打怪升级之小白的大数据之旅(七十二)＜Flume进阶＞

Posted 2021-06-28 GaryLea

打怪升级之小白的大数据之旅(七十二)

Flume进阶

上次回顾

上一章对Flume的基础知识点进行了分享，有了上一章的铺垫，本章就深入学习一下Flume的进阶知识点

Flume的使用很简单，主要就是写配置文件，至于具体怎么配置，大家要善用官网。我再次介绍一下Fluem说明文档http://flume.apache.org/FlumeUserGuide.html

官网文档是真的细，我的案例也是参考的官方示例

Flume事务

Flume既然是针对海量数据传输的框架，它最主要的工作自然就是数据的传输，为了确保数据的完整性，Flume内部会有一个事务机制，用于保证数据再传输过程中的完整、正确性，注意啦，事务都是存储在Channel中的

上图就是Flume包含事务的架构图，图中我们可以看到，Flume由两部分组成

• Source端的事务 Put事务
  • doput: 将数据写入到临时缓冲区putList中
  • doCommit: 将putList中的数据提交到channel中
  • doRollback: doCommit提交失败，就会调用此方法，将提交的数据放回到putList中，并再次调用doCommit提交
  • 如果在Put数据时Flume挂掉了，Put事务就会清空putList中的数据，这样可以确保channel中的数据不重复，不丢失，当Flume重新启动就会要求输入端重新发送数据
• Sink端的事务 Take事务
  • channel我前面说了，它就像一艘船，只是存储数据的缓冲区，所以写出数据就是Take，Take事务和Put事务方法类似，只不过它是拉取数据
  • doTake：将数据拉取到临时缓冲区takeList中
  • doCommit：将takeList中的数据写入到HDFS中,如果成功，则清空takeList中的数据
  • doRollback： 如果doCommit失败，为了防止数据丢失，如Flume宕机等情况，它会将数据放回到channel中

Flume Agent内部原理

下面我将Flume的内部原理进行分享

前面已经学习了Flume的基础架构：三大组件source channel sink，这是最基本的flume，在实际开发中，一个flume中会有多个channel、sink

source接收到数据后内部的具体工作：

• source接收到数据后，会生成一个Event，然后放到channelProcessor中，
• channelProcessor会做两件事情，第一件，将事件放到拦截器链Interceptor中进行处理，比如定义Event的Header，处理之后，channelProcessor就会将事件放到Channel选择器中
• Channel选择器内部有两种选择器，一种是默认的复制ReplicatingChannelSelector，一种是多路复用MultiplexingChannelSelector(具体的等下会讲)
• Channel选择器选择好之后，channelProcessor会就根据Channel选择器的结果将事件写入到对应的Channel中

Sink内部的工作

• Sink拉取数据时会放到SinkProcessor，SinkProcessor默认是直接将数据拉取到Sink中，这个就是DefaultSinkProcessor
• SinkProcessor还有另外两种方式，一种是负载均衡LoadBalancingSinkProcessor，一种是故障转移FailoverSinkProcessor(后面会讲)

Flume拓扑结构

下面就为大家详细介绍一下Channel选择器和SinkProcessor中的故障转移与负载均衡

简单串联

首先介绍一下Flume的简单串联

上图就是简单串联，就像上一章我举的运河运输货物的栗子，两个Flume就像两艘船，要想进行串联，此时就需要一个串联的介质，它就是Avro,Avro有avroSource和avroSink,通过它们就可以实现两个Flume中间的连接

复制和多路复用

Flume支持将事件流向一个或者多个目的地。这种模式可以将相同数据复制到多个channel中，或者将不同数据分发到不同的channel中，sink可以选择传送到不同的目的地

复制的意思就是说，将Event发送到所有的Channel中，每个Channel中包含的Event都是一样的

多路复用就说，一个Event可以选择性的发送，为了实现这个功能，通常情况下是配合拦截器链Interceptor进行的，通过Interceptor设置的Event Header可以很方便地选择需要将Event发送到想要发送的Channel中

复制和多路复用案例(单数据源多出口)

因为多路复用案例需要配合拦截器，所以我先写一个复制的案例

案例需求：

• 监控Hive实时更新的日志文件，并将更新的文件内容分别保存在HDFS和本地中

需求分析：

• 既然是监控日志文件并且分别输出，那么我们使用三个Flume就可以很轻松解决这个需求
• Flume-1监控日志文件的变动，并将变动的内容分别传递给Flume-2和Flume-3
• Flume-2负责存储到HDFS
• Flume-3负责输出到本地文件夹中
  
