flume学习（六）：使用hive来分析flume收集的日志数据

前面已经讲过如何将log4j的日志输出到指定的hdfs目录，我们前面的指定目录为/flume/events。

如果想用hive来分析采集来的日志，我们可以将/flume/events下面的日志数据都load到hive中的表当中去。

如果了解hive的load data原理的话，还有一种更简便的方式，可以省去load data这一步，就是直接将sink1.hdfs.path指定为hive表的目录。

下面我将详细描述具体的操作步骤。

我们还是从需求驱动来讲解，前面我们采集的数据，都是接口的访问日志数据，数据格式是JSON格式如下：

{“requestTime”:1405651379758,”requestParams”:{“timestamp”:1405651377211,”phone”:”02038824941″,”cardName”:”测试商家名称”,”provinceCode”:”440000″,”cityCode”:”440106″},”requestUrl”:”/reporter-api/reporter/reporter12/init.do”}

现在有一个需求，我们要统计接口的总调用量。

我第一想法就是，hive中建一张表：test             然后将hdfs.path指定为tier1.sinks.sink1.hdfs.path=hdfs://master68:8020/user/hive/warehouse/besttone.db/test

然后select  count(*) from test;   完事。

这个方案简单，粗暴，先这么干着。于是会遇到一个问题，我的日志数据时JSON格式的，需要hive来序列化和反序列化JSON格式的数据到test表的具体字段当中去。

这有点糟糕，因为hive本身没有提供JSON的SERDE,但是有提供函数来解析JSON字符串，

第一个是（UDF）:

get_json_object(string json_string,string path) 从给定路径上的JSON字符串中抽取出JSON对象，并返回这个对象的JSON字符串形式，如果输入的JSON字符串是非法的，则返回NULL。

第二个是表生成函数（UDTF）：json_tuple(string jsonstr,p1,p2,…,pn) 本函数可以接受多个标签名称，对输入的JSON字符串进行处理，这个和get_json_object这个UDF类似，不过更高效，其通过一次调用就可以获得多个键值，例：select b.* from test_json a lateral view json_tuple(a.id,’id’,’name’) b as f1,f2;通过lateral view行转列。

最理想的方式就是能有一种JSON SERDE，只要我们LOAD完数据，就直接可以select * from test,而不是select get_json_object这种方式来获取，N个字段就要解析N次，效率太低了。

