args)/*** 1. 初始化处理过程中用到的目录* chukwaRootDir /chukwa/* archiveRootDir /chukwa/dataSinkArchives/* archivesRootProcessingDir /chukwa/archivesProcessing/* archivesMRInputDir /chukwa/archivesProcessing/mrInput/* archivesMROutputDir /chukwa/archivesProcessing/mrOutput/* finalArchiveOutput /chukwa/finalArchives/* 2. 开始循环处理* errorCount记录错误次数，当超过四次时退出* 判断archivesMRInputDir目录是否存在(是否已经有archive job的输入目录存在)，存在则使用runArchive方法对当天数据进行归档* 获取archiveRootDir目录下的文件，* 如果没有文件则休眠一分钟* 如果只有一个日期目录，则判断是否是当天且当前时间是否与上次运行间隔了两个小时，如果还不到两个小时则休眠半个小时* 如果有多个日期目录，则使用processDay方法处理每个日期目录下的文件*/
public void start()/*** 处理指定日期的数据* now 当前时间 * currentDay 当前日期* workingDay 要处理的日期目录* oneHourAgo 一个小时之前的时间* 如果要处理的日期目录下没有文件且日期在当天日期之前，则将目录删除后返回* 使用fileCount记录文件总数, 遍历日期目录* 如果文件修改时间不到一个小时* 记录日期目录下的文件数* 将文件转移到archivesMRInputDir目录* 如果文件数已经到达最大文件数(500)，则调用runArchive方法进行归档，并将fileCount重置为0*/
public void processDay(FileStatus fsDay, String archivesMRInputDir,String archivesMROutputDir, String finalArchiveOutput)/*** 1. 构建job运行参数，从配置文件中加载配置项"archive.grouper"(归档分组类型)* 2. 检测mrOutput目录是否存在，存在则删除* 3. 使用ToolRunner运行ChukwaArchiveBuilder* 4. 使用mrInput中的日期在finalArchiveOutput中创建对应的目录* 5. 将mrOutput目录转储到上一步创建的目录下的"archive_+当前时间"* 6. 删除mrInput目录*/
public void runArchive(String archivesMRInputDir,String archivesMROutputDir, String finalArchiveOutput)
org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveBuilder
org.apache.hadoop.chukwa.extraction.archive.ChukwaArchiveBuilder$UniqueKeyReduce
/*** 统计每个key有多少个value*/
public void reduce(ChukwaArchiveKey key, Iterator<ChunkImpl> vals,OutputCollector<ChukwaArchiveKey, ChunkImpl> out, Reporter r)/*** 在main方法中使用ToolRunner启动ChukwaArchiveBuilder,* 在run方法中调用IdentityMapper、内部类UniqueKeyReduce进行mapreduce处理* 根据不同的参数设置不同的partitionerClass、outputFormat、jobName */
public static void main(String[] args)
(3)数据转储
org.apache.hadoop.chukwa.extraction.demux.PostProcessorManager
/*** 创建守护进程"PostProcessorManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程* 调用start方法启动循环处理过程*/
public static void main(String[] args)/*** 1. 初始化处理过程中用到的目录* chukwaRootDir /chukwa/* postProcessDir /chukwa/postProcess/* chukwaRootReposDir /chukwa/repos/* chukwaPostProcessInErrorDir /chukwa/postProcessInError/* 2. 开始循环处理* errorCount记录了错误次数，如果已经超过四次则退出* 遍历demuxOutputDir,* 如果此目录下没有文件则休眠10秒* 如果有文件则将文件添加到directories(ArrayList<String>)并进行排序* 遍历directories* 对每一个文件使用processDemuxPigOutput方法进行处理，完成后调用* movetoMainRepository方法移动文件，然后将文件删除，如果出现异常，* 则将文件转移到错误目录*/
public void start()/*** 从$CHUKWA_HOME/conf/chukwa-demux-conf.xml中加载配置项* chukwa.post.demux.data.loader，得到两个实现类* org.apache.hadoop.chukwa.dataloader.MetricDataLoaderPool,* org.apache.hadoop.chukwa.dataloader.FSMDataLoader* 遍历配置的实现类* 分别获取实例，构建查找对象* (/chukwa/postProcess/cluster/dataType/*.evt)* 将查找到的文件交由dataloader处理*/
public boolean processDemuxPigOutput(String directory)/*** 这里将移动到repository的功能整合到了org.apache.hadoop.chukwa.extraction.demux.MoveToRepository中*/
public boolean movetoMainRepository(String sourceDirectory,String repoRootDirectory)
org.apache.hadoop.chukwa.extraction.demux.MoveToRepository
/*** 遍历要转储的目录* 获取cluster名称，过滤掉"_logs"、"_temporary"* 使用processClusterDirectory方法处理每个cluster下的文件* 删除已经完成转储的cluster目录*/
public static void main(String[] args)/*** 遍历cluster目录* 获取dataType名称* 使用processDatasourceDirectory方法处理每个dataType下的文件*/
