通过Fluentd实时上传数据到DataHub实践

本文把我通过Flunetd，把数据上传到DataHub的配置过程记录下来，希望对大家在配置中能有帮助。

本文把我通过Fluentd，把数据上传到DataHub的配置过程记录下来，希望对大家在配置中能有帮助。

本文使用一台CentOS 6.8的ECS来做测试的，机器上已经有yum。用户测试的时候，需要有一台能连接上公网的Linux机器。

安装依赖包

`yum -y install gcc gcc-c++ openssl* readline* ncurses* zlib* libxml* libjpeg* libpng* libxslt* libtool* `

下载并安装包

wget http://aliyun-datahub.oss-cn-hangzhou.aliyuncs.com/tools/fluentd-with-datahub-0.12.23.tar.gz file=fluentd-with-datahub-0.12.23.tar.gz

tar -xzvf fluentd-with-datahub-0.12.23.tar.gz

cd fluentd-with-datahub

这个wget的下载地址，是从文档里拿到的最新的安装包。以后版本可能会更新，用户也可以直接从文档上拿最新的安装包。

安装

目前安装包里只包含了ruby和插件的安装，没有提供fluentd的安装部分的脚本，这里可以做修改

vi install.sh

##修改里面的gem install --local fluent-plugin-datahub-0.0.1.gem，改成

gem install --local string-scrub-0.0.5.gem

gem install --local thread_safe-0.3.5.gem

gem install --local tzinfo-1.2.2.gem

gem install --local tzinfo-data-1.2016.4.gem

gem install --local sigdump-0.2.4.gem

gem install --local http_parser.rb-0.6.0.gem

gem install --local cool.io-1.2.3.gem 

gem install --local yajl-ruby-1.2.1.gem

gem install --local msgpack-0.5.12.gem

gem install --local fluentd-0.12.23.gem

gem install --local fluent-plugin-datahub-0.0.2.gem

##注意以上版本号都是一键安装包里已经有的，以后如果版本更新，这里的版本号也从dependency_gem里看看当时提供的版本是多少

##wq保存退出

sudo sh install.sh

最终结果是

DataHub配置

在DataHub的控制台里创建一个Project，然后创建一个Topic(Topic对应到数据库是一个表的概念)

因为只是测试，我这里就3个字段。

我们在ECS上，用touch /tmp/test.log生成一个文件。我们通过fluentd监控这个文件的变化，并把变化的内容解析后传到datahub里。

配置Fluentd

这里，我们的datahub配置文件fluentd.conf的内容为

 source 

 @type tail

 path /tmp/test.log

 tag test

 format /(? request_time \d\d\d\d-\d\d-\d\d \d\d:\d\d:\d\d)\s\[(? level .+)\]\s(? content .+)/

 /source 

 match test 

 @type datahub

 access_id your_access_id

 access_key your_access_key

 endpoint http://dh-cn-hangzhou.aliyuncs.com

 project_name your_project_name

 topic_name fluentd

 column_names ["request_time", "level", "content"]

 /match 

这里我把我的project_name和access id/key信息给隐藏了。endpoint 的地址看这里，我纯测试，就用了公网地址。
配置文件生成好了后，使用bin/fluentd -c fluentd.conf启动fluentd

我们通过date "+%Y-%m-%d %H:%M:%S [Info] login success" /tmp/test.log往/tmp/test.log里写日志，然后在fluentd 上，我们可以看到日志为：

来到datahub上可以看到新写进去的日志：

至此大功告成，/tmp/test.log上的新增数据会被实时推送到DataHub里了。

日志数据投递到MaxCompute最佳实践 日志服务采集到日志后，有时需要将日志投递至MaxCompute的表中进行存储与分析。本文主要向用户介绍将数据投递到MaxCompute完整流程，方便用户快速实现数据投递至MaxCompute。
Kafka数据入湖OSS实践 本质上，Kafka提供的是消息队列的能力，为消息从生产者流向消费中提供稳定、高效、可靠的渠道。但Kafka本身并不提供海量数据存储的能力，这意味着重读kafka中历史数据将不可能。同时，Kafka没有提供开箱即用的数据处理工具（尽管你可以采用kafka streams或者flink等，但这需要你自己写代码逻辑），使得对原始数据进行加工处理成本较高。我们知道，阿里云OSS提供了灵活、海量、高性价比的
阿里云Dataworks离线数据同步写入Kafka 之前介绍过Dataworks实时数据同步(Kafka - maxcompute)，这里介绍如何使用离线同步的方法，将maxcompute数据同步到阿里云Kafka Topic。
SLS 数据加工 vs 自建 Logstash 阿里云 SLS 是云上一站式大数据处理、分析平台。SLS 数据加工功能则是一个可托管、高可用、可扩展的数据处理服务，广泛适用于数据的规整、富化、分发、汇总、重建索引等场景。
基于LogStash插件采集数据到阿里云Datahub DataHub服务基于阿里云自研的飞天平台，具有高可用，低延迟，高可扩展，高吞吐的特点，原生支持对接阿里云的多项服务，相关功能特点与Kafka类似。本身主要介绍如何使用LogStash采集数据写入Datahub。
MaxCompute（原ODPS）是一项面向分析的大数据计算服务，它以Serverless架构提供快速、全托管的在线数据仓库服务，消除传统数据平台在资源扩展性和弹性方面的限制，最小化用户运维投入，使您经济并高效的分析处理海量数据。