大数据技术之FlumeFlume概述Flume快速入门
Posted @从一到无穷大
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了大数据技术之FlumeFlume概述Flume快速入门相关的知识，希望对你有一定的参考价值。
文章目录
1 Flume 概述
1.1 Flume 定义
Flume 是Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume 基于流式架构，灵活简单。
Flume 最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到 HDFS。
1.2 Flume 基础架构
1.2.1 Agent
Agent 是一个 JVM 进程，它以事件的形式将数据从源头送至目的。
Agent 主要由 3 个部分组成， Source 、 Channel 、 Sink 。
1.2.2 Source
Source 是负责接收数据到 Flume Agent 的组件。 Source 组件可以处理各种类型、各种格式的日志数据，包括avro 、 thrift 、 exec 、 jms 、 spooling directory 、netcat、 sequence generator 、 syslog、http、legacy。
1.2.3 Sink
Sink 不断地轮询 Channel 中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个 Flume Agent 。
Sink组件目的地包括 hdfs 、 logger 、 avro 、 thrift 、 ipc 、 file 、 HBase 、 solr 、自定义。
1.2.4 Channel
Channel 是位于 Source 和 Sink 之间的缓冲区。因此， Channel 允许 Source 和 Sink 运作在不同的速率上。 Channel 是线程安全的，可以同时处理几个 Source 的写入操作和几个Sink 的读取操作。
Flume 自带三种 Channel：Memory Channel 和 File Channel 以及 Kafka Channel 。
Memory Channel是内存中的队列。 Memory Channel 在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么 Memory Channel 就不应该使用，因为程序死亡、机器宕
机或者重启都会导致数据丢失。
File Channel 将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。
1.2.5 Event
传输单元，Flume 数据传输的基本单元，以 Event 的形式将数据从源头送至目的地。Event 由Header 和 Body 两部分组成， Header 用来存放该 event 的一些属性，为 K-V 结构，Body 用来存放该条数据，形式为字节数组。
2 Flume 快速入门
2.1 Flume 安装部署
2.1.1 安装地址
（1）Flume 官网地址
http://flume.apache.org/
（2）文档查看地址
http://flume.apache.org/FlumeUserGuide.html
（3）下载地址
http://archive.apache.org/dist/flume/
2.1.2 安装部署
（1）将 apache-flume-1.7.0-bin.tar.gz 上传到 linux 的/opt/software 目录下
（2）解压 apache-flume-1.7.0 bin.tar.gz 到/opt/module/目录下
[Tom@hadoop102 software]$ tar -zxf apache-flume-1.7.0-bin.tar.gz -C /opt/module/
（3）修改 apache-flume-1.7.0-bin 的名称为 flume-1.7.0
[Tom@hadoop102 module]$ mv apache-flume-1.7.0-bin flume-1.7.0
（4）将 flume/conf 下的 flume-env.sh.template 文件修改为 flume-env.sh，并配置 flume-env.sh 文件
[Tom@hadoop102 conf]$ mv flume-env.sh.template flume-env.sh
[Tom@hadoop102 conf]$ vim flume-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_212
2.2 Flume 入门案例
2.2.1 监控端口数据官方案例
1. 案例需求
使用 Flume 监听一个端口， 收集该端口数据 ，并打印到控制台。
2. 需求分析
3. 实现步骤
（1）安装 netcat 工具
[Tom@hadoop102 software]$ sudo yum install -y nc
（2）判断44444 端口是否被占用
[Tom@hadoop102 flume-1.7.0]$ sudo netstat -tunlp | grep 44444
（3）创建Flume Agent 配置文件flume-netcat-logger.conf
在 flume-1.7.0 目录下创建 job 文件夹并进入 job 文件夹。
[Tom@hadoop102 flume]$ mkdir job
[Tom@hadoop102 flume]$ cd job/
在 job 文件夹下创建 Flume Agent 配置文件netcat-flume-logger.conf。
[Tom@hadoop102 job]$ vim netcat-flume-logger.conf
在 netcat-flume-logger.conf 文件中添加如下内容：
# Name the components on this agent a1:表示agent的名称
a1.sources = r1 # r1：表示a1的Source的名称