好在cloudrea wiki里提供了一个json serde类（这个类没有在发行的hive的jar包中），于是我把它搬来了，如下：

[java] view plaincopy

1. package com.besttone.hive.serde;  
2.   
3. import java.util.ArrayList;  
4. import java.util.Arrays;  
5. import java.util.HashMap;  
6. import java.util.List;  
7. import java.util.Map;  
8. import java.util.Properties;  
9.   
10. import org.apache.hadoop.conf.Configuration;  
11. import org.apache.hadoop.hive.serde.serdeConstants;  
12. import org.apache.hadoop.hive.serde2.SerDe;  
13. import org.apache.hadoop.hive.serde2.SerDeException;  
14. import org.apache.hadoop.hive.serde2.SerDeStats;  
15. import org.apache.hadoop.hive.serde2.objectinspector.ListObjectInspector;  
16. import org.apache.hadoop.hive.serde2.objectinspector.MapObjectInspector;  
17. import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;  
18. import org.apache.hadoop.hive.serde2.objectinspector.PrimitiveObjectInspector;  
19. import org.apache.hadoop.hive.serde2.objectinspector.StructField;  
20. import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;  
21. import org.apache.hadoop.hive.serde2.typeinfo.ListTypeInfo;  
22. import org.apache.hadoop.hive.serde2.typeinfo.MapTypeInfo;  
23. import org.apache.hadoop.hive.serde2.typeinfo.StructTypeInfo;  
24. import org.apache.hadoop.hive.serde2.typeinfo.TypeInfo;  
25. import org.apache.hadoop.hive.serde2.typeinfo.TypeInfoFactory;  
26. import org.apache.hadoop.hive.serde2.typeinfo.TypeInfoUtils;  
27. import org.apache.hadoop.io.Text;  
28. import org.apache.hadoop.io.Writable;  
29. import org.codehaus.jackson.map.ObjectMapper;  
30.   
31. /** 
32.  * This SerDe can be used for processing JSON data in Hive. It supports 
33.  * arbitrary JSON data, and can handle all Hive types except for UNION. However, 
34.  * the JSON data is expected to be a series of discrete records, rather than a 
35.  * JSON array of objects. 
36.  *  
37.  * The Hive table is expected to contain columns with names corresponding to 
38.  * fields in the JSON data, but it is not necessary for every JSON field to have 
39.  * a corresponding Hive column. Those JSON fields will be ignored during 
40.  * queries. 
41.  *  
42.  * Example: 
43.  *  
44.  * { “a”: 1, “b”: [ "str1", "str2" ], “c”: { “field1″: “val1″ } } 
45.  *  
46.  * Could correspond to a table: 
47.  *  
48.  * CREATE TABLE foo (a INT, b ARRAY<STRING>, c STRUCT<field1:STRING>); 
49.  *  
50.  * JSON objects can also interpreted as a Hive MAP type, so long as the keys and 
51.  * values in the JSON object are all of the appropriate types. For example, in 
52.  * the JSON above, another valid table declaraction would be: 
53.  *  
54.  * CREATE TABLE foo (a INT, b ARRAY<STRING>, c MAP<STRING,STRING>); 
55.  *  
56.  * Only STRING keys are supported for Hive MAPs. 
57.  */  
58. public class JSONSerDe implements SerDe {  
59.   
60.     private StructTypeInfo rowTypeInfo;  
61.     private ObjectInspector rowOI;  
62.     private List<String> colNames;  
63.     private List<Object> row = new ArrayList<Object>();  
64.   
65.     //遇到非JSON格式输入的时候的处理。  
66.     private boolean ignoreInvalidInput;  
67.   
68.     /** 
69.      * An initialization function used to gather information about the table. 
70.      * Typically, a SerDe implementation will be interested in the list of 
71.      * column names and their types. That information will be used to help 
72.      * perform actual serialization and deserialization of data. 
73.      */  
74.     @Override  
75.     public void initialize(Configuration conf, Properties tbl)  
76.             throws SerDeException {  
77.         // 遇到无法转换成JSON对象的字符串时，是否忽略，默认不忽略，抛出异常，设置为true将跳过异常。  
78.         ignoreInvalidInput = Boolean.valueOf(tbl.getProperty(  
79.                 “input.invalid.ignore”, “false”));  
80.   
81.         // Get a list of the table’s column names.  
82.   
83.         String colNamesStr = tbl.getProperty(serdeConstants.LIST_COLUMNS);  
84.         colNames = Arrays.asList(colNamesStr.split(“,”));  
85.   
86.         // Get a list of TypeInfos for the columns. This list lines up with  
87.         // the list of column names.  
88.         String colTypesStr = tbl.getProperty(serdeConstants.LIST_COLUMN_TYPES);  
89.         List<TypeInfo> colTypes = TypeInfoUtils  
90.                 .getTypeInfosFromTypeString(colTypesStr);  
91.   
92.         rowTypeInfo = (StructTypeInfo) TypeInfoFactory.getStructTypeInfo(  