  案例实现

Flume1:配置1个接收日志文件的source和两个channel、两个sink，分别输送给flume-flume-hdfs和flume-flume-dir

# Flume1
vim /opt/module/flume/job/group1/flume-file-flume.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2
# 将数据流复制给所有channel
a1.sources.r1.selector.type = replicating

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log
a1.sources.r1.shell = /bin/bash -c

# Describe the sink
# sink端的avro是一个数据发送者
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop102 
a1.sinks.k1.port = 4141

a1.sinks.k2.type = avro
a1.sinks.k2.hostname = hadoop102
a1.sinks.k2.port = 4142

# Describe the channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel
a1.sources.r1.channels = c1 c2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2

Flume2:将Flume1输出作为Flume2的Source，接着输出数据到HDFS中

# Flume2
vim /opt/module/flume/job/group1/flume-flume-hdfs.conf

# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1

# Describe/configure the source
# source端的avro是一个数据接收服务
a2.sources.r1.type = avro
a2.sources.r1.bind = hadoop102
a2.sources.r1.port = 4141

# Describe the sink
a2.sinks.k1.type = hdfs
a2.sinks.k1.hdfs.path = hdfs://hadoop102:9820/flume1/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k1.hdfs.filePrefix = flume1-
#是否按照时间滚动文件夹
a2.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a2.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k1.hdfs.rollCount = 0

# Describe the channel
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1

Flume3:将Flume1输出作为Flume3的Source，接着输出数据到本地文件夹中

# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c2

# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = hadoop102
a3.sources.r1.port = 4142

# Describe the sink
a3.sinks.k1.type = file_roll
a3.sinks.k1.sink.directory = /opt/module/flume/job/datas/flume1

# Describe the channel
a3.channels.c2.type = memory
a3.channels.c2.capacity = 1000
a3.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r1.channels = c2
a3.sinks.k1.channel = c2

运行flume:

# flume-flume-dir
flume-ng agent -c conf/ -f /opt/module/flume/job/group1/flume-flume-dir.conf -n a3

# flume-flume-hdfs
flume-ng agent -c conf/ -f /opt/module/flume/job/group1/flume-flume-hdfs.conf -n a2

# flume-file-flume
flume-ng agent -c conf/ -f /opt/module/flume/job/group1/flume-file-flume.conf -n a1

运行结果：

• HDFS:
  
  本地文件夹中：
  

负载均衡和故障转移

Flume支持使用将多个sink逻辑上分到一个sink组，sink组配合不同的SinkProcessor可以实现负载均衡和错误恢复的功能

负载均衡意思就是，当Sink中的数据需要发送到下一个Flume时，为了避免数据倾斜导致某个Flume承载较大而其他Flume比较空闲时，可以尽量均衡的发送到Flume中

故障转移是说，Sink发送到Flume中时，某个Flume挂掉了，可以将该挂掉的Flume中的数据发送到其他Flume中

负载均衡和故障转移案例

案例需求：

• 使用Flume1监控一个端口，其sink组中的sink分别对接Flume2和Flume3，采用FailoverSinkProcessor，实现故障转移的功能

需求分析：

• Flume1 使用netcat Source来监控文件.并将文件内容分别发给Flume2和Flume3
• Flume2和Flume3都使用loggerSink进行控制台输出，看看效果
• 当其中一个Flume挂掉，继续查看Flume输出结果
  
  案例实现：

Flume1: 利用netcat 监控指定端口的数据，并开启故障转移功能,然后将结果发送给Flume2和Flume3

vim /opt/module/flume/job/group2/flume-netcat-flume.conf

# Name the components on this agent
a1.sources = r1
a1.channels = c1
a1.sinkgroups = g1
a1.sinks = k1 k2

# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

a1.sinkgroups.g1.processor.type = failover
a1.sinkgroups.g1.processor.priority.k1 = 5
a1.sinkgroups.g1.processor.priority.k2 = 10
a1.sinkgroups.g1.processor.maxpenalty = 10000

# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop102
a1.sinks.k1.port = 4141

a1.sinks.k2.type = avro
a1.sinks.k2.hostname = hadoop102
a1.sinks.k2.port = 4142

# Describe the channel
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.sinkgroups.g1.sinks = k1 k2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c1

