常广炎

摘要：Chukwa是Hadoop软件家族成员的一员，是_个分布式系统，应用于大规模集群的数据收集上，构建在Hadoop的HDFS和MapReduce框架之上。文章通过对数据日志的采集、存储、分析和展示，为用户提供全面、灵活、可视化的服务，弥补了MapReduce对大量日志文件处理能力不足的弱点。

关键词：分布式系统；Hadoop；Chukwa；MapReduce

1.Chukwa的简介

Hadoop的MapReduce最初用于日志处理，随着集群日志不断地增加，生成大量的小文件，而MapReduce具有处理少量大文件的优势。Chukwa弥补了这一缺陷，同时具有高可靠性。

Chukwa由Yahoo开发，是基于Hadoop的大集群分布式监控系统，是Hadoop软件家族成员之一，依赖于Hadoop的其他子项目，以HDFS为存储层，MapReduce为计算模型，Pig作为其高层处理语言，是采用流水式處理方式和模块化结构的收集系统。Chukwa的系统开销非常小，不到整个集群资源的5%。

2.Chukwa的架构

Chukwa有3个主要组成部分：客户端，运行在每个监控机上，传送源数据到收集器；收集器和分离解析器，收集器接收客户端数据，将其写到HDFS中，分离解析器进行数据分析，转换成有用记录；HICC是一个Web页面，用于Chukwa内容的展示。

2.1客户端（Agent）

集群上的每一个结点，Chukwa使用一个Agent来采集它感兴趣的数据，每一类数据通过一个Adaptor来实现，数据类型在相应配置中指定。启动Adaptor可以通过UNIx命令完成，Adaptor能够扫描目录，追踪创建文件，接收UDP消息，不断追踪日志，将日志更新到文件中。Agent的主要工作是负责Adaptor的开始和停止，并通过网络传输数据。为了防止数据采集端Agent出现故障，Chukwa的Agent采用了watchdog机制，会自动重启和终止数据采集进程，防止原始数据的丢失。

2.2收集器（Collector）和分离解析器（Demux）

Agent收集到的数据是存储到Had00p集群上的HDFS上，Hadoop集群处理少量大文件具有明显优势，而对大量小文件是其弱点，针对这一点Chukwa设计了Collector这个角色，用于把数据先进行合并成大文件，再写入集群。Demux负责抽取数据记录并解析，使之成为可以利用的记录，以减少文件数目和降低分析难度。一般采用把非结构化的数据进行结构化处理，抽取其中的数据属性，Demux是MapReduce的一个作业，可以根据需求定制Demux作业，进行各种复杂的逻辑分析。

2.3HICC

HICC是Demux数据展示端的名字，其功能是可视化系统性能指标。HICC能够显示传统的度量数据，以及应用层的统计数据，其可视化功能可以清楚看到群集中的作业是否在被均匀传播，同时支持集群性能的调试和Hadoop作业执行的可视化。

3.Chukwa流水式数据处理结构

流水式模式就是利用分布在各个结点客户端的采集器收集监控信息，然后以块的形式通过HTTP POST汇集到收集器，处理后转存到HDFS中。后由分离器利用MapReduce将这些数据转化为结构化记录，存入数据库，HICC调用数据库数据，展示给用户。其数据处理流程如图1所示。

4.Chukwa在数据收集处理方面的运用

4.1数据生成

Chukwa提供了日志文件、Socket、命令行等数据生成结口，方便脚本的执行，直接读取脚本执行结果的操作如下：

Chukwa首先加载Initial Adaptors的配置文件，它指定了不同适配器对应的收集日志的内容。以execAdaptoe脚本为例，配置文件内容如下：

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

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

其中：3 600脚本执行间隔，单位为秒。

4.2数据收集

收集器部署时，将所有适配器机器端口存放在代理的conf/collectors中，配置收集器的chukwa-collector-conf.xml文件内容如下：