93.                 colNames, colTypes);  
94.         rowOI = TypeInfoUtils  
95.                 .getStandardJavaObjectInspectorFromTypeInfo(rowTypeInfo);  
96.     }  
97.   
98.     /** 
99.      * This method does the work of deserializing a record into Java objects 
100.      * that Hive can work with via the ObjectInspector interface. For this 
101.      * SerDe, the blob that is passed in is a JSON string, and the Jackson JSON 
102.      * parser is being used to translate the string into Java objects. 
103.      *  
104.      * The JSON deserialization works by taking the column names in the Hive 
105.      * table, and looking up those fields in the parsed JSON object. If the 
106.      * value of the field is not a primitive, the object is parsed further. 
107.      */  
108.     @Override  
109.     public Object deserialize(Writable blob) throws SerDeException {  
110.         Map<?, ?> root = null;  
111.         row.clear();  
112.         try {  
113.             ObjectMapper mapper = new ObjectMapper();  
114.             // This is really a Map<String, Object>. For more information about  
115.             // how  
116.             // Jackson parses JSON in this example, see  
117.             // http://wiki.fasterxml.com/JacksonDataBinding  
118.             root = mapper.readValue(blob.toString(), Map.class);  
119.         } catch (Exception e) {  
120.             // 如果为true,不抛出异常，忽略该行数据  
121.             if (!ignoreInvalidInput)  
122.                 throw new SerDeException(e);  
123.             else {  
124.                 return null;  
125.             }  
126.               
127.         }  
128.   
129.         // Lowercase the keys as expected by hive  
130.         Map<String, Object> lowerRoot = new HashMap();  
131.         for (Map.Entry entry : root.entrySet()) {  
132.             lowerRoot.put(((String) entry.getKey()).toLowerCase(),  
133.                     entry.getValue());  
134.         }  
135.         root = lowerRoot;  
136.   
137.         Object value = null;  
138.         for (String fieldName : rowTypeInfo.getAllStructFieldNames()) {  
139.             try {  
140.                 TypeInfo fieldTypeInfo = rowTypeInfo  
141.                         .getStructFieldTypeInfo(fieldName);  
142.                 value = parseField(root.get(fieldName), fieldTypeInfo);  
143.             } catch (Exception e) {  
144.                 value = null;  
145.             }  
146.             row.add(value);  
147.         }  
148.         return row;  
149.     }  
150.   
151.     /** 
152.      * Parses a JSON object according to the Hive column’s type. 
153.      *  
154.      * @param field 
155.      *            – The JSON object to parse 
156.      * @param fieldTypeInfo 
157.      *            – Metadata about the Hive column 
158.      * @return – The parsed value of the field 
159.      */  
160.     private Object parseField(Object field, TypeInfo fieldTypeInfo) {  
161.         switch (fieldTypeInfo.getCategory()) {  
162.         case PRIMITIVE:  
163.             // Jackson will return the right thing in this case, so just return  
164.             // the object  
165.             if (field instanceof String) {  
166.                 field = field.toString().replaceAll(“\n”, “\\\\n”);  
167.             }  
168.             return field;  
169.         case LIST:  
170.             return parseList(field, (ListTypeInfo) fieldTypeInfo);  
171.         case MAP:  
172.             return parseMap(field, (MapTypeInfo) fieldTypeInfo);  
173.         case STRUCT:  
174.             return parseStruct(field, (StructTypeInfo) fieldTypeInfo);  
175.         case UNION:  
176.             // Unsupported by JSON  
177.         default:  
178.             return null;  
179.         }  
180.     }  
181.   
182.     /** 
183.      * Parses a JSON object and its fields. The Hive metadata is used to 
184.      * determine how to parse the object fields. 
185.      *  
186.      * @param field 
187.      *            – The JSON object to parse 
188.      * @param fieldTypeInfo 
189.      *            – Metadata about the Hive column 
190.      * @return – A map representing the object and its fields 
191.      */  
192.     private Object parseStruct(Object field, StructTypeInfo fieldTypeInfo) {  
193.         Map<Object, Object> map = (Map<Object, Object>) field;  
194.         ArrayList<TypeInfo> structTypes = fieldTypeInfo  
