常廣炎

摘要：Chukwa是Hadoop軟件家族成員的一員，是_個分布式系統(tǒng)，應用于大規(guī)模集群的數(shù)據(jù)收集上，構(gòu)建在Hadoop的HDFS和MapReduce框架之上。文章通過對數(shù)據(jù)日志的采集、存儲、分析和展示，為用戶提供全面、靈活、可視化的服務，彌補了MapReduce對大量日志文件處理能力不足的弱點。

關鍵詞：分布式系統(tǒng)；Hadoop；Chukwa；MapReduce

1.Chukwa的簡介

Hadoop的MapReduce最初用于日志處理，隨著集群日志不斷地增加，生成大量的小文件，而MapReduce具有處理少量大文件的優(yōu)勢。Chukwa彌補了這一缺陷，同時具有高可靠性。

Chukwa由Yahoo開發(fā)，是基于Hadoop的大集群分布式監(jiān)控系統(tǒng)，是Hadoop軟件家族成員之一，依賴于Hadoop的其他子項目，以HDFS為存儲層，MapReduce為計算模型，Pig作為其高層處理語言，是采用流水式處理方式和模塊化結(jié)構(gòu)的收集系統(tǒng)。Chukwa的系統(tǒng)開銷非常小，不到整個集群資源的5%。

2.Chukwa的架構(gòu)

Chukwa有3個主要組成部分：客戶端，運行在每個監(jiān)控機上，傳送源數(shù)據(jù)到收集器；收集器和分離解析器，收集器接收客戶端數(shù)據(jù)，將其寫到HDFS中，分離解析器進行數(shù)據(jù)分析，轉(zhuǎn)換成有用記錄；HICC是一個Web頁面，用于Chukwa內(nèi)容的展示。

2.1客戶端（Agent）

集群上的每一個結(jié)點，Chukwa使用一個Agent來采集它感興趣的數(shù)據(jù)，每一類數(shù)據(jù)通過一個Adaptor來實現(xiàn)，數(shù)據(jù)類型在相應配置中指定。啟動Adaptor可以通過UNIx命令完成，Adaptor能夠掃描目錄，追蹤創(chuàng)建文件，接收UDP消息，不斷追蹤日志，將日志更新到文件中。Agent的主要工作是負責Adaptor的開始和停止，并通過網(wǎng)絡傳輸數(shù)據(jù)。為了防止數(shù)據(jù)采集端Agent出現(xiàn)故障，Chukwa的Agent采用了watchdog機制，會自動重啟和終止數(shù)據(jù)采集進程，防止原始數(shù)據(jù)的丟失。

2.2收集器（Collector）和分離解析器（Demux）

Agent收集到的數(shù)據(jù)是存儲到Had00p集群上的HDFS上，Hadoop集群處理少量大文件具有明顯優(yōu)勢，而對大量小文件是其弱點，針對這一點Chukwa設計了Collector這個角色，用于把數(shù)據(jù)先進行合并成大文件，再寫入集群。Demux負責抽取數(shù)據(jù)記錄并解析，使之成為可以利用的記錄，以減少文件數(shù)目和降低分析難度。一般采用把非結(jié)構(gòu)化的數(shù)據(jù)進行結(jié)構(gòu)化處理，抽取其中的數(shù)據(jù)屬性，Demux是MapReduce的一個作業(yè)，可以根據(jù)需求定制Demux作業(yè)，進行各種復雜的邏輯分析。

2.3HICC

HICC是Demux數(shù)據(jù)展示端的名字，其功能是可視化系統(tǒng)性能指標。HICC能夠顯示傳統(tǒng)的度量數(shù)據(jù)，以及應用層的統(tǒng)計數(shù)據(jù)，其可視化功能可以清楚看到群集中的作業(yè)是否在被均勻傳播，同時支持集群性能的調(diào)試和Hadoop作業(yè)執(zhí)行的可視化。

3.Chukwa流水式數(shù)據(jù)處理結(jié)構(gòu)

流水式模式就是利用分布在各個結(jié)點客戶端的采集器收集監(jiān)控信息，然后以塊的形式通過HTTP POST匯集到收集器，處理后轉(zhuǎn)存到HDFS中。后由分離器利用MapReduce將這些數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化記錄，存入數(shù)據(jù)庫，HICC調(diào)用數(shù)據(jù)庫數(shù)據(jù)，展示給用戶。其數(shù)據(jù)處理流程如圖1所示。

4.Chukwa在數(shù)據(jù)收集處理方面的運用

4.1數(shù)據(jù)生成

Chukwa提供了日志文件、Socket、命令行等數(shù)據(jù)生成結(jié)口，方便腳本的執(zhí)行，直接讀取腳本執(zhí)行結(jié)果的操作如下：

Chukwa首先加載Initial Adaptors的配置文件，它指定了不同適配器對應的收集日志的內(nèi)容。以execAdaptoe腳本為例，配置文件內(nèi)容如下：

add org.apache.hadoop.chukwa.datacollection.adaptor.ExecAdaptor DT 3600

$CHUUKWA-HOME/bin/hdfs-new.sh 0

其中：3 600腳本執(zhí)行間隔，單位為秒。

4.2數(shù)據(jù)收集

收集器部署時，將所有適配器機器端口存放在代理的conf/collectors中，配置收集器的chukwa-collector-conf.xml文件內(nèi)容如下：