Apache Flume 数据流程的最后一部分是 Sink，它会将上游抽取并转换好的数据输送到外部存储中去，如本地文件、HDFS、ElasticSearch 等。本文将通过分析源码来展现 HDFS Sink 的工作流程。
Sink 组件的生命周期
在上一篇文章中, 我们了解到 Flume 组件都会实现 LifecycleAware 接口，并由 LifecycleSupervisor 实例管理和监控。不过，Sink 组件并不直接由它管理，而且被包装在了 SinkRunner 和 SinkProcessor 这两个类中。Flume 支持三种 Sink 处理器，该处理器会将 Channel 和 Sink 以不同的方式连接起来。这里我们只讨论 DefaultSinkProcessor 的情况，即一个 Channel 只会连接一个 Sink。同时，我们也将略过对 Sink 分组的讨论。
HDFS Sink 模块中的类
HDFS Sink 模块的源码在 flume-hdfs-sink 子目录中，主要由以下几个类组成：
HDFSEventSink 类实现了生命周期的各个方法，包括 configure、start、process、stop 等。它启动后会维护一组 BucketWriter 实例，每个实例对应一个 HDFS 输出文件路径，上游的消息会传递给它，并写入 HDFS。通过不同的 HDFSWriter 实现，它可以将数据写入文本文件、压缩文件、或是 SequenceFile。
配置与启动
Flume 配置文件加载时，会实例化各个组件，并调用它们的 configure 方法，其中就包括 Sink 组件。在 HDFSEventSink#configure 方法中，程序会读取配置文件中以 hdfs. 为开头的项目，为其提供默认值，并做基本的参数校验。如，batchSize 必须大于零，fileType 指定为 CompressedStream 时 codeC 参数也必须指定等等。同时，程序还会初始化一个 SinkCounter，用于统计运行过程中的各项指标。
public void configure(Context context) {
filePath = Preconditions.checkNotNull(
context.getString("hdfs.path"), "hdfs.path is required");
rollInterval = context.getLong("hdfs.rollInterval", defaultRollInterval);
if (sinkCounter == null) {
sinkCounter = new SinkCounter(getName());
}
}
HDFSEventSink#start 方法中会创建两个线程池：callTimeoutPool 线程池会在 BucketWriter#callWithTimeout 方法中使用，用来限定 HDFS 远程调用的请求时间，如 FileSystem#create 或 FSDataOutputStream#hflush 都有可能超时；timedRollerPool 则用于对文件进行滚动，前提是用户配置了 rollInterval 选项，我们将在下一节详细说明。
public void start() {
callTimeoutPool = Executors.newFixedThreadPool(threadsPoolSize,
new ThreadFactoryBuilder().setNameFormat(timeoutName).build());
timedRollerPool = Executors.newScheduledThreadPool(rollTimerPoolSize,
new ThreadFactoryBuilder().setNameFormat(rollerName).build());
}
处理数据
process 方法包含了 HDFS Sink 的主要逻辑，也就是从上游的 Channel 中获取数据，并写入指定的 HDFS 文件，流程图如下：
Channel 事务
处理逻辑的外层是一个 Channel 事务，并提供了异常处理。以 Kafka Channel 为例：事务开始时，程序会从 Kafka 中读取数据，但不会立刻提交变动后的偏移量。只有当这些消息被成功写入 HDFS 文件之后，偏移量才会提交给 Kafka，下次循环将从新的偏移量开始消费。
Channel channel = getChannel();
Transaction transaction = channel.getTransaction();
transaction.begin()
try {
event = channel.take();
bucketWriter.append(event);
transaction.commit()
} catch (Throwable th) {
transaction.rollback();
throw new EventDeliveryException(th);
} finally {
transaction.close();
}
查找或创建 BucketWriter
BucketWriter 实例和 HDFS 文件一一对应，文件路径是通过配置生成的，例如：
a1.sinks.access_log.hdfs.path = /user/flume/access_log/dt=%Y%m%d
a1.sinks.access_log.hdfs.filePrefix = events.%[localhost]
a1.sinks.access_log.hdfs.inUsePrefix = .
