本發(fā)明涉及數(shù)據(jù)處理技術(shù)，尤其涉及一種基于flume系統(tǒng)的數(shù)據(jù)處理方法及其裝置。

背景技術(shù)：

大數(shù)據(jù)分析的基礎(chǔ)是大數(shù)據(jù)，通常采集數(shù)據(jù)的來源多種多樣，而且數(shù)據(jù)格式和編碼格式也不完全一致，數(shù)據(jù)質(zhì)量良莠不齊，因此在進行大數(shù)據(jù)分析之前，我們都需要對數(shù)據(jù)進行數(shù)據(jù)清洗；數(shù)據(jù)清洗(Data cleaning)是一個對數(shù)據(jù)進行重新審查和校驗的過程，數(shù)據(jù)清洗的目的在于刪除重復(fù)信息，糾正或剔除錯誤的數(shù)據(jù)，以保證數(shù)據(jù)的一致性。

在數(shù)據(jù)采集階段，我們一般會采用Flume作為數(shù)據(jù)采集工具。Flume是Cloudera公司提供的一個高可用高可靠分布式的海量數(shù)據(jù)采集聚合和傳輸?shù)南到y(tǒng)，F(xiàn)lume支持在系統(tǒng)中定制各類數(shù)據(jù)發(fā)送方，用于收集數(shù)據(jù)；同時Flume可以對數(shù)據(jù)進行簡單處理，并寫到各種數(shù)據(jù)接受方的能力。

如圖1所示，常規(guī)的Flume包括source層、channel層和sink層，由source層從數(shù)據(jù)源采集數(shù)據(jù)，并發(fā)送至channel層，channel層對數(shù)據(jù)進行簡單的緩存，sink層從channel層中獲取數(shù)據(jù)，并發(fā)送至接收方；數(shù)據(jù)源一般為需要采集數(shù)據(jù)的生產(chǎn)機器，接收方可以是相應(yīng)的存儲文件系統(tǒng)、數(shù)據(jù)庫或者遠程服務(wù)器，采集的數(shù)據(jù)一般為生產(chǎn)機器的日志。

常規(guī)的flume對采集到的數(shù)據(jù)進行數(shù)據(jù)清洗的方式為前置清洗，前置清洗是在source層中配置攔截器，source層采集到的數(shù)據(jù)里符合系統(tǒng)設(shè)定的數(shù)據(jù)可以通過攔截器，而不符合系統(tǒng)設(shè)定的數(shù)據(jù)將會被清理。

但是在實際應(yīng)用中，flume的前置清洗有如下缺點：

(1)Flume系統(tǒng)附在生產(chǎn)機器上，而攔截器的清洗工作會占用生產(chǎn)機器的資源，對生產(chǎn)機器造成負擔(dān)；

(2)攔截器配置在source層中，影響source層的數(shù)據(jù)采集進度；

(3)攔截器的清洗方式簡單，無法處理復(fù)雜的清洗需求。

技術(shù)實現(xiàn)要素：

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供一種基于flume系統(tǒng)的數(shù)據(jù)處理方法，其能解決解決清洗數(shù)據(jù)影響生產(chǎn)機器運行以及數(shù)據(jù)采集的問題。

本發(fā)明的目的之二在于提供一種基于flume系統(tǒng)的數(shù)據(jù)處理裝置，其能解決解決清洗數(shù)據(jù)影響生產(chǎn)機器運行以及數(shù)據(jù)采集的問題。

本發(fā)明的目的之一采用以下技術(shù)方案實現(xiàn)：

一種基于flume系統(tǒng)的數(shù)據(jù)處理方法，應(yīng)用于數(shù)據(jù)清洗系統(tǒng)，包括如下步驟：

S1、source層從數(shù)據(jù)源采集原始數(shù)據(jù)；

S2、source層將采集到的原始數(shù)據(jù)發(fā)送至channel層；

S3、channel層將原始數(shù)據(jù)發(fā)送至數(shù)據(jù)清洗模塊；

S4、channel層從數(shù)據(jù)清洗模塊獲取目標數(shù)據(jù)；

S5、sink層從channel層獲取目標數(shù)據(jù)；

S6、sink層將目標數(shù)據(jù)發(fā)送至接收方。

作為優(yōu)選，所述S3中channel層將原始數(shù)據(jù)發(fā)送至數(shù)據(jù)清洗模塊的傳輸方式為異步傳輸。

作為優(yōu)選，所述channel層將原始數(shù)據(jù)異步傳輸至數(shù)據(jù)清洗模塊的底層傳輸方式為TCP/UDP協(xié)議及其協(xié)議簇衍生方式。

