Flume概述

Posted Super_Orco

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Flume概述相关的知识,希望对你有一定的参考价值。

Flume概述

常见的开源数据收集系统有:

非结构数据(日志)收集

  Flume

结构化数据收集(传统数据库与 Hadoop 同步)

  Sqoop:全量导入

  Canal(alibaba):增量导入

  Databus(linkedin):增量导入

Flume是什么:

由Cloudera公司开源

分布式、可靠、高可用的海量日志采集系统

数据源可定制,可扩展

数据存储系统可定制,可扩展

中间件:屏蔽了数据源和数据存储系统的异构性

Flume的两个版本

Flume OG 与 Flume NG

OG版本因为有一个巨大的BUG,所以进行升级改造,产出NG版本,NG 版本精简了代码,简化了架构

Flume NG的基本架构

一个Agent就代表一个Flume

Flume 有三个组件,Sourc、Channel、Sink,分别对应了Producer、Buffer、Customer

Flume NG的核心概念

Event

  Event是Flume数据传输的基本单元,Event由可选的header和载有数据的一个byte array构成,载有的数据对flume是不透明的,Flume 不关心数据是什么样子的,Header是容纳了key-value字符串对的无序集合,key在集合内是唯一的

Client

  Client 一般不需要配置在 Flume 中,只需要配置 Agent 即可,Client是一个将原始log包装成events并且发送它们到一个或多个agent的实体,目的是从数据源系统中解耦Flume,在flume的拓扑结构中不是必须的。

  Client的实例可以是 Flume log4j 的 Appender,或者可以使用Client SDK (org.apache.flume.api)定制特定的Client

Agent

  一个Agent包含Source, Channel, Sink和其他组件,它利用这些组件将events从一个节点传输到另一个节点或最终目的,agent是flume流的基础部分

  Source、Channel、Sink 这些的配置具体可以去官网看,比如 kafka 的 sink 怎么配置等,不过我还是列举了一些,图个印象

  Source 将数据写入到 Channel 的尾部,然后 Sink 从 Channel 中获取头部 Event

  Agent.Source

  Source 负责接收日志数据,并将数据包装成Event,并将events批量的放到一个或多个Channel

  不同类型的Source:

    1、与系统集成的Source: Syslog, Netcat

    2、自动生成事件的Source: Exec

        可执行任意Unix命令,无容错性,比如将 tail -f 的标准输出作为输入源,但是有问题,因为再次运行 tail -f 不一定会接着上次的

        a1.sources = r1
        a1.channels = c1
        a1.sources.r1.type = exec
        a1.sources.r1.command = tail -F /var/log/secure
        a1.sources.r1.channels = c1

    3、监听文件夹下文件变化:

      3.1、Spooling Directory Source(是暴露出来的,能直接使用的)

        监听一个文件夹下新产生的文件,并读取内容,发至 channel

        已经产生的文件不能进行任意修改,不然会停止处理

        建议将文件(唯一文件名)写到一个临时目录下,之后move到监听目录下

        spooling能监听新文件的产生,能监听文件的变化吗:

        不可以,我可以将文件生成在一个文件夹,等文件写完了,将文件复制到一个文件夹,然后再去读取,总之,flum的spooling这种方式,监听的文件内容不能有修改,也不能有新增

        a1.channels = ch-1
        a1.sources = src-1
        a1.sources.src-1.type = spooldir
        a1.sources.src-1.channels = ch-1
        a1.sources.src-1.spoolDir = /var/log/apache/flumeSpool
        a1.sources.src-1.fileHeader = true

      3.2、Taildir Source(没有暴露出来,不可以直接使用,某公司内部貌似修改源码,内部可以使用了,说实话,既然不暴露出来给我用,设计出来的用意是什么)

        监听文件内容,一旦新写入一行新数据,则读取之

        支持断点续读,定期将最新读取数据的偏移量写入json 文件

        根据文件修改时间决定读取优先级,最新的文件优先读取

        读取完的文件不会做任何处理(比如删除,重命名等)