195.                 .getAllStructFieldTypeInfos();  
196.         ArrayList<String> structNames = fieldTypeInfo.getAllStructFieldNames();  
197.   
198.         List<Object> structRow = new ArrayList<Object>(structTypes.size());  
199.         for (int i = 0; i < structNames.size(); i++) {  
200.             structRow.add(parseField(map.get(structNames.get(i)),  
201.                     structTypes.get(i)));  
202.         }  
203.         return structRow;  
204.     }  
205.   
206.     /** 
207.      * Parse a JSON list and its elements. This uses the Hive metadata for the 
208.      * list elements to determine how to parse the elements. 
209.      *  
210.      * @param field 
211.      *            – The JSON list to parse 
212.      * @param fieldTypeInfo 
213.      *            – Metadata about the Hive column 
214.      * @return – A list of the parsed elements 
215.      */  
216.     private Object parseList(Object field, ListTypeInfo fieldTypeInfo) {  
217.         ArrayList<Object> list = (ArrayList<Object>) field;  
218.         TypeInfo elemTypeInfo = fieldTypeInfo.getListElementTypeInfo();  
219.   
220.         for (int i = 0; i < list.size(); i++) {  
221.             list.set(i, parseField(list.get(i), elemTypeInfo));  
222.         }  
223.   
224.         return list.toArray();  
225.     }  
226.   
227.     /** 
228.      * Parse a JSON object as a map. This uses the Hive metadata for the map 
229.      * values to determine how to parse the values. The map is assumed to have a 
230.      * string for a key. 
231.      *  
232.      * @param field 
233.      *            – The JSON list to parse 
234.      * @param fieldTypeInfo 
235.      *            – Metadata about the Hive column 
236.      * @return 
237.      */  
238.     private Object parseMap(Object field, MapTypeInfo fieldTypeInfo) {  
239.         Map<Object, Object> map = (Map<Object, Object>) field;  
240.         TypeInfo valueTypeInfo = fieldTypeInfo.getMapValueTypeInfo();  
241.   
242.         for (Map.Entry<Object, Object> entry : map.entrySet()) {  
243.             map.put(entry.getKey(), parseField(entry.getValue(), valueTypeInfo));  
244.         }  
245.         return map;  
246.     }  
247.   
248.     /** 
249.      * Return an ObjectInspector for the row of data 
250.      */  
251.     @Override  
252.     public ObjectInspector getObjectInspector() throws SerDeException {  
253.         return rowOI;  
254.     }  
255.   
256.     /** 
257.      * Unimplemented 
258.      */  
259.     @Override  
260.     public SerDeStats getSerDeStats() {  
261.         return null;  
262.     }  
263.   
264.     /** 
265.      * JSON is just a textual representation, so our serialized class is just 
266.      * Text. 
267.      */  
268.     @Override  
269.     public Class<? extends Writable> getSerializedClass() {  
270.         return Text.class;  
271.     }  
272.   
273.     /** 
274.      * This method takes an object representing a row of data from Hive, and 
275.      * uses the ObjectInspector to get the data for each column and serialize 
276.      * it. This implementation deparses the row into an object that Jackson can 
277.      * easily serialize into a JSON blob. 
278.      */  
279.     @Override  
280.     public Writable serialize(Object obj, ObjectInspector oi)  
281.             throws SerDeException {  
282.         Object deparsedObj = deparseRow(obj, oi);  
283.         ObjectMapper mapper = new ObjectMapper();  
284.         try {  
285.             // Let Jackson do the work of serializing the object  
286.             return new Text(mapper.writeValueAsString(deparsedObj));  
287.         } catch (Exception e) {  
288.             throw new SerDeException(e);  
289.         }  
290.     }  
291.   
292.     /** 
293.      * Deparse a Hive object into a Jackson-serializable object. This uses the 
294.      * ObjectInspector to extract the column data. 
295.      *  
296.      * @param obj 
297.      *            – Hive object to deparse 
298.      * @param oi 
299.      *            – ObjectInspector for the object 
300.      * @return – A deparsed object 
301.      */  
302.     private Object deparseObject(Object obj, ObjectInspector oi) {  
303.         switch (oi.getCategory()) {  
304.         case LIST:  
305.             return deparseList(obj, (ListObjectInspector) oi);  
306.         case MAP:  