a1.sinks = k1 # k1：表示a1的Sink的名称
a1.channels = c1 # c1: 表示a1的Channel的名称
# Describe/configure the source
a1.sources.r1.type = netcat # 表示a1的输入源类型为netcat端口类型
a1.sources.r1.bind = localhost # 表示a1的监听的主机
a1.sources.r1.port = 44444 # 表示a1的监听的端口号
# Describe the sink
a1.sinks.k1.type = logger # 表示a1的输出目的地是控制台logger类型
# Use a channel which buffers events in memory
a1.channels.c1.type = memory # 表示a1的channel类型是memory内存型
a1.channels.c1.capacity = 1000 # 表示a1的channel总容量为1000个event
a1.channels.c1.transactionCapacity = 100 # 表示a1的channel传输时收集到了100条event以后再去提交事务
# Bind the source and sink to the channel
a1.sources.r1.channels = c1 # 表示将r1和c1连接起来
a1.sinks.k1.channel = c1 # 表示将k1和c1连接起来
注：配置文件来源于官方手册 http://flume.apache.org/FlumeUserGuide.html
（4）先开启 flume 监听端口
第一种写法：
[Tom@hadoop102 flume-1.7.0]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/netcat-flume-logger.conf -Dflume.root.logger=INFO,console
第二种写法
[Tom@hadoop102 flume-1.7.0]$ bin/flume-ng agent -c conf/ -n a1 -f job/netcat-flume-logger.conf -Dflume.root.logger=INFO,console
参数说明：
--conf/-c：表示配置文件存储在conf/目录
--name/-n：表示给agent 起名为a1
--conf-file/-f：flume 本次启动读取的配置文件是在job 文件夹下的flume-telnet.conf文件。
-Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改flume.root.logger 参数属性值，并将控制台日志打印级别设置为INFO 级别。日志级别包括:log、info、warn、error。
（5）使用 netcat 工具向本机的 44444 端口发送内容
[Tom@hadoop102 job]$ nc localhost 44444
hello
OK
HUST
OK
（6）在Flume 监听页面观察接收数据情况
2.2.2 实时监控单个追加文件
1. 案例需求：实时监控 Hive 日志，并上传到 HDFS 中
2. 需求分析
3. 实现步骤
（1）Flume 要想将数据输出到HDFS，须持有Hadoop 相关jar 包。将以下 jar 包
拷贝到opt/module/flume-1.7.0/lib文件夹下。
（2）创建file-flume-hdfs.conf文件
[Tom@hadoop102 job]$ vim file-flume-hdfs.conf
注：要想读取 Linux 系统中的文件，就得按照 Linux 命令的规则执行命令。由于Hive 日志在 Linux 系统中，所以读取文件的类型选择：exec 即 execute 执行的意思。表示执行Linux 命令来读取文件。
添加如下内容
# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2
# Describe/configure the source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /opt/module/hive-3.1.2/logs/hive.log
# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:8020/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 1000
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 30
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2
注意：对于所有与时间相关的转义序列，Event Header 中必须存在以’ timestamp’的 key （除非hdfs.useLocalTimeStamp 设置为 true ，此方法会使用 TimestampInterceptor 自动添加 timestamp）。a3.sinks.k3.hdfs.useLocalTimeStamp = true。
（3）运行 Flume
[Tom@hadoop102 flume-1.7.0]$ bin/flume-ng agent -c conf/ -n a2 -f job/file-flume-hdfs.conf
（4）开启 Hadoop 和 Hive 并操作 Hive 产生日志
[Tom@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[Tom@hadoop102 hadoop-3.1.3]$ sbin/start-yarn.sh
[Tom@hadoop102 hive-3.1.2]$ bin/hive
（5）在HDFS上查看文件
2.3.3 实时监控目录下多个新文件
