技术领域
[0001] 本
发明涉及
数据采集、清洗、补充，是一种基于Flume的异构数据标准化的可配置集成方法。
背景技术
[0002] 随着科学技术的蓬勃发展与信息的多元化，高校学生对文献等资源的需求也开始变得更为广泛，这对高校图书馆提出了更高的要求，但是面对高校学生多变的需求，单纯地提高图书馆的馆藏能
力显得杯
水车薪。在这样的矛盾下，“图书馆联盟”的理念应运而生。其基于互惠共赢的目的，希望通过合作、共享的方式，增强高校图书馆之间的交流，使得高校图书馆之间可以通过共享模式去满足高校学生的资源需求。但是在整体上，我国的“图书馆联盟”建设工作依然停留在初级阶段，高校图书馆之间往往存在自治现象严重，图书馆间的交流了解不足等问题。对此有学者提出对于图书馆资源共享工作建立统一的资源管理系统，但是这种实现方式往往需要改变原来各高校图书馆的自治现状，通过多方协作的方式对各高校图书馆内多种资源进行重新整合，其所带来的消耗与影响往往十分巨大。
[0003] 基于上述问题，众多学者提出在不改变图书馆原有系统的
基础上，通过共享信息数据增进图书馆间的了解，由高校自行决定共享工作，增强资源共享的灵活性。但是由于缺乏有效的规划，高校图书馆各自围绕着自身业务建立了多种数据管理系统，对于如何建立一个信息共享平台，增进图书馆间的交互依然存在着以下问题急需解决：
[0004] 高校图书馆间的数据异构。由于高校图书馆管理系统往往由不同企业自主开发实现，因此不同管理系统间相似度极小，数据在存储方式、组织结构、内容定义等方面均存在较大差异，而统一的数据标准是图书馆间进行信息交互的基础，因此如何在不改变图书馆现状的情况下，对高校内的数据进行集成处理是共享平台构建需要解决的问题。
发明内容
[0005] 为了克服
现有技术的不足，本发明在定义统一的集成数据标准上，通过自定义实现基于Flume的数据集成工具包，提出一种可配置的数据集成方法，对图书馆的异构数据进行高校内的快速集成，搭建高校各自的数据集成中心。
[0006] 为了解决上述技术问题，本发明提供如下的技术方案：
[0007] 一种基于Flume的可配置数据集成方法，包括以下步骤：
[0008] 第一步，数据采集Agent实现，过程如下：
[0009] 1.1)公共信息提取
[0010] 数据采集工作需应对不同的数据表，在source中提取
抽取操作的公共信息，提取内容包括
数据库连接url、账户user、密码password、表名tablename、sql语句select、轮询周期delay、读取数量incremental.value、自增列column.name和状态文件status.file，通过改写的source，使数据的抽取操作可配置化；
[0011] 1.2)采集Agent执行过程
[0012] ①当Agent启动时，Agent中的source从启动配置文件中读取上文提取的公共信息，连接对应的数据库，并控制自身的数据表轮询操作；
[0013] ②source继续从状态文件status.file中读取上一次读取数据的
位置，第一次读取则从0开始读取，当数据新增时，即数据的自增列值column.name大于状态文件中的值，source就会将数据读取并传输至channel；
[0014] ③当新增的数据发送至channel之后，sink会进行读出，由于采集层需要与其它层配合，因此对于sink使用avro端口进行实现，实现过程是在配置文件中将sink的type配置为avro，同时配置发送主机的hostname、port；这样sink就会根据配置信息将数据发送至
指定的主机端口，sink发送成功后，状态文件的值就会改变，source即可开始下一次的数据抽取工作；
[0015] 第二步，数据清洗Agent实现，过程如下：
[0016] 2.1)公共信息提取
[0017] 当数据被采集层发送至清洗层后，需要对不符合要求的数据进行清洗，通过在sink中提取清洗操作的公共信息控制Agent的清洗行为，提取内容包括位置信息cleandateposition与清洗值cleandatevalue，通过改写sink，使得数据清洗功能可配置化；
[0018] 2.2)清洗Agent执行过程
[0019] ①在一层中，Agent将数据发送到了localhost的10000端口，因此，在清洗Agent的source实现中，可将type设置为avro，同时配置bind与port，source即可对上一层的发送数据进行监听读取；
[0020] ②source读取到数据并传输至channel后，sink会对数据进行读取，[0021] ③sink读取后，需要进行真正意义的数据清洗工作，此部分由自定义的类CleanSink实现。它继承于AbstractSink，其中的configure方法，可以读取Agent的配置信息。这里使用自定义配置cleandateposition与cleandatevalue，它们指定了字段在数据中的位置与清洗标准值，当数据在位置cleandateposition上的值为cleandatevalue时，sink就会对数据进行剔除，接着，对于符合要求的数据继续进行端口的转发，配置内容与上一层相同；
