最全大数据之flume（一），正式加入字节跳动

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

事件在每个agent的channel中短暂存储，，之后事件被发送到下一个agent或者最终存储中。时间只有在存储在下一个agent或最终存储后才会从当前channel中删除。

flume使用事务的办法来保证事件的可靠传递。source和sink分别被封装到事务中，事务一般有channel提供，从而保证数据传输的可靠。在多个agent（多跳）中，上一跳的sink和下一跳的source都运行事务来保证数据的可靠性。

3、安装、使用(1.9.0版本)

下载地址：https://flume.apache.org/download.html

文档地址：https://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html

解压后删除lib目录下的guava-11.0.2.jar，防止和hadoop不兼容。

3.1、监听数据

步骤：

1. 通过netcat向55555端口发送数据
2. flume监控55555端口并通过source读取数据
3. flume将读取到的数据通过sink写到控制台

操作：

1. 安装netcat

sudo  yum install -y nc

2. 查看端口占用

 netstat -nlp|grep 55555

3. 新建job文件夹，编写flume-netcat-logger.conf文件

[root@hadoop101 apache-flume-1.11.0-bin]# mkdir job
[root@hadoop101 apache-flume-1.11.0-bin]# mkdir job
 vim flume-netcat-logger.conf

# 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 = 55555

# 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#channel总容量
a1.channels.c1.transactionCapacity = 100#单次事务的容量

# Bind the source and sink to the channel
a1.sources.r1.channels = c1#source可以绑定多个channel
a1.sinks.k1.channel = c1#一个sink只能绑定一个channel

执行命令

[root@hadoop101 apache-flume-1.9.0-bin] bin/flume-ng agent -n a1 -c conf/ -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

在控制台查看消息日志

3.2、监控单个文件

步骤：

1. 创建flume配置文件
2. 执行配置文件并开启监控
3. 开启Hive生成日志
4. 查看HDFS上数据

操作：

1. 创建conf文件flume-file-hdfs.conf

 a2.sources = r2
 a2.sinks = k2
 a2.channels = c2

 # Describe/configure the source
 a2.sources.r2.type = exec
 a2.sources.r2.command = tail -F /tmp/root/hive.log
 a2.sources.r2.shell = /bin/bash -c

 # Describe the sink
 a2.sinks.k2.type = hdfs
 a2.sinks.k2.hdfs.path = hdfs://hadoop100:8020/flume/%Y%m%d/%H
 #上传文件的前缀
 a2.sinks.k2.hdfs.filePrefix = logs-
 #是否对时间戳取整
 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 = 100
 #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 = 60
 #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： a2.sources.r2.command中hive的日志路径和 a2.sinks.k2.hdfs.path要根据自己的环境来写，查看路径是否正确使用命令。

hadoop fs -ls hdfs://hadoop100:8020/

如果能看到HDFS的目录说明没问题，如下图。
​
2. 运行命令

bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

3. 启动Hive，可使用命令监控Hive日志 tail -F /tmp/root/hive.log
4. 查看HDFS是否有flume目录
   

3.3、监控目录下的多个新文件

步骤：

1. 创建符合条件的flume配置文件
2. 执行配置文件开启监控
3. 向监控目录中添加文件
4. 查看HDFS检查文件是否上传成功
5. 查看监控目录中的文件是否已被标记

操作：

1. 创建conf文件flume-dir-hdfs.conf

 a2.sources = r2
 a2.sinks = k2
 a2.channels = c2

 # Describe/configure the source
 a2.sources.r2.type = spooldir
 a2.sources.r2.spoolDir=/export/soft/apache-flume-1.9.0-bin/upload
 a2.sources.r2.fileSuffix=.COMPLETED#上传完成后修改文件后缀名进行标记
 a2.sources.r2.fileHeader=true
 a2.sources.r2.ignorePattern=([^ ]*\.tmp)#忽略该类型文件

 # Describe the sink
 a2.sinks.k2.type = hdfs
 a2.sinks.k2.hdfs.path = hdfs://hadoop100:8020/flume/upload/%Y%m%d/%H
 #上传文件的前缀
 a2.sinks.k2.hdfs.filePrefix = logs-
 #是否对时间戳取整
 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 = 100
 #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 = 60
 #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. 创建upload文件夹
3. 运行flume

 bin/flume-ng agent -n a2 -c conf/ -f job/flume-dir-hdfs.conf

4. 查看HDFS和文件标记
   
   
   注意：上传的文件不能重名，flume会报错！虽然会上传成功，但重名文件无法进行标记。

3.4、监控目录下的多个追加的文件

Exec Source适合监控一个实时追加的文件，不能实现断点续传；Spooldir Source适合同步新文件，不适合对实时追加的日志进行监听和同步；而Taildir Source适合用于监听多个实时追加的文件并能实现断点续传。

步骤：

1. 创建flume配置文件
2. 执行配置文件开启监控
3. 向监控文件中追加内容
4. 查看HDFS上的数据是否同步追加

操作：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

存中…(img-vOQL4odq-1715476704893)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！