static void processClusterDirectory(Path srcDir, String destDir)/*** 遍历某个dataType下的evt文件* 如果是以".D.evt"结尾的文件* 获取日期* 调用writeRecordFile方法写入文件，其中* 输出目录为/chukwa/repos/<cluster>/<dataType>/<yyyyMMdd>/* 输出文件为<dataType>_<yyyyMMdd>* 如果是以".H.evt"结尾的文件* 获取日期、小时* 调用writeRecordFile方法写入文件，其中* 输出目录为/chukwa/repos/<cluster>/<dataType>/<yyyyMMdd>/<HH>/* 输出文件为<dataType>_<yyyyMMdd>_<HH>* 调用addDirectory4Rolling方法对日期、小时做标记* 如果是以".R.evt"结尾的文件* 获取日期、小时、分钟* 调用writeRecordFile方法写入文件，其中* 输出目录为/chukwa/repos/<cluster>/<dataType>/<yyyyMMdd>/<HH>/<mm>/* 输出文件为<dataType>_<yyyyMMdd>_<HH>_<mm>* 调用addDirectory4Rolling方法对日期、小时做标记*/
static void processDatasourceDirectory(String cluster, Path srcDir, String destDir)/*** 将文件转储并改名*/
static void writeRecordFile(String destDir, Path recordFile, String fileName)/*** 在/chukwa/rolling/目录下生成相应数据类型的目录以便于进行数据合并* 如果不在当前日期，在/chukwa/rolling/下生成* daily/<yyyyMMdd>/<cluster>/<dataType>* 否则，在/chukwa/rolling/下生成* hourly/<yyyyMMdd>/<cluster>/<dataType> */
static void addDirectory4Rolling(boolean isDailyOnly, int day, int hour,String cluster, String dataSource)
(4)数据合并
org.apache.hadoop.chukwa.extraction.demux.HourlyChukwaRecordRolling
/*** 1. 创建守护进程"PostProcessorManager",将进程号写入相应的pid文件，以便于运行stop命令时可根据此pid文件杀死进程* 2. 初始化处理过程中用到的目录* rollingFolder /chukwa/rolling/* chukwaMainRepository /chukwa/repos/* tempDir /chukwa/temp/hourlyRolling/ * 3. 从执行参数中获取rollInSequence(是否顺序执行合并线程),deleteRawdata(是否删除原始数据)这两个参数设置的值* 4. 获取当前日期和小时* 5. 遍历 /chukwa/rolling/hourly/ 目录* 获取此目录下的每个日期，对其遍历* 获取此目录下的小时，如果此目录日期小于当前日期，或两者相同而且此小时小于当前小时(即只对当前小时之前的数据进行合并)* 调用buildHourlyFiles*/
public static void main(String[] args)/*** 获取处理目录 /chukwa/rolling/hourly/workingDay/workingHour* 遍历此目录下所有的cluster* 遍历每个cluster目录下的所有数据类型(dataSource)* 创建目录 /chukwa/repos/cluster/dataSource/workingDay/workingHour/rotateDone* 构建合并参数数组 mergeArgs* mergeArgs[0] = /chukwa/repos/cluster/dataSource/workingDay/workingHour/[0-5]* /*.evt* mergeArgs[1] = /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis* mergeArgs[2] = /chukwa/repos/cluster/dataSource/workingDay/workingHour* mergeArgs[3] = dataSource_HourlyDone_workingDay_workingHour* mergeArgs[4] = /chukwa/rolling/hourly/workingDay/workingHour/cluster/dataSource* 新建RecordMerger对象merge* 如果rollInSequence为true,则启动merge线程* 否则将merge添加到列表并启动线程，等待此线程运行完成* 删除dataSource目录* 删除cluster目录* 删除hour目录*/
public static void buildHourlyFiles(String chukwaMainRepository,String tempDir, String rollingFolder, int workingDay,int workingHour)/*** 使用IdentityMapper作为mapperClass, 使用IdentityReducer作为reducerClass, 只是简单的合并数据*/
public int run(String[] args)
org.apache.hadoop.chukwa.extraction.demux.RecordMerger
/*** 调用ToolRunner.run运行tool, 即调用HourlyChukwaRecordRolling中的run方法，将* /chukwa/repos/cluster/dataSource/workingDay/workingHour/[0-5]* /*.evt* 合并到* /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis* 如果此任务处理成功* 调用 writeRecordFile()* 如果deleteRawData参数为true* 删除输入文件* /chukwa/repos/cluster/dataSource/workingDay/workingHour/[0-5]* /*.evt* 遍历 /chukwa/repos/cluster/dataSource/workingDay/workingHour* 删除小时或分钟的目录* /chukwa/repos/cluster/dataSource/workingDay/workingHour[0-5]* /* 删除合并标记文件* dataSource_HourlyDone_workingDay_workingHour* 删除临时目录* /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis*/
public void run()/*** 将mapreduce运行结果文件改名转储, 即将HourlyChukwaRecordRolling中的run方法合并后的文件转储* input /chukwa/temp/hourlyRolling/cluster/dataSource/workingDay/workingHour_currentTimeMillis/part-00000* outputDir /chukwa/repos/cluster/dataSource/workingDay/workingHour* filename dataSource_HourlyDone_workingDay_workingHour* destFile /chukwa/repos/cluster/dataSource/workingDay/workingHour/dataSource_HourlyDone_workingDay_workingHour.1.evt*/
void writeRecordFile(String input, String outputDir, String fileName)