[0022] 第三步，数据补充Agent实现，过程如下：
[0023] 3.1)公共信息提取
[0024] 在数据补充层通常使用外键等信息对数据中缺失的字段进行补充,通过在sink中提取补充操作的公共信息控制Agent的补充行为，提取内容包括补充位置信息supplyfrom、数据库连接信息supplyurl、supplyuser、supplypassword、supplytablename、外键信息supplyrelation和关联字段信息supplycolumn；
[0025] 3.2)补充Agent执行过程
[0026] ①与前文实现类似，补充Agent的source实现中，将type设置为avro，同时配置bind与port，即可对上一层的发送数据进行监听读取；
[0027] ②source读取到数据并传输至channel后，sink会对数据进行读取；
[0028] ③sink由自定义类SupplySink实现，其与CleanSink一致，通过继承AbstractSink自定义实现，其中的configure方法，可以读取Agent的配置信息；在配置内容中，使用字段supplyfrom指定数据中外键字段位置；接着使用字段supplyurl、supplyuser、supplypassword、supplytablename关联上数据补充的来源表；然后使用字段supplyrelation指定关联的对应信息；最后使用字段supplycolumn指定需要读出的读者信息，对于补充后的数据，继续进行端口发送；
[0029] ④通过上述配置，可实现一张表的数据关联及补充，接下来，对于多张表的关联补充，只需要将多个补充Agent通过端口转发的方式进行连接即可实现数据的完全补充；
[0030] 第四步，数据标准化Agent实现，过程如下：
[0031] 4.1)数据标准化策略
[0032] 得到需要的所有字段信息后，系统需要对有表达差异的数据进行标准化，使用的标准化策略与补全策略类似，具操作是通过人工的方式建立数据标准表，再提取Agent连接数据表的标准信息对数据项进行替换；
[0033] 以学院举例，操作如下：首先，建立数据标准表z_academy_org，其记录了
云平台对学院的标准设定；接下来，需要人工的将某一高校的学院表academy与标准表z_academy_org建立一一对应的关系；最后，使用关联查询的方式，对学院信息进行替换；
[0034] 4.2)标准化Agent执行过程
[0035] ①标准化Agent的source实现与上文相同，将type设置为avro，同时配置bind与port，即可对上一层的发送数据进行监听读取；
[0036] ②source读取到数据传输至channel后，接着sink会对数据进行读取；
[0037] ③UnificationSink与SupplySink一致，通过继承AbstractSink自定义实现，配置内容也与SupplySink相似，只是使用unification*为前缀，数据标准化后，同样进行端口发送；
[0038] 第五步，数据输出Agent实现，过程如下：
[0039] 5.1)公共信息提取
[0040] 数据集成的最后，需要对数据进行存储，使用Mysql数据库作为校内集成数据的存储中心，通过在sink中提取输出操作的公共信息控制Agent的输出行为，提取内容包括数据库连接信息url、user、password等；
[0041] 5.2)输出Agent执行过程。
[0042] 进一步，所述5.2)的过程如下：
[0043] ①将source的type配置为arvo，从本主机的相应端口中将数据读出；
[0044] ②source读取数据传输至channel后，接着sink会对数据进行读取；
[0045] ③StorageMysqlSink是对Mysql数据库实现的输出程序，可通过自定义配置url、user、password、table指定输出的数据表连接；通过position、colume指定数据输出的具体位置与列名。
[0046] 本发明的技术构思为：在逻辑上，Flume把一个Agent表示一个处理单元，用于从监控的数据源中采集数据、并可靠的传递至目的地，为了保证数据传输过程的可靠与高效，Agent将处理过程划分为三个部分，分别代表着数据的获取、中转和输出，即Source、Channel和Sink；Source组件负责对多种数据源进行监控，并将监控期间数据源新增的数据进行采集、处理后发送至Channel组件中；Channel组件是数据传输过程中的暂存通道，它的出现是为了保证数据传输的可靠性；当Source组件发送数据至Channel组件后，Channel组件会对数据进行记录，直至Sink组件消费掉暂存的数据后，暂存数据才会被删除；通过Channel组件的中转，也可解决读取与输出速率不一的问题，Sink组件负责数据的发送工作，它会将数据从Channel中取出，并发送至指定的目的地。
