source/posts/using_Apache_Nifi_Kafka_big_data_tools.org

   1 #+date: <2018-09-11 21:09:06 +0800>
   2 #+filetags: :Apache:Nifi:Kafka:bigdata:streaming:
   3 #+title: Using Apache Nifi and Kafka - big data tools
   4
   5 Working in analytics these days, the concept of big data has been firmly
   6 established. Smart engineers have been developing cool technology to
   7 work with it for a while now. The [[https://apache.org][Apache Software Foundation]] has emerged as a hub for many of these -
   8 Ambari, Hadoop, Hive, Kafka, Nifi, Pig, Zookeeper - the list goes on.
   9
  10 While I'm mostly interested in improving business outcomes applying
  11 analytics, I'm also excited to work with some of these tools to make
  12 that easier.
  13
  14 Over the past few weeks, I have been exploring some tools, installing
  15 them on my laptop or a server and giving them a spin. Thanks to
  16 [[https://www.confluent.io][Confluent, the founders of Kafka]] it is
  17 super easy to try out Kafka, Zookeeper, KSQL and their REST API. They
  18 all come in a pre-compiled tarball which just works on Arch Linux.
  19 (After trying to compile some of these, this is no luxury - these apps
  20 are very interestingly built...) Once unpacked, all it takes to get
  21 started is:
  22
  23 #+BEGIN_SRC sh
  24 ./bin/confluent start
  25 #+END_SRC
  26
  27 I also spun up an instance of
  28 [[https://nifi.apache.org/download.html][nifi]], which I used to monitor
  29 a (json-ised) apache2 webserver log. Every new line added to that log
  30 goes as a message to Kafka.
  31
  32 #+CAPTION: Apache Nifi configuration
  33 #+ATTR_HTML: :class img-fluid :alt Apache Nifi configuration
  34 [[file:../assets/ApacheNifi.png]]
  35
  36 A processor monitoring a file (tailing) copies every new line over to
  37 another processor publishing it to a Kafka topic. The Tailfile monitor
  38 includes options for rolling filenames, and what delineates each
  39 message. I set it up to process a custom logfile from my webserver,
  40 which was defined to produce JSON messages instead of the somewhat
  41 cumbersome to process standard logfile output (defined in apache2.conf,
  42 enabled in the webserver conf):
  43
  44 #+BEGIN_SRC sh
  45 LogFormat "{ "time":"%t", "remoteIP":"%a", "host":"%V",
  46 "request":"%U", "query":"%q", "method":"%m", "status":"%>s",
  47 "userAgent":"%{User-agent}i", "referer":"%{Referer}i", "size":"%O" }"
  48 leapache
  49 #+END_SRC
  50
  51 All the hard work is being done by Nifi. (Something like
  52
  53 #+BEGIN_SRC sh
  54 tail -F /var/log/apache2/access.log | kafka-console-producer.sh --broker-list localhost:9092 --topic accesslogapache
  55 #+END_SRC
  56
  57 would probably be close to the CLI equivalent on a single-node system
  58 like my test setup, with the -F option to ensure the log rotation
  59 doesn't break things. Not sure how the message demarcator would need to
  60 be configured.)
  61
  62 The above results in a Kafka message stream with every request hitting
  63 my webserver in real-time available for further analysis.