307.             return deparseMap(obj, (MapObjectInspector) oi);  
308.         case PRIMITIVE:  
309.             return deparsePrimitive(obj, (PrimitiveObjectInspector) oi);  
310.         case STRUCT:  
311.             return deparseStruct(obj, (StructObjectInspector) oi, false);  
312.         case UNION:  
313.             // Unsupported by JSON  
314.         default:  
315.             return null;  
316.         }  
317.     }  
318.   
319.     /** 
320.      * Deparses a row of data. We have to treat this one differently from other 
321.      * structs, because the field names for the root object do not match the 
322.      * column names for the Hive table. 
323.      *  
324.      * @param obj 
325.      *            – Object representing the top-level row 
326.      * @param structOI 
327.      *            – ObjectInspector for the row 
328.      * @return – A deparsed row of data 
329.      */  
330.     private Object deparseRow(Object obj, ObjectInspector structOI) {  
331.         return deparseStruct(obj, (StructObjectInspector) structOI, true);  
332.     }  
333.   
334.     /** 
335.      * Deparses struct data into a serializable JSON object. 
336.      *  
337.      * @param obj 
338.      *            – Hive struct data 
339.      * @param structOI 
340.      *            – ObjectInspector for the struct 
341.      * @param isRow 
342.      *            – Whether or not this struct represents a top-level row 
343.      * @return – A deparsed struct 
344.      */  
345.     private Object deparseStruct(Object obj, StructObjectInspector structOI,  
346.             boolean isRow) {  
347.         Map<Object, Object> struct = new HashMap<Object, Object>();  
348.         List<? extends StructField> fields = structOI.getAllStructFieldRefs();  
349.         for (int i = 0; i < fields.size(); i++) {  
350.             StructField field = fields.get(i);  
351.             // The top-level row object is treated slightly differently from  
352.             // other  
353.             // structs, because the field names for the row do not correctly  
354.             // reflect  
355.             // the Hive column names. For lower-level structs, we can get the  
356.             // field  
357.             // name from the associated StructField object.  
358.             String fieldName = isRow ? colNames.get(i) : field.getFieldName();  
359.             ObjectInspector fieldOI = field.getFieldObjectInspector();  
360.             Object fieldObj = structOI.getStructFieldData(obj, field);  
361.             struct.put(fieldName, deparseObject(fieldObj, fieldOI));  
362.         }  
363.         return struct;  
364.     }  
365.   
366.     /** 
367.      * Deparses a primitive type. 
368.      *  
369.      * @param obj 
370.      *            – Hive object to deparse 
371.      * @param oi 
372.      *            – ObjectInspector for the object 
373.      * @return – A deparsed object 
374.      */  
375.     private Object deparsePrimitive(Object obj, PrimitiveObjectInspector primOI) {  
376.         return primOI.getPrimitiveJavaObject(obj);  
377.     }  
378.   
379.     private Object deparseMap(Object obj, MapObjectInspector mapOI) {  
380.         Map<Object, Object> map = new HashMap<Object, Object>();  
381.         ObjectInspector mapValOI = mapOI.getMapValueObjectInspector();  
382.         Map<?, ?> fields = mapOI.getMap(obj);  
383.         for (Map.Entry<?, ?> field : fields.entrySet()) {  
384.             Object fieldName = field.getKey();  
385.             Object fieldObj = field.getValue();  
386.             map.put(fieldName, deparseObject(fieldObj, mapValOI));  
387.         }  
388.         return map;  
389.     }  
390.   
391.     /** 
392.      * Deparses a list and its elements. 
393.      *  
394.      * @param obj 
395.      *            – Hive object to deparse 
396.      * @param oi 
397.      *            – ObjectInspector for the object 
398.      * @return – A deparsed object 
399.      */  
400.     private Object deparseList(Object obj, ListObjectInspector listOI) {  
401.         List<Object> list = new ArrayList<Object>();  
402.         List<?> field = listOI.getList(obj);  
403.         ObjectInspector elemOI = listOI.getListElementObjectInspector();  
404.         for (Object elem : field) {  
405.             list.add(deparseObject(elem, elemOI));  
406.         }  
407.         return list;  
408.     }  
409. }  

