Flink实战之网站日志ETL案例【含代码】

问题导读

1.怎样对字段进行大区转换？
2.怎样拆分打平大JSON?
3.怎样把不同类型的日志数据分别进行存储？



应用场景：

• 数据清洗【实时ETL】
• 数据报表
  

1、数据清洗【实时ETL】



1.1、需求分析

针对算法产生的日志数据进行清洗拆分

• 算法产生的日志数据是嵌套大JSON格式（json嵌套json），需要拆分打平
• 针对算法中的国家字段进行大区转换
• 最后把不同类型的日志数据分别进行存储
  

1.2、数据清理 DataClean 结构



1.3、实践运行

1.3.1、Redis

启动redis：

先从一个终端启动redis服务

./redis-server
复制代码

先从一个终端启动redis客户端，并插入数据

./redis-cli
127.0.0.1:6379> hset areas   AREA_US   US
(integer) 1
127.0.0.1:6379> hset areas   AREA_CT   TW,HK
(integer) 1
127.0.0.1:6379> hset areas   AREA_AR   PK,SA,KW
(integer) 1
127.0.0.1:6379> hset areas   AREA_IN   IN
(integer) 1
127.0.0.1:6379>
复制代码

1.3.2、Kafka

启动kafka：

./kafka-server-start.sh -daemon ../config/server.properties
复制代码

kafka创建topc：

./kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 5 --topic allData
复制代码

监控kafka topic：

./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic allDataClean
复制代码

1.3.3、启动程序

先启动 DataClean 程序，再启动生产者程序，kafka生产者产生数据如下：



最后终端观察处理输出的数据：



只有部分数据正确处理输出的原因是：代码中没有设置并行度，默认是按机器CPU核数跑的，这里需要通过 broadcast() 进行广播

1.4、Flink yarn集群启动

向yarn提交任务：

./bin/flink run -m yarn-cluster -yn 2 -yjm 1024 -ytm 1024 -c henry.flink.DataClean /root/flinkCode/DataClean-1.0-SNAPSHOT-jar-with-dependencies.jar
复制代码

通过 yarn UI 查看任务，并进入Flink job：



启动kafka生产者：



监控topic消费情况：

./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic allDataClean
复制代码

最终终端输出结果， 同IDEA中运行结果：





链接: https://pan.baidu.com/s/1993ZK-xOKbhmhzLLLyi8Ww 提取码: pumu

最新经典文章，欢迎关注公众号

---------------------

作者：HenryBao91
来源：github
原文：FlinkProj 案例开发