Apache Flume 1.5.0 で Twitter Source が入ったので、Twitter から簡単にデータを取得することができる。(注: Experimental のため利用には十分注意すること)
この記事ではMac上で簡単に試すための方法を紹介する。
環境
- Flume バージョン: CDH 5.4.2 (1.5.0 ベース)
- OS: Mac OS X 10.10.3
準備
ファイルのダウンロード
Cloudera のリポジトリからFlumeのtar.gzを取得する。 最新版へのリンク
適当な場所に Flume を設置し、展開する。私は ~/lib/flume
にしている。
次に avro-tools
をインストールする。
$ brew install avro-tools
Twitter API キーとアクセストークンの取得
https://apps.twitter.com/ から取得する。取得の仕方はググってください。
以下の4つが必要。
- consumer key
- consumer secret
- access token
- access token secret
設定ファイルの作成
適当なファイルを作る。ここでは ~/etc/flume/twitter.conf
とする。
以下の情報を入力する。
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = org.apache.flume.source.twitter.TwitterSource
a1.sources.r1.channels = c1
a1.sources.r1.consumerKey = YOUR_CONSUMER_KEY
a1.sources.r1.consumerSecret = YOUR_CONSUMER_KEY_SECRET
a1.sources.r1.accessToken = YOUR_ACCESS_TOKEN
a1.sources.r1.accessTokenSecret = YOUR_ACCESS_TOKEN_SECRET
a1.sources.r1.maxBatchSize = 50000
a1.sources.r1.maxBatchDurationMillis = 100000
# Describe the sink
# a1.sinks.k1.type = logger
a1.sinks.k1.type = file_roll
a1.sinks.k1.sink.directory = /tmp/flume-log
a1.sinks.k1.sink.rollInterval = 120
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 1000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
データの保存ディレクトリの作成
この例では /tmp/flume-log
にデータを保存するのでディレクトリを作っておく。
ログの取得と閲覧
Flume の起動
~/lib/flume
に移動して以下のコマンドを実行すればログの収集が始まる。
$ bin/flume-ng agent -n a1 -c conf -f ~/etc/flume/twitter.conf -Dflume.root.logger=INFO,console -Xmx1g
avro-tools によるログの閲覧
Avroはスキーマつきのシリアライザ。Avro形式のままHiveにスキーマを認識させてデータをロードさせたりすることも可能。
ローカルで内容を閲覧するにはデシリアライズするための何らかのツールが必要となる。
ここでは avro-tools
を使う。
/tmp/flume-log
の下に移動し、生成されたデータを avro-tools
で読む。
$ avro-tools tojson --pretty 生成されたファイル | less
これで中身をjson形式で読むことができる。
スキーマ情報を見たい場合は avro-tools getschema
コマンドを使う。
$ avro-tools getschema 生成されたファイル
スキーマはjson形式で保持されているので閲覧は簡単。