我稍微修改了一点东西，多加了一个参数input.invalid.ignore,对应的变量为：

//遇到非JSON格式输入的时候的处理。
private boolean ignoreInvalidInput;

在deserialize方法中原来是如果传入的是非JSON格式字符串的话，直接抛出了SerDeException，我加了一个参数来控制它是否抛出异常，在initialize方法中初始化这个变量（默认为false）：

// 遇到无法转换成JSON对象的字符串时，是否忽略，默认不忽略，抛出异常，设置为true将跳过异常。
ignoreInvalidInput = Boolean.valueOf(tbl.getProperty(
“input.invalid.ignore”, “false”));

好的，现在将这个类打成JAR包： JSONSerDe.jar，放在hive_home的auxlib目录下（我的是/etc/hive/auxlib），然后修改hive-env.sh，添加HIVE_AUX_JARS_PATH=/etc/hive/auxlib/JSONSerDe.jar，这样每次运行hive客户端的时候都会将这个jar包添加到classpath，否则在设置SERDE的时候会报找不到类。

现在我们在HIVE中创建一张表用来存放日志数据：

[plain] view plaincopy

1. create table test(  
2. requestTime BIGINT,  
3. requestParams STRUCT<timestamp:BIGINT,phone:STRING,cardName:STRING,provinceCode:STRING,cityCode:STRING>,    
4. requestUrl STRING)  
5.  row format serde “com.besttone.hive.serde.JSONSerDe”   
6.  WITH SERDEPROPERTIES(  
7.  “input.invalid.ignore”=”true”,  
8.  “requestTime”=”$.requestTime”,  
9.  “requestParams.timestamp”=”$.requestParams.timestamp”,  
10.  “requestParams.phone”=”$.requestParams.phone”,  
11.  “requestParams.cardName”=”$.requestParams.cardName”,  
12.  “requestParams.provinceCode”=”$.requestParams.provinceCode”,  
13.  “requestParams.cityCode”=”$.requestParams.cityCode”,  
14.  “requestUrl”=”$.requestUrl”);  

这个表结构就是按照日志格式设计的，还记得前面说过的日志数据如下：

{“requestTime”:1405651379758,”requestParams”:{“timestamp”:1405651377211,”phone”:”02038824941″,”cardName”:”测试商家名称”,”provinceCode”:”440000″,”cityCode”:”440106″},”requestUrl”:”/reporter-api/reporter/reporter12/init.do”}

我使用了一个STRUCT类型来保存requestParams的值，row format我们用的是自定义的json serde:com.besttone.hive.serde.JSONSerDe，SERDEPROPERTIES中，除了设置JSON对象的映射关系外，我还设置了一个自定义的参数：”input.invalid.ignore”=”true”，忽略掉所有非JSON格式的输入行。这里不是真正意义的忽略，只是非法行的每个输出字段都为NULL了，要在结果集上忽略，必须这样写：select * from test where requestUrl is not null;

OK表建好了，现在就差数据了，我们启动flumedemo的WriteLog,往hive表test目录下面输出一些日志数据，然后在进入hive客户端，select * from test;所以字段都正确的解析，大功告成。

flume.conf如下：

[plain] view plaincopy

1. tier1.sources=source1  
2. tier1.channels=channel1  
3. tier1.sinks=sink1  
4.   
5. tier1.sources.source1.type=avro  
6. tier1.sources.source1.bind=0.0.0.0  
7. tier1.sources.source1.port=44444  
8. tier1.sources.source1.channels=channel1  
9.   
10. tier1.sources.source1.interceptors=i1 i2  
11. tier1.sources.source1.interceptors.i1.type=regex_filter  
12. tier1.sources.source1.interceptors.i1.regex=\\{.*\\}  
13. tier1.sources.source1.interceptors.i2.type=timestamp  
14.   
15. tier1.channels.channel1.type=memory  
16. tier1.channels.channel1.capacity=10000  
17. tier1.channels.channel1.transactionCapacity=1000  
18. tier1.channels.channel1.keep-alive=30  
19.   
20. tier1.sinks.sink1.type=hdfs  
21. tier1.sinks.sink1.channel=channel1  
22. tier1.sinks.sink1.hdfs.path=hdfs://master68:8020/user/hive/warehouse/besttone.db/test  
23. tier1.sinks.sink1.hdfs.fileType=DataStream  
24. tier1.sinks.sink1.hdfs.writeFormat=Text  
25. tier1.sinks.sink1.hdfs.rollInterval=0  
26. tier1.sinks.sink1.hdfs.rollSize=10240  
27. tier1.sinks.sink1.hdfs.rollCount=0  
28. tier1.sinks.sink1.hdfs.idleTimeout=60  

besttone.db是我在hive中创建的数据库，了解hive的应该理解没多大问题。

OK，到这篇文章为止，整个从LOG4J生产日志，到flume收集日志，再到用hive离线分析日志，一整套流水线都讲解完了。