我是 Apache Flume 的新手，我很难理解它的确切工作原理。为了说明我的问题，所以我说明了我的需求和我做了什么。
我想在 csv 文件目录(这些文件每 5 分钟构建一次)和 HDFS 集群之间配置一个流。
我确定“假脱机目录”源和 HDFS 接收器是我需要的。那就是给我这个 flume.conf 文件
agent.sources = seqGenSrc
agent.channels = memoryChannel
agent.sinks = hdfsSink
# For each one of the sources, the type is defined
agent.sources.seqGenSrc.type = spooldir
agent.sources.seqGenSrc.spoolDir = /home/user/data
# The channel can be defined as follows.
agent.sources.seqGenSrc.channels = memoryChannel
# Each sink's type must be defined
agent.sinks.hdfsSink.type = hdfs
agent.sinks.hdfsSink.hdfs.path = hdfs://localhost/Flume/data
agent.sinks.hdfsSink.hdfs.fileType = DataStream
agent.sinks.hdfsSink.hdfs.writeFormat=Text
#Specify the channel the sink should use
agent.sinks.hdfsSink.channel = memoryChannel
# Each channel's type is defined.
agent.channels.memoryChannel.type = memory
# Other config values specific to each type of channel(sink or source)
# can be defined as well
# In this case, it specifies the capacity of the memory channel
agent.channels.memoryChannel.capacity = 100
结果是输入文件在我的本地文件系统上被重命名为“.complete”，数据被上传到 HDFS 上，新名称我猜是唯一的，由 Flume 生成。
这几乎是我所需要的。
但在上传之前，我想做一些文件特定的操作(删除标题，转义逗号..)。不知道怎么弄，想着用拦截器。但是当数据在水槽中时，它会在事件中转换并流式传输。在他看来，对文件一无所知。
否则，原始时间事件写在文件名中，所以我希望这次时间与我的事件而不是当前日期相关联。
我还想在 hdfs 中保留原始文件名(里面有一些有用的信息)。
有人有什么建议可以帮助我吗？
最佳答案
如果您指定，原始文件名可以保留为标题
agent.sources.seqGenSrc.fileHeader=true
然后可以在您的水槽中取回。
如果您想在文件中操作数据，请使用拦截器。您应该知道，事件基本上是假脱机目录中文件中的一行。
最后但同样重要的是，您需要使用 fileHeader 属性将事件通过管道返回到正确的文件。这可以通过在您的接收器中指定路径来实现，如下所示:
agent.sinks.hdfsSink.hdfs.path = hdfs://localhost/Flume/data/%{file}
您可以使用 Prefix 和 Suffix 进一步配置文件名:
hdfs.filePrefix FlumeData Name prefixed to files created by Flume in hdfs directory
hdfs.fileSuffix – Suffix to append to file (eg .avro - NOTE: period is not automatically added)
关于hadoop - 如何使用 Flume 在源上执行预处理并在 hdfs 接收器中保留真实文件名，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/27621680/