Hadoop学习笔记—19.Flume框架学习

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

START： Flume是Cloudera提供的一个高可用的、高可靠的开源分布式海量日志收集系统，日志数据可以经过Flume流向需要存储终端目的地。这里的日志是一个统称，泛指文件、操作记录等许多数据。

一、Flume基础理论

1.1 常见的分布式日志收集系统

Scribe是facebook开源的日志收集系统，在facebook内部已经得到大量的应用。 Chukwa 是一个开源的用于监控大型分布式系统的数据收集系统。这是构建在 hadoop 的 hdfs 和 map/reduce 框架之上的，继承了 hadoop 的可伸缩性和鲁棒性。而 Flume 是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。支持在日志系统中定制各类数据发送方，用于收集数据;同时，Flume提供对数据进行简单处理，并写到各种数据接受方(比如文本、HDFS、Hbase等)的能力。

1.2 Flume的数据流模型

Flume的核心是 把数据从数据源收集过来，再送到目的地 。为了保证输送一定成功，在送到目的地之前，会先缓存数据，待数据真正到达目的地后，删除自己缓存的数据。

Flume传输的数据的 基本单位 是 Event ，如果是文本文件，通常是一行记录，这也是事务的基本单位。Event 从 Source 流向 Channel，再到 Sink，本身为一个byte数组，并可携带headers信息。Event代表着一个数据流的 最小完整单元 ，从外部数据源来，向外部的目的地去。

1.3 Flume的三大核心组件

Flume运行的核心是 Agent 。它是一个完整的数据收集工具，含有三个核心组件，分别是 source 、 channel 、 sink 。通过这些组件，Event可以从一个地方流向另一个地方，如图1所示。

图1 Flume数据流模型

一个flume系统可以由一个或多个agent组成，多个agent只要做一些简单的配置就可以串在一起，比如将两个agent（foo、bar）串在一起工作，只要将bar的source（入口）接在foo的sink（出口）上就可以了。如图2所示。

图2 多级Agent连接模型

图3则展示了将4个agent串在一起，agent1、agent2和agent3都是获取web服务器的数据，然后将各自获得到的数据统一地发送给agent4，最后由agent4将收集到的数据存储在hdfs里面。

图3 多对一的合并模型

（1）什么是Agent？

Flume的核心是agent。agent是一个 java进程 ，运行在日志收集端，通过agent接收日志，然后暂存起来，再发送到目的地。

（2）三大核心组件

① Source ：专用于 收集日志 ，可以处理各种类型各种格式的日志数据，包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、自定义等。

② Channel ：专用于 临时存储数据 ，可以存放在memory、jdbc、file、数据库、自定义等。其存储的数据只有在sink发送成功之后才会被删除。

③ Sink ：专用于 把数据发送到目的地点 ，目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定义等。

理解Source、Channel与Sink：

source为水源，是aent获取数据的入口；

channel为管道，是数据（由resource获得）流动的通道，主要作用是用来传输和存储数据；

sink为水槽，用来接收channel传入的数据并将数据输出到指定地方。

大家可以把agent看作一个水管，source就是水管的入口，sink就是水管的出口，把数据当作水来看，数据流也就意味着水流。数据由source获得流经channel，最后传给sink。如图1就演示了一个完整的agent流程，由webserver获取数据，数据经channel流向sink，最后由sink将数据存储在hdfs里面。

1.3 Flume的可靠性保证

Flume的核心是把数据从数据源收集过来，再送到目的地。为了保证输送一定成功，在 送到目的地之前，会先缓存数据，待数据真正到达目的地后，删除自己缓存的数据 。
Flume使用事务性的方式保证传送Event整个过程的可靠性 。Sink必须在Event被存入Channel后，或者，已经被传达到下一站agent里，又或者，已经被存入外部数据目的地之后，才能把Event从Channel中remove掉。这样数据流里的event无论是在一个agent里还是多个agent之间流转，都能保证可靠，因为以上的事务保证了event会被成功存储起来。而Channel的多种实现在可恢复性上有不同的保证。也保证了event不同程度的可靠性。比如Flume支持在本地保存一份文件channel作为备份，而memory channel将event存在内存queue里，速度快，但丢失的话无法恢复。

二、Flume基础实践

2.1 Flume基本安装

（1）下载flume的安装包，这里选择的是1.4.0版本的，我已经将其上传到了网盘中（http://pan.baidu.com/s/1kTEFUfX）

（2）解压缩bin与src包，并重命名

Step1. 解压缩两个包

tar -zvxf libs/apache-flume-1.4.0-bin.tar.gz

tar -zvxf libs/apache-flume-1.4.0-src.tar.gz

Step2. 将源码包拷贝到bin目录中

cp -ri apache-flume-1.4.0-src/* apache-flume-1.4.0-bin/

Step3. 【可选】重命名为flume

mv apache-flume-1.4.0-bin flume

2.2 Flume基本配置

本次实践示例Source来自Spooling Directory，Sink流向HDFS。监控/root/edisonchou文件目录下的文件，一旦有新文件，就立刻将文件内容通过agent流向HDFS的hdfs://hadoop-master:9000/testdir/edisonchou文件中。在这之前，我们需要对flume进行基本的配置。

首先，进入flume的conf目录下，新建一个example.conf，其对三大核心组件的配置如下：

（1）配置source

agent1.sources.source1.type=spooldir

agent1.sources.source1.spoolDir=/root/edisonchou

agent1.sources.source1.channels=channel1

agent1.sources.source1.fileHeader = false

agent1.sources.source1.interceptors = i1

agent1.sources.source1.interceptors.i1.type = timestamp

（2）配置channel

agent1.channels.channel1.type=file

agent1.channels.channel1.checkpointDir=/root/edisonchou_tmp/123

agent1.channels.channel1.dataDirs=/root/edisonchou_tmp/

（3）配置sink

agent1.sinks.sink1.type=hdfs

agent1.sinks.sink1.hdfs.path=hdfs://hadoop-master:9000/testdir/edisonchou

agent1.sinks.sink1.hdfs.fileType=DataStream

agent1.sinks.sink1.hdfs.writeFormat=TEXT

agent1.sinks.sink1.hdfs.rollInterval=1

agent1.sinks.sink1.channel=channel1

agent1.sinks.sink1.hdfs.filePrefix=%Y-%m-%d