作為優(yōu)選，所述S4中channel層從數(shù)據(jù)清洗模塊獲取目標數(shù)據(jù)的傳輸方式為異步傳輸。

作為優(yōu)選，所述channel層從數(shù)據(jù)清洗模塊異步傳輸獲取目標數(shù)據(jù)的底層傳輸方式為TCP/UDP協(xié)議及其協(xié)議簇衍生方式。

本發(fā)明的目的之二采用以下技術(shù)方案實現(xiàn)：

一種基于flume系統(tǒng)的數(shù)據(jù)處理裝置，包括：

采集模塊，應(yīng)用于source層中，用于從數(shù)據(jù)源采集原始數(shù)據(jù)；

第一傳送模塊，應(yīng)用于source層，用于將采集到的原始數(shù)據(jù)發(fā)送至channel層；

輸出模塊，應(yīng)用于channel層，用于將原始數(shù)據(jù)發(fā)送至數(shù)據(jù)清洗模塊；

輸入模塊，應(yīng)用于channel層，用于從數(shù)據(jù)清洗模塊獲取清洗后的目標數(shù)據(jù)；

獲取模塊，應(yīng)用于sink層，用于從channel層獲取目標數(shù)據(jù)；

第二傳送模塊，應(yīng)用于sink層，用于將目標數(shù)據(jù)發(fā)送至接收方。

作為優(yōu)選，所述輸出模塊中channel層將原始數(shù)據(jù)發(fā)送至數(shù)據(jù)清洗模塊的傳輸方式為異步傳輸。

作為優(yōu)選，所述channel層將原始數(shù)據(jù)異步傳輸至數(shù)據(jù)清洗模塊的底層傳輸方式為TCP/UDP協(xié)議及其協(xié)議簇衍生方式。

作為優(yōu)選，所述輸入模塊中channel層從數(shù)據(jù)清洗模塊獲取目標數(shù)據(jù)的傳輸方式為異步傳輸。

作為優(yōu)選，所述channel層從數(shù)據(jù)清洗模塊異步傳輸獲取目標數(shù)據(jù)的底層傳輸方式為TCP/UDP協(xié)議及其協(xié)議簇衍生方式。

相比現(xiàn)有技術(shù)，本發(fā)明的有益效果在于：通過將flume系統(tǒng)的在source層中的清洗功能剝離至flume系統(tǒng)外的數(shù)據(jù)清洗模塊中，提高source層的數(shù)據(jù)采集效率，減少了對生產(chǎn)機器的損耗。

附圖說明

圖1為常規(guī)的flume系統(tǒng)的模塊連接圖；

圖2為本發(fā)明的數(shù)據(jù)清洗系統(tǒng)的模塊連接圖；

圖3為本發(fā)明的基于flume系統(tǒng)的數(shù)據(jù)處理方法的流程圖；

圖4為本發(fā)明的基于flume系統(tǒng)的數(shù)據(jù)處理裝置的模塊連接圖。

具體實施方式

下面，結(jié)合附圖以及具體實施方式，對本發(fā)明做進一步描述：

如圖2所示，本發(fā)明的flume系統(tǒng)包括source層、channel層和sink層；數(shù)據(jù)清洗系統(tǒng)包括flume系統(tǒng)、數(shù)據(jù)清洗模塊、數(shù)據(jù)源和接收方，數(shù)據(jù)源、source層、channel層、sink層和接收方依次連接，channel層和數(shù)據(jù)清洗模塊連接。