1. 案例需求：使用 Flume 监听整个目录的文件，并上传至HDFS
2. 需求分析
3. 实现步骤
（1）创建配置文件dir-flume-hdfs.conf
创建一个文件
[Tom@hadoop102 job]$ vim dir-flume-hdfs.conf
添加如下内容
# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2
# Describe/configure the source
a2.sources.r2.type = spooldir
a2.sources.r2.spoolDir = /opt/module/flume-1.7.0/upload
#忽略所有以.tmp结尾的文件，不上传
a2.sources.r2.ignorePattern = ([^ ]*\\.tmp)
# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:8020/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 1000
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 30
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2
（2）启动监控文件夹命令
[Tom@hadoop102 flume-1.7.0]$ bin/flume-ng agent -c conf/ -n a2 -f job/dir-flume-hdfs.conf
说明：在使用 Spooling Directory Source 时不要在监控目录中创建并持续修改文件，上传完成的文件会以.COMPLETED结尾，被监控文件夹每 500 毫秒扫描一次文件变动。
（3）向upload 文件夹中添加文件
在/opt/module/flume-1.7.0目录下创建 upload 文件夹
[Tom@hadoop102 flume]$ mkdir upload
向 upload 文件夹中添加文件
[huxili@hadoop102 upload]$ touch hust.txt
[huxili@hadoop102 upload]$ touch hust.tmp
[huxili@hadoop102 upload]$ touch hust.log
（4） 查看 HDFS 上的数据
（5）等待 1s，再次查询 upload 文件夹
[Tom@hadoop102 upload]$ ll
-rw-rw-r--. 1 Tom Tom 0 9月 11 20:38 hust.log.COMPLETED
-rw-rw-r--. 1 Tom Tom 0 9月 11 20:38 hust.tmp
-rw-rw-r--. 1 Tom Tom 0 9月 11 20:38 hust.txt.COMPLETED
2.2.4 实时监控目录下的多个追加文件
Exec source适用于监控一个实时追加的文件，但不能保证数据不丢失；Spooldir Source能够保证数据不丢失，且能够实现断点续传，但延迟较高，不能实时监控；而Taildir Source既能够实现断点续传，又可以保证数据不丢失，还能够进行实时监控。
1. 案例需求：使用 Flume 监听整个目录的实时追加文件，并上传至HDFS。（在实际操作中我们直接打印到控制台，这样更直观）
2. 需求分析：
3. 实现步骤
（1）创建配置文件flume-taildir-hdfs.conf
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = TAILDIR
a1.sources.r1.filegroups = f1 f2
a1.sources.r1.filegroups.f1 = /opt/module/flume-1.7.0/files/file1.txt
a1.sources.r1.filegroups.f2 = /opt/module/flume-1.7.0/files/file2.txt
a1.sources.r1.positionFile = /opt/module/flume-1.7.0/position/position.json
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
（2）启动监控文件夹命令
[Tom@hadoop102 flume-1.7.0]$ bin/flume-ng agent -c conf/ -n a1 -f job/flume-taildir-hdfs.conf
（3）向 files 文件夹中追加内容
[Tom@hadoop102 flume]$ mkdir files
向 upload 文件夹中添加文件
[Tom@hadoop102 files]$ echo hello >> file1.txt
[Tom@hadoop102 files]$ echo hust >> file2.txt
（4）查看数据
Taildir 说明：
Taildir Source 维护了一个json 格式的 position File，其会定期的往 position File 中更新每个文件读取到的最新的位置，因此能够实现断点续传。Position File 的格式如下：
"inode":2496272,"pos":12,"file":"/opt/module/flume/files/file1.txt"
"inode":2496275,"pos":12,"file":"/opt/module/flume/files/file2.txt"
注：Linux 中储存文件元数据的区域就叫做 inode，每个 inode 都有一个号码，操作系统用 inode 号码来识别不同的文件，Unix/Linux 系统内部不使用文件名，而使用 inode 号码来识别文件。
参考：
https://www.bilibili.com/video/BV184411B7kU?p=15
以上是关于大数据技术之FlumeFlume概述Flume快速入门的主要内容，如果未能解决你的问题，请参考以下文章