Flume2: Flume2获取Flume1数据 ，将结果输出到控制台

vim /opt/module/flume/job/group2/flume-flume-console1.conf 

# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1

# Describe/configure the source
a2.sources.r1.type = avro
a2.sources.r1.bind = hadoop102
a2.sources.r1.port = 4141

# Describe the sink
a2.sinks.k1.type = logger

# Describe the channel
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1

Flume3： Flume3获取Flume1数据，将结果输出到控制台

vim /opt/module/flume/job/group2/flume-flume-console2.conf 

# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c2

# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = hadoop102
a3.sources.r1.port = 4142

# Describe the sink
a3.sinks.k1.type = logger

# Describe the channel
a3.channels.c2.type = memory
a3.channels.c2.capacity = 1000
a3.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r1.channels = c2
a3.sinks.k1.channel = c2

运行Flume

# Flume3
flume-ng agent -c conf/ -f flume-flume-console2.conf  -n a3
# Flume2
flume-ng agent -c conf/ -f flume-flume-console1.conf  -n a2
# Flume1
flume-ng agent -c conf/ -f flume-netcat-flume.conf  -n a1
# 再开启一个shell窗口，使用netcat 模拟数据源
nc localhost 44444
hello
world
hadoop

输出结果：

• 只有Flume2的控制台输出了结果，Flume没有输出
  
  关闭Flume2再次向端口中发送数据,此时Flume1接收到了数据，这个就是故障转移，负载均衡的话，因为需要海量数据来支撑，我博客里无法具体实现，负载均衡的实现就和故障转移实现方式一样，只是需要改变一下参数
  

聚合

这种模式是我们最常见的，也非常实用，日常web应用通常分布在上百个服务器，大者甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用flume的这种组合方式能很好的解决这一问题，每台服务器部署一个flume采集日志，传送到一个集中收集日志的flume，再由此flume上传到hdfs、hive、hbase等，进行日志分析

聚合的思想很好理解，想想前面讲过的MR，MR也是这样。分合

聚合案例

案例需求：

• hadoop102上的Flume-1监控文件/opt/module/group.log，
• hadoop103上的Flume-2监控某一个端口的数据流
• Flume-1与Flume-2将数据发送给hadoop104上的Flume-3，Flume-3将最终数据打印到控制台

需求分析：

• Flume1 监控模拟的Log日志文件group.log，将数据发送给Flume3
• Flume2监控指定端口的数据,将数据发送给Flume3
• Flume3将数据汇总合并，然后打印到控制台中

案例实现：为了案例更加贴合实际场景，我就不在一个节点中了，我在集群中实现，首先分别在hadoop102,hadoop103,hadoop103节点中创建我们的案例文件夹

mkdir /opt/module/flume/job/group3

Flume1: 配置Source用于监控自定义.log文件，配置Sink输出数据到Flume3

vim /opt/module/flume/job/group3/flume1-logger-flume.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/my.log
a1.sources.r1.shell = /bin/bash -c

# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop104
a1.sinks.k1.port = 4141

# Describe the channel
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

Flume2: 配置Source监控端口44444数据流，配置Sink数据到Flume3

vim /opt/module/flume/job/group3/flume2-netcat-flume.conf
# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1

# Describe/configure the source
a2.sources.r1.type = netcat
a2.sources.r1.bind = hadoop103
a2.sources.r1.port = 44444

# Describe the sink
a2.sinks.k1.type = avro
a2.sinks.k1.hostname = hadoop104
a2.sinks.k1.port = 4141

# Use a channel which buffers events in memory
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1

Flume3

vim /opt/module/flume/job/group3/flume3-flume-logger.conf
# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c1

# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = hadoop104
a3.sources.r1.port = 4141

# Describe the sink
# Describe the sink
a3.sinks.k1.type = logger

# Describe the channel
a3.channels.c1.type = memory
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1

运行Flume

Flume3
flume-ng agent --conf conf/ --name a3 --conf-file flume3-flume-logger.conf -Dflume.root.logger=INFO,console

Flume2
flume-ng agent -c /conf -f flume2-netcat-flume.conf -n a2 -Dflume.root.logger=INFO,console

Flume1
flume-ng agent -c conf/ -f flume1-logger-flume.conf -n a1 -Dflume.root.logger=INFO,console

测试数据:

# hadoop102 中模拟日志文件写入
echo hello >> /opt/module/my.log 
# hadoop103 连接natcat 
nc hadoop103 4444 
world

在最终结果服务器上查看结果: hadoop104

总结

本章节主要对Flume的内部原理进行了分享，并针对内部原理举了几个案例，大家根据案例就可以体会到Flume内部原理的妙用，下一章，是FLume的最后一章，扩展知识点