所述數(shù)據(jù)清洗模塊設(shè)置于flume系統(tǒng)外，數(shù)據(jù)清洗模塊內(nèi)包括多個清洗節(jié)點，可以根據(jù)用戶業(yè)務(wù)需求的不同，設(shè)置不同清洗需求的清洗節(jié)點。

一種基于flume系統(tǒng)的數(shù)據(jù)處理方法，應(yīng)用于數(shù)據(jù)清洗系統(tǒng)，如圖3所示，包括如下步驟：

步驟10、source層從數(shù)據(jù)源采集原始數(shù)據(jù)。

步驟11、source層將采集到的原始數(shù)據(jù)發(fā)送至channel層；

本發(fā)明中不在source層中配置攔截器，source層僅負責(zé)采集原始數(shù)據(jù)和發(fā)送數(shù)據(jù)的工作。

步驟12、channel層將原始數(shù)據(jù)發(fā)送至數(shù)據(jù)清洗模塊；

數(shù)據(jù)清洗模塊對原始數(shù)據(jù)進行清理得到目標數(shù)據(jù)；channel層將原始數(shù)據(jù)通過發(fā)送至數(shù)據(jù)清洗模塊的發(fā)送方式為異步傳輸，其底層傳輸方式包括但不限于TCP/UDP協(xié)議及其協(xié)議簇衍生方式。

步驟13、channel層從數(shù)據(jù)清洗模塊獲取清洗后的目標數(shù)據(jù)；

channel層從數(shù)據(jù)清洗模塊獲取目標數(shù)據(jù)的獲取方式為異步傳輸，其底層傳輸方式包括但不限于TCP/UDP協(xié)議及其協(xié)議簇衍生方式。

步驟14、sink層從channel層獲取目標數(shù)據(jù)；

步驟15、sink層將目標數(shù)據(jù)發(fā)送至接收方。

由于channel層將原始數(shù)據(jù)發(fā)送至flume系統(tǒng)外的數(shù)據(jù)清洗模塊進行清洗，數(shù)據(jù)清洗模塊對數(shù)據(jù)進行清洗不會影響flume系統(tǒng)中source層的采集進度，并且可以減少對生產(chǎn)機器的損耗。

另外當存在多個flume系統(tǒng)將原始數(shù)據(jù)從channel層中輸送至數(shù)據(jù)清洗模塊進行數(shù)據(jù)清洗時，數(shù)據(jù)清洗模塊可以根據(jù)每個flume系統(tǒng)的負載不同，將清洗完的數(shù)據(jù)發(fā)送至負載較低的flume系統(tǒng)中，數(shù)據(jù)清洗模塊可以為flume系統(tǒng)提供負載均衡。

一種基于flume系統(tǒng)的數(shù)據(jù)處理裝置，如圖4所示，包括：

采集模塊，應(yīng)用于source層中，用于從數(shù)據(jù)源采集原始數(shù)據(jù)；

第一傳送模塊，應(yīng)用于source層，用于將采集到的原始數(shù)據(jù)發(fā)送至channel層；

輸出模塊，應(yīng)用于channel層，用于將原始數(shù)據(jù)發(fā)送至數(shù)據(jù)清洗模塊；

輸入模塊，應(yīng)用于channel層，用于從數(shù)據(jù)清洗模塊獲取清洗后的目標數(shù)據(jù)；

輸入模塊和輸出模塊不會破壞flume中的層級結(jié)構(gòu)，對flume的架構(gòu)無侵入；輸入模塊和輸出模塊可以跟隨flume的版本進行升級；輸入模塊和輸出模塊可以是但不限于以lib包的形式配置在flume系統(tǒng)的channel層中。

獲取模塊，應(yīng)用于sink層，用于從channel層獲取目標數(shù)據(jù)；

第二傳送模塊，應(yīng)用于sink層，用于將目標數(shù)據(jù)發(fā)送至接收方。

對本領(lǐng)域的技術(shù)人員來說，可根據(jù)以上描述的技術(shù)方案以及構(gòu)思，做出其它各種相應(yīng)的改變以及形變，而所有的這些改變以及形變都應(yīng)該屬于本發(fā)明權(quán)利要求的保護范圍之內(nèi)。