[0047] 进一步，对于不同层的Agent实现，通过提取公共信息的方式，改写了source或者sink的具体功能，使source或者sink成为一个可重复利用的单元；接着就可以利用配置文件组装Agent，使Agent完成具体的功能，从而实现了可配置化的数据集成需求。
[0048] 所述方法包括以下步骤：第一步，针对每一层的架构功能特点，实现可配置化的Agent处理单元；第二步，编写具体的配置文件控制Agent具体的行为，使其完成具体的功能；第三步，通过端口转发的方式将多个Agent的处理操作进行连接，协作实现数据的集成操作，即每一层操作由一个或者多个Flume Agent实现，通过不同Agent之间的连接合作，实现数据的集成功能。
[0049] 原始数据的集成需要对异构数据进行统一的清洗、补全、标准化等操作，使其符合相关数据标准。因此，将数据集成操作分为了数据采集层、数据清洗层、数据补充层、数据标准化层、数据
输出层。通过每一层的处理操作，使图书馆数据完成汇聚；但是面对不同图书馆的数据集成实现，若基于业务进行特定开发实现，则多个图书馆的数据集成工作量将大大减缓云平台的建设。因此，面对数据集成工作，应实现可配置化的数据集成功能，加快工作效率。
[0050] 本发明的有益效果为：对图书馆的异构数据进行高校内的快速集成，搭建高校各自的数据集成中心；加快工作效率。
附图说明
[0051] 图1为Agent设计架构图。一个Agent由Source、Channel和Sink组成，对应用来实现数据的获取、中转和输出功能。
[0052] 图2为Flume数据集成架构图。
具体实施方式
[0053] 下面结合附图对本发明作进一步描述。
[0054] 参照图1和图2，一种基于Flume的可配置数据集成方法，包括以下步骤：
[0055] 第一步，数据采集Agent实现，过程如下：
[0056] 1.1)公共信息提取
[0057] 数据采集工作需应对不同的数据表，在source中提取抽取操作的公共信息，提取内容包括数据库连接url、账户user、密码password、表名tablename、sql语句select、轮询周期delay、读取数量incremental.value、自增列column.name和状态文件status.file等，通过改写的source，使数据的抽取操作可配置化；
[0058] 1.2)采集Agent执行过程
[0059] ①当Agent启动时，Agent中的source从启动配置文件中读取上文提取的公共信息，连接对应的数据库，并控制自身的数据表轮询操作；
[0060] ②source继续从状态文件status.file中读取上一次读取数据的位置，第一次读取则从0开始读取，当数据新增时，即数据的自增列值column.name大于状态文件中的值，source就会将数据读取并传输至channel；
[0061] ③当新增的数据发送至channel之后，sink会进行读出，由于采集层需要与其它层配合，因此对于sink使用avro端口进行实现，实现过程是在配置文件中将sink的type配置为avro，同时配置发送主机的hostname、port；这样sink就会根据配置信息将数据发送至指定的主机端口，sink发送成功后，状态文件的值就会改变，source即可开始下一次的数据抽取工作；
[0062] 第二步，数据清洗Agent实现，过程如下：
[0063] 2.1)公共信息提取
[0064] 当数据被采集层发送至清洗层后，需要对不符合要求的数据进行清洗，通过在sink中提取清洗操作的公共信息控制Agent的清洗行为，提取内容包括位置信息cleandateposition与清洗值cleandatevalue，通过改写sink，使得数据清洗功能可配置化；
[0065] 2.2)清洗Agent执行过程
[0066] ①在一层中，Agent将数据发送到了localhost的10000端口，因此，在清洗Agent的source实现中，可将type设置为avro，同时配置bind与port，source即可对上一层的发送数据进行监听读取；
[0067] ②source读取到数据并传输至channel后，sink会对数据进行读取，[0068] ③sink读取后，需要进行真正意义的数据清洗工作，此部分由自定义的类CleanSink实现。它继承于AbstractSink，其中的configure方法，可以读取Agent的配置信息。这里使用自定义配置cleandateposition与cleandatevalue，它们指定了字段在数据中的位置与清洗标准值，当数据在位置cleandateposition上的值为cleandatevalue时，sink就会对数据进行剔除，接着，对于符合要求的数据继续进行端口的转发，配置内容与上一层相同；
[0069] 第三步，数据补充Agent实现，过程如下：
[0070] 3.1)公共信息提取