        目前仅支持文本文件

        a1.sources = r1
        a1.channels = c1
        a1.sources.r1.type = TAILDIR
        a1.sources.r1.channels = c1
        a1.sources.r1.positionFile = /var/log/flume/taildir_position.json
        a1.sources.r1.filegroups = f1 f2
        a1.sources.r1.filegroups.f1 = /var/log/test1/example.log
        a1.sources.r1.headers.f1.headerKey1 = value1
        a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*
        a1.sources.r1.headers.f2.headerKey1 = value2
        a1.sources.r1.headers.f2.headerKey2 = value2-2
        a1.sources.r1.fileHeader = true

    4、用于Agent和Agent之间通信的 IPC Source: Avro、Thrift(比json、fastjson、xml更好的数据传输结构),下面以Avro 为例

        a1.sources = r1
        a1.channels = c1
        a1.sources.r1.type = avro
        a1.sources.r1.channels = c1
        a1.sources.r1.bind = 0.0.0.0
        a1.sources.r1.port = 4141

      5、Source必须至少和一个channel关联

  Agent.Channel

    Channel位于Source和Sink之间,用于缓存event

    当Sink成功将event发送到下一跳的channel或最终目的,event从Channel移除

    不同的Channel提供的持久化水平也是不一样的

      1、Memory Channel: volatile,基于内存的这种方式优点肯定是快,缺点是可能会丢失

        a1.channels = c1
        a1.channels.c1.type = memory
        a1.channels.c1.capacity = 10000
        a1.channels.c1.transactionCapacity = 10000
        a1.channels.c1.byteCapacityBufferPercentage = 20
        a1.channels.c1.byteCapacity = 800000

      2、File Channel: 基于WAL(预写式日志Write-Ahead Logging)实现,缺点就是慢,优点是不会丢失,和memory权衡使用吧

        a1.channels = c1
        a1.channels.c1.type = file
        a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
        a1.channels.c1.dataDirs = /mnt/flume/data

      3、JDBC Channel: 基于嵌入Database实现

    Channel支持事务,提供较弱的顺序保证

    可以和任何数量的Source和Sink工作

   Agent.Sink

    Sink负责将event传输到下一跳或最终目的,成功完成后将event从channel移除

    必须作用于一个确切的channel

    不同类型的Sink:

      1、存储event到最终目的的终端Sink. 比如:

        1.1、HDFS

        a1.channels = c1
        a1.sinks = k1
        a1.sinks.k1.type = hdfs
        a1.sinks.k1.channel = c1
        a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/%S
        a1.sinks.k1.hdfs.filePrefix = eventsa1.
        sinks.k1.hdfs.round = true
        a1.sinks.k1.hdfs.roundValue = 10
        a1.sinks.k1.hdfs.roundUnit = minute
        #a1.sinks.k1.hdfs.codeC=gzip, bzip2, lzo, lzop, snappy
        #a1.sinks.k1.hdfs.fileType=SequenceFile, DataStream,CompressedStream       

       1.2、HBase

        a1.sinks = k1
        a1.sinks.k1.type = hbase
        a1.sinks.k1.table = foo_table
        a1.sinks.k1.columnFamily = bar_cf
        a1.sinks.k1.serializer = org.apache.flume.sink.hbase.RegexHbaseEventSerializer
        a1.sinks.k1.channel = c1

      1.3、hive

        a1.channels = c1
        a1.channels.c1.type = memory
        a1.sinks = k1
        a1.sinks.k1.type = hive
        a1.sinks.k1.channel = c1
        a1.sinks.k1.hive.metastore = thrift://127.0.0.1:9083
        a1.sinks.k1.hive.database = logsdb
        a1.sinks.k1.hive.table = weblogs
        a1.sinks.k1.hive.partition = asia,%{country},%y-%m-%d-%H-%M
        a1.sinks.k1.useLocalTimeStamp = false
        a1.sinks.k1.round = true
        a1.sinks.k1.roundValue = 10
        a1.sinks.k1.roundUnit = minute
        a1.sinks.k1.serializer = DELIMITED
        a1.sinks.k1.serializer.delimiter = "\\t"
        a1.sinks.k1.serializer.serdeSeparator = \'\\t\'
        a1.sinks.k1.serializer.fieldnames =id,,msg

