Flume入门

Posted 2021-02-06 wonglu

前言：最近有些浮躁，大环境变化无常，这种情况下唯有学习才是王道，好吧，开始学习flume！

一、Flume简介

　　Flume 作为 cloudera 开发的实时日志收集系统，受到了业界的认可与广泛应用。

　　Flume 初始的发行版本目前被统称为 Flume OG（original generation），属于cloudera。重构后的版本统称为 Flume NG （next generation）,将 Flume 纳入 apache 旗下，cloudera Flume 改名为 Apache Flume。

二、Flume基本概念

　　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。

　　flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，它携带日志数据(字节数组形式)并且携带有头信息，这些Event由Source生成，当Source捕获事件后会进行特定的格式化，然后Source会把事件推入(单个或多个)Channel中，可以把Channel看作是一个缓冲区，它将保存事件直到Sink处理完该事件。Sink负责持久化日志或者把事件推向另一个 Source。

　　flume具有可靠性和可恢复性。

三、Flume核心组件　

　　Client：Client生产数据，运行在一个独立的线程。
　　Event： 一个数据单元，消息头和消息体组成。（Events可以是日志记录、 avro 对象等。）
　　Flow： Event从源点到达目的点的迁移的抽象。
　　Agent： 一个独立的Flume进程，包含组件Source、 Channel、 Sink。
　　Source： 数据收集组件。（source从Client收集数据，传递给Channel）。
　　Channel： 中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接 sources 和 sinks ，这个有点像一个队列）。
　　Sink： 从Channel中读取并移除Event， 将Event传递到FlowPipeline中的下一个Agent（如果有的话）（Sink从Channel收集数据，运行在一个独立线程）。

3.1 Agent

　　Flume 运行的核心是 Agent。Flume以agent为最小的独立运行单位。一个agent就是一个JVM。它是一个完整的数据收集工具。Agent使用JVM 运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。通过这些组件，Event 可以从一个地方流向另一个地方，如下图所示。

3.2 Source

　　数据收集组件,负责将数据捕获后进行特殊的格式化，将数据封装到事件（event） 里，然后将事件推入Channel中。Flume提供了各种source的实现，如：

　　♦ Avro Source 支持Avro协议(实际上是Avro RPC),内置支持
　　♦ Thrift Source 支持Thrift协议，内置支持
　　♦ Exec Source 基于Unix的command在标准输出上生产数据
　　♦ JMS Source 从JMS系统(消息、主题)中读取数据，ActiveMQ已经测试过。
　　♦ Spooling Directory Source 监控指定目录内数据变更
　　♦ NetCat Source 监控某个端口，将流经端口的每一个文本行数据作为Event输入
　　♦ Syslog Source 读取syslog数据，产生Event，支持UDP和TCP两种协议
　　♦ HTTP Source 基于HTTP POST或GET方式的数据源，支持JSON、BLOB表示

　　Spool Source 如何使用？

　　在实际使用的过程中，可以结合log4j使用，使用log4j的时候，将log4j的文件分割机制设为1分钟一次，将文件拷贝到spool的监控目录。log4j有一个TimeRolling的插件，可以把log4j分割的文件到spool目录。基本实现了实时的监控。Flume在传完文件之后，将会修改文件的后缀，变为.COMPLETED（后缀也可以在配置文件中灵活指定）。

　　Exec Source 和Spool Source 比较：

　　（1） ExecSource可以实现对日志的实时收集，但是存在Flume不运行或者指令执行出错时，将无法收集到日志数据，无法何证日志数据的完整性。
　　（2） SpoolSource虽然无法实现实时的收集数据，但是可以使用以分钟的方式分割文件，趋近于实时。
　　（3） 总结：如果应用无法实现以分钟切割日志文件的话，可以两种 收集方式结合使用。

3.3 Channel

　　Channel是连接Source和Sink的组件，可以将它看做一个数据的缓冲区（数据队列），它可以将事件暂存到内存中也可以持久化到本地磁盘上， 直到Sink处理完该事件。两个较为常用的Channel， Memory Channel和File Channel。Channel类型：

　　♦ Memory Channel Event数据存储在内存中
　　♦ JDBC Channel Even数据存储在持久化存储中，当前Flume Channel内置支持Derby
　　♦ File Channel Event数据存储在磁盘文件中

　　Memory Channel和File Channel比较：　

　　（1）Memory Channel可以实现高速的吞吐，但是无法保证数据完整性
　　（2）FileChannel保证数据的完整性与一致性。在具体配置不限的FileChannel时，建议FileChannel设置的目录和程序日志文
件保存的目录设成不同的磁盘，以便提高效率。

3.4 Sink

　　从Channel中读取并移除Event,进行相应的存储文件系统，数据库，或者提交到下一个Agent。Sink类型：

　　♦ HDFS Sink 数据写入HDFS
　　♦ Logger Sink 数据写入日志文件
　　♦ Avro Sink 数据被转换成Avro Event，然后发送到配置的RPC端口上
　　♦ Thrift Sink 数据被转换成Thrift Event，然后发送到配置的RPC端口上
　　♦ File Roll Sink 存储数据到本地文件系统
　　♦ HBase Sink 数据写入HBase数据库
　　♦ ElasticSearch Sink 数据发送到ElasticSearch 搜索服务器(集群)

四、Flume使用场景

4.1 多个agent顺序连接

　　可以将多个Agent顺序连接起来，将最初的数据源经过收集，存储到最终的存储系统中。这是最简单的情况，一般情况下，应该控制这种顺序连接的 Agent 的数量，因为数据流经的路径变长了，如果不考虑failover的话，出现故障将影响整个Flow上的Agent收集服务。

4.2 多个Agent的数据汇聚到同一个Agent

　　这种情况应用的场景比较多，比如要收集Web网站的用户行为日志， Web网站为了可用性使用的负载集群模式，每个节点都产生用户行为日志，可以为每个节点都配置一个Agent来单独收集日志数据，然后多个Agent将数据最终汇聚到一个用来存储数据存储系统，如HDFS上。

4.3 多级流

 　　当syslog， java， nginx、 tomcat等混合在一起的日志流开始流入一个agent后，可以agent中将混杂的日志流分开，然后给每种日志建立一个自己的传输通道。

 

五、Flume单机安装测试　

　　首选确认jdk是否安装，这里jdk版本为1.8。

　　1 .解压flume

tar zxvf apache-flume-1.8.0-bin.tar.gz -C /opt/

　　2. 配置

　　进入conf目录，新建example.conf文件，键入如下内容：

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

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

# 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

　　3. 启动flume

　　在flume安装目录下执行：

bin/flume-ng agent -conf conf --conf-file conf/example.conf --name a1 -Dflume.root.logger=INFO,console

　　这里说明flume已经启动了，开始监听本地的44444端口的数据。

　　4. 测试

　　这里配置的是netcat需要安装telnet，可以执行yum install telnet安装。

　　

　　这里通过telnet向本机的44444端口发送数据。

　　

　　这里成功的收到发送的数据了！