[0071] 在数据补充层通常使用外键等信息对数据中缺失的字段进行补充,通过在sink中提取补充操作的公共信息控制Agent的补充行为，提取内容包括补充位置信息supplyfrom、数据库连接信息supplyurl、supplyuser、supplypassword、supplytablename、外键信息supplyrelation和关联字段信息supplycolumn；
[0072] 3.2)补充Agent执行过程
[0073] ①与前文实现类似，补充Agent的source实现中，将type设置为avro，同时配置bind与port，即可对上一层的发送数据进行监听读取；
[0074] ②source读取到数据并传输至channel后，sink会对数据进行读取；
[0075] ③sink由自定义类SupplySink实现，其与CleanSink一致，通过继承AbstractSink自定义实现，其中的configure方法，可以读取Agent的配置信息；在配置内容中，使用字段supplyfrom指定数据中外键字段位置，如6指读者account的位置；接着使用字段supplyurl、supplyuser、supplypassword、supplytablename关联上数据补充的来源表，如用户表student；然后使用字段supplyrelation指定关联的对应信息，如读者account对应上用户表student的account字段；最后使用字段supplycolumn指定需要读出的读者信息，如用户表student的name、sex字段等，对于补充后的数据，继续进行端口发送；
[0076] ④通过上述配置，可实现一张表的数据关联及补充，接下来，对于多张表的关联补充，只需要将多个补充Agent通过端口转发的方式进行连接即可实现数据的完全补充；
[0077] 第四步，数据标准化Agent实现，过程如下：
[0078] 4.1)数据标准化策略
[0079] 得到需要的所有字段信息后，系统需要对有表达差异的数据进行标准化，使用的标准化策略与补全策略类似，具操作是通过人工的方式建立数据标准表，再提取Agent连接数据表的标准信息对数据项进行替换；
[0080] 以学院举例，操作如下：首先，建立数据标准表z_academy_org，其记录了云平台对学院的标准设定；接下来，需要人工的将某一高校的学院表academy与标准表z_academy_org建立一一对应的关系；最后，使用关联查询的方式，对学院信息进行替换；
[0081] 4.2)标准化Agent执行过程
[0082] ①标准化Agent的source实现与上文相同，将type设置为avro，同时配置bind与port，即可对上一层的发送数据进行监听读取；
[0083] ②source读取到数据传输至channel后，接着sink会对数据进行读取；
[0084] ③UnificationSink与SupplySink一致，通过继承AbstractSink自定义实现，配置内容也与SupplySink相似，只是使用unification*为前缀，数据标准化后，同样进行端口发送；
[0085] 第五步，数据输出Agent实现，过程如下：
[0086] 5.1)公共信息提取
[0087] 数据集成的最后，需要对数据进行存储，使用Mysql数据库作为校内集成数据的存储中心，通过在sink中提取输出操作的公共信息控制Agent的输出行为，提取内容包括数据库连接信息url、user、password等；
[0088] 5.2)输出Agent执行过程
[0089] ①将source的type配置为arvo，从本主机的相应端口中将数据读出；
[0090] ②source读取数据传输至channel后，接着sink会对数据进行读取；
[0091] ③StorageMysqlSink是对Mysql数据库实现的输出程序，可通过自定义配置url、user、password、table指定输出的数据表连接；通过position、colume指定数据输出的具体位置与列名。
[0092] 图2为Flume数据集成架构图。其中，(1)数据采集层：数据采集层主要负责应对多种异构数据源的数据采集工作，对图书馆历史数据与新增数据进行抽取。(2)数据清洗层：数据清洗层主要负责清洗数据，面对不符合要求的数据，需要对数据进行清洗剔除。(3)数据补充层：数据补充层主要负责将原始数据中没有的数据项，根据外键等关联信息，进行合理的补全。(4)数据标准化层：数据标准化层主要负责根据数据标准，将原始数据中不符合标准的数据进行转换。(5)数据输出层：数据输出层与数据采集层类似，其主要负责将数据存储至校内数据存储中心。
[0093] 需要指出的是，清洗、补充、标准化等Agent是通过端口转发的方式进行组合的。因此，数据集成的执行过程并不需要按固定的格式进行，可根据业务数据的需要自定义配置。例如在清洗后，先进行标准化再执行补充。在面对特定高校的特殊要求时，也可自行实现相应的Agent单元，并在上述层级间进行插入。基于Agent的配置能力，校内集成系统可以实现灵活的数据集成功能。