a1.sinks.access_log.hdfs.inUseSuffix = .tmp
a1.sinks.access_log.hdfs.rollInterval = 300
a1.sinks.access_log.hdfs.fileType = CompressedStream
a1.sinks.access_log.hdfs.codeC = lzop
以上配置生成的临时文件和目标文件路径为：
/user/flume/access_log/dt=20180925/.events.hostname1.1537848761307.lzo.tmp
/user/flume/access_log/dt=20180925/events.hostname1.1537848761307.lzo
配置中的占位符会由 BucketPath#escapeString 方法替换，Flume 支持三类占位符：
%{...}：使用消息中的头信息进行替换；%[...]：目前仅支持%[localhost]、%[ip]、以及%[fqdn]；%x：日期占位符，通过头信息中的timestamp来生成，或者使用useLocalTimeStamp配置项。
文件的前后缀则是在 BucketWriter#open 方法中追加的。代码中的 counter 是当前文件的创建时间戳，lzo 则是当前压缩格式的默认文件后缀。
String fullFileName = fileName + "." + counter;
fullFileName += fileSuffix;
fullFileName += codeC.getDefaultExtension();
bucketPath = filePath + "/" + inUsePrefix + fullFileName + inUseSuffix;
targetPath = filePath + "/" + fullFileName;
如果指定路径没有对应的 BucketWriter 实例，程序会创建一个，并根据 fileType 配置项来生成对应的 HDFSWriter 实例。Flume 支持的三种类型是：HDFSSequenceFile、HDFSDataStream、以及 HDFSCompressedDataStream，写入 HDFS 的动作是由这些类中的代码完成的。
bucketWriter = sfWriters.get(lookupPath);
if (bucketWriter == null) {
hdfsWriter = writerFactory.getWriter(fileType);
bucketWriter = new BucketWriter(hdfsWriter);
sfWriters.put(lookupPath, bucketWriter);
}
写入数据并刷新
在写入数据之前，BucketWriter 首先会检查文件是否已经打开，如未打开则会命关联的 HDFSWriter 类开启新的文件，以 HDFSCompressedDataStream 为例：
public void open(String filePath, CompressionCodec codec) {
FileSystem hdfs = dstPath.getFileSystem(conf);
fsOut = hdfs.append(dstPath)
compressor = CodedPool.getCompressor(codec, conf);
cmpOut = codec.createOutputStream(fsOut, compressor);
serializer = EventSerializerFactory.getInstance(serializerType, cmpOut);
}
public void append(Event e) throws IO Exception {
serializer.write(event);
}
Flume 默认的 serializerType 配置是 TEXT，即使用 BodyTextEventSerializer 来序列化数据，不做加工，直接写进输出流：
public void write(Event e) throws IOException {
out.write(e.getBody());
if (appendNewline) {
out.write('\n');
}
}
当 BucketWriter 需要关闭或重开时会调用 HDFSWriter#sync 方法，进而执行序列化实例和输出流实例上的 flush 方法：
public void sync() throws IOException {
serializer.flush();
compOut.finish();
fsOut.flush();
hflushOrSync(fsOut);
}
从 Hadoop 0.21.0 开始，Syncable#sync 拆分成了 hflush 和 hsync 两个方法，前者只是将数据从客户端的缓存中刷新出去，后者则会保证数据已被写入 HDFS 本地磁盘。为了兼容新老 API，Flume 会通过 Java 反射机制来确定 hflush 是否存在，不存在则调用 sync 方法。上述代码中的 flushOrSync 正是做了这样的判断。
文件滚动
HDFS Sink 支持三种滚动方式：按文件大小、按消息数量、以及按时间间隔。按大小和按数量的滚动是在 BucketWriter#shouldRotate 方法中判断的，每次 append 时都会调用：
private boolean shouldRotate() {
boolean doRotate = false;
if ((rollCount > 0) && (rollCount <= eventCounter)) {
doRotate = true;
}
if ((rollSize > 0) && (rollSize <= processSize)) {
doRotate = true;
}
return doRotate;
}
按时间滚动则是使用了上文提到的 timedRollerPool 线程池，通过启动一个定时线程来实现：
private void open() throws IOException, InterruptedException {
if (rollInterval > 0) {
Callable<Void> action = new Callable<Void>() {
public Void call() throws Exception {
close(true);
}
};
timedRollFuture = timedRollerPool.schedule(action, rollInterval);
}
}
关闭与停止
当 HDFSEventSink#close 被触发时，它会遍历所有的 BucketWriter 实例，调用它们的 close 方法，进而关闭下属的 HDFSWriter。这个过程和 flush 类似，只是还会做一些额外操作，如关闭后的 BucketWriter 会将自身从 sfWriters 哈希表中移除：
public synchronized void close(boolean callCloseCallback) {
writer.close();
timedRollFuture.cancel(false);
onCloseCallback.run(onCloseCallbackPath);
}
onCloseCallback 回调函数是在 HDFSEventSink 初始化 BucketWriter 时传入的：
WriterCallback closeCallback = new WriterCallback() {
public void run(String bucketPath) {
synchronized (sfWritersLock) {
sfWriters.remove(bucketPath);
}
}
}
bucketWriter = new BucketWriter(lookPath, closeCallback);
最后，HDFSEventSink 会关闭 callTimeoutPool 和 timedRollerPool 线程池，整个组件随即停止。
ExecutorService[] toShutdown = { callTimeoutPool, timedRollerPool };
for (ExecutorService execService : toShutdown) {
execService.shutdown();
}