      2、自动消耗的Sink. 比如: Null Sink,生产环境中很少用,主要用于测试环境

      3、用于Agent间通信的 IPC sink: Avro

还有一些其他重要组件

Interceptor

作用于Source,按照预设的顺序在必要地方装饰和过滤events

Channel Selector

允许Source基于预设的标准,从所有Channel中,选择一个或多个Channel

Sink Processor

多个Sink可以构成一个Sink Group。Sink Processor可以通过组中所有Sink实现负载均衡;也可以在一个Sink失败时转移到另一个

两个常用的拓扑示例

a1.channels = c1
a1.sources = r1
a1.sinks = k1 k2
a1.sinkgroups = g1

a1.sinkgroups.g1.processor.type = LOAD_BALANCE
a1.sinkgroups.g1.processor.selector = ROUND_ROBIN
a1.sinkgroups.g1.processor.backoff = true

a1.channels.c1.type = FILE

a1.sources.r1.channels = c1
a1.sources.r1.type = AVRO
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 41414

a1.sinks.k1.channel = c1
a1.sinks.k1.type = AVRO
a1.sinks.k1.hostname = a21.example.org
a1.sinks.k1.port = 41414

a1.sinks.k2.channel = c1
a1.sinks.k2.type = AVRO
a1.sinks.k2.hostname = a22.example.org
a1.sinks.k2.port = 41414
第一层(Tier 1)配置实例
a2.channels = c1
a2.sources = r1
a2.sinks = k1

a2.channels.c1.type = FILE

a2.sources.r1.channels = c1
a2.sources.r1.type = AVRO
a2.sources.r1.bind = 0.0.0.0
a2.sources.r1.port = 41414

a2.sinks.k1.channel = c1
a2.sinks.k1.type = HDFS
a2.sinks.k1.hdfs.path = hdfs://namenode.example.org
a2.sinks.k1.hdfs.fileType = DataStream
第二层(Tier 2)配置实例

 

LogAgent.sources = mysource
LogAgent.channels = mychannel
LogAgent.sinks = mysink

LogAgent.sources.mysource.type = spooldir
LogAgent.sources.mysource.channels = mychannel
LogAgent.sources.mysource.spoolDir =/tmp/logs

LogAgent.sinks.mysink.channel = mychannel
LogAgent.sinks.mysink.type = hdfs
LogAgent.sinks.mysink.hdfs.path = hdfs://node1:9000/data/logs/%Y/%m/%d/%H/
LogAgent.sinks.mysink.hdfs.batchSize = 1000
LogAgent.sinks.mysink.hdfs.rollSize= 0
LogAgent.sinks.mysink.hdfs.rollCount = 10000
LogAgent.sinks.mysink.hdfs.useLocalTimeStamp = true

LogAgent.channels.mychannel.type = memory
LogAgent.channels.mychannel.capacity = 10000
LogAgent.channels.mychannel.transactionCapacity = 100
启动方式:

$ bin/flume-ng agent -n LogAgent -c conf -f conf/logagent.properties -Dflume.root.logger=DEBUG,console
flume当提示报错,进入safe mod,可能是删掉hdfs的什么文件了,
以下是老师的方法:
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /
rm: Cannot delete /. Name node is in safe mode.
[orco@node1 resources]$ hadoop dfsadmin -safemode leave
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.

Safe mode is OFF
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /
rm: `/\': Input/output error
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /*
rm: `/bin\': No such file or directory
rm: `/boot\': No such file or directory
rm: `/dev\': No such file or directory
rm: `/etc\': No such file or directory
rm: `/home\': No such file or directory
rm: `/lib\': No such file or directory
rm: `/lib64\': No such file or directory
rm: `/lost+found\': No such file or directory
rm: `/media\': No such file or directory
rm: `/mnt\': No such file or directory
rm: `/opt\': No such file or directory
rm: `/proc\': No such file or directory
rm: `/root\': No such file or directory
rm: `/sbin\': No such file or directory
rm: `/selinux\': No such file or directory
rm: `/srv\': No such file or directory
rm: `/sys\': No such file or directory
Deleted /tmp
rm: `/usr\': No such file or directory
rm: `/var\': No such file or directory
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /hdfs
Deleted /hdfs
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /user
Deleted /user
[orco@node1 resources]$ 
Flume报错进入safe mode,尝试这样解决

 

以上是关于Flume概述的主要内容,如果未能解决你的问题,请参考以下文章

Flume 概述/企业案例

Flume的概述和安装部署

Flume基础:概述

Flume概述和简单实例

大数据技术之FlumeFlume概述Flume快速入门

大数据技术之FlumeFlume概述Flume快速入门