《大数据》配套之二：第2章 数据采集与预处理.pptxVIP

全国高校标准教材《云计算》姊妹篇，剖析大数据核心技术和实战应用 大数据 刘鹏　　主编　　　　张燕　张重生　张志立　 副主编 BIG DATA 刘 鹏 全国高校标准教材《云计算》姊妹篇，剖析大数据核心技术和实战应用 大数据采集架构 of 42 3 2.1大数据采集架构 第二章 数据采集与预处理 如今，社会中各个机构、部门、公司、团体等正在实时不断地产生大量的信息，这些信息需要以简单的方式进行处理，同时又要十分准确且能迅速满足各种类型的数据（信息）需求者。这给我们带来了许多挑战，第一个挑战就是在大量的数据中收集需要的数据，下面介绍常用的大数据采集工具。 of 42 4 2.1.1概述 2.1大数据采集架构 第二章 数据采集与预处理 of 42 5 2.1.2 常用大数据采集工具 数据采集最传统的方式是企业自己的生产系统产生的数据，除上述生产系统中的数据外，企业的信息系统还充斥着大量的用户行为数据、日志式的活动数据、事件信息等，越来越多的企业通过架设日志采集系统来保存这些数据，希望通过这些数据获取其商业或社会价值。 2.1大数据采集架构 第二章 数据采集与预处理 of 42 6 在Flume中，外部输入称为Source（源），系统输出称为Sink（接收端）。Channel（通道）把Source和Sink链接在一起。 Apache Chukwa项目与Flume有些相类似，Chukwa继承了Hadoop的伸缩性和鲁棒性。也内置一个功能强大的工具箱，用于显示系统监控和分析结果。 互联网时代，网络爬虫也是许多企业获取数据的一种方式。Nutch就是网络爬虫中的娇娇者，Nutch是Apache旗下的开源项目，存在已经超过10年，拥有大量的忠实用户。 Flume体系架构 2.1大数据采集架构 第二章 数据采集与预处理 of 42 7 2.1.3 Apache Kafka数据采集 Apache Kafka被设计成能够高效地处理大量实时数据，其特点是快速的、可扩展的、分布式的，分区的和可复制的。Kafka是用Scala语言编写的，虽然置身于Java阵营，但其并不遵循JMS规范。 Topics（话题）：消息的分类名。 Producers（消息发布者）：能够发布消息到Topics的进程。 Consumers（消息接收者）：可以从Topics接收消息的进程。 Broker（代理）：组成Kafka集群的单个节点。 基本Kafka集群的工作流程 2.1大数据采集架构 第二章 数据采集与预处理 of 42 8 1、Topics Topics是消息的分类名（或Feed的名称）。Kafka集群或Broker为每一个Topic都会维护一个分区日志。每一个分区日志是有序的消息序列，消息是连续追加到分区日志上，并且这些消息是不可更改的。 2、日志区分 一个Topic可以有多个分区，这些分区可以作为并行处理的单元，从而使Kafka有能力高效地处理大量数据。 Topics与日志分析 2.1大数据采集架构 第二章 数据采集与预处理 of 42 9 3、Producers Producers是向它们选择的主题发布数据。生产者可以选择分配某个主题到哪个分区上。这可以通过使用循环的方式或通过任何其他的语义分函数来实现。 4、Consumers Kafka提供一种单独的消费者抽象，此抽象具有两种模式的特征消费组：Queuing 和Publish-Subscribe。 5、Apache Kafka的安装及使用 因为Kafka是处理网络上请求，所以，应该为其创建一个专用的用户，这将便于对Kafka相关服务的管理，减少对服务器上其他服务的影响。 2.1大数据采集架构 第二章 数据采集与预处理 of 42 10 使用useradd命令来创建一个Kafka用户：  $sudo useradd kafka –m 使用passwd 命令来设置其密码： $sudo passwd kafaka 接下来把kafaka用户添加到sudo管理组，以便kafaka用户具有安装Apache Kafka依赖库的权限。这里使用adduser命令来进行添加： $sudo adduser kafka sudo 这时就可以使用kafka账户了。 切换用户可以使用su命令： $su - kafka 在Apache Kafka安装所依赖的软件包前，最好更新一下apt管理程序的软件列表： $sudo apt-get update Apache Kafka需要Java运行环境，这里使用apt-get命令安装default-jre包，然后安装Java运行环境： $sudo apt-get install default-jre 通过下面的命令测试一下Java运行环境是否安装成功，并查看Java的版本信息： $java -v