flume的安装及配置
flume概述:
- 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。
- Flume可以采集文件,socket数据包等各种形式源数据,又可以将采集到的数据输出到HDFShbase、hive、kafka等众多外部存储系统中
- 一般的采集需求,通过对flume的简单配置即可实现
- Flume针对特殊场景也具备良好的自定义扩展能力,因此,flume可以适用于大部分的日常数据采集场景
flume的运行机制:
- 1、Flume分布式系统中最核心的角色是agent,flume采集系统就是由一个个agent所连接起来形成
- 每一个agent相当于一个数据传递员(Source 到 Channel 到 Sink之间传递数据的形式是Event事件,Event事件是一个数据流单元),内部有三个组件:
- Source:采集源,用于跟数据源对接,以获取数据
- Sink:下沉地,采集数据的传送目的,用于往下一级agent传递数据或者往最终存储系统传递数据
- Channel:angent内部的数据传输通道,用于从source将数据传递到sink
flume的安装与部署
- 1、Flume的安装非常简单,只需要解压即可,当然,前提是已有hadoop环境
上传安装包到数据源所在节点上
然后解压 tar -zxvf apache-flume-1.6.0-bin.tar.gz
然后进入flume的目录,修改conf下的flume-env.sh ,在里面配置JAVA_HOME - 2、根据数据采集的需求配置采集方案,描述在配置文件中(文件名可任意自定义)
- 3、指定采集方案配置文件,在相应的节点上启动flume agent
1、先在flume的conf目录下新建一个文件
vi netcat-logger.conf
# 定义这个agent中各组件的名字
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# 描述和配置source组件:r1的采集类型为 netcat 采集的主机是本机 端口是44444
#如果想采集其他的主机上bind那写0.0.0.0绑定本机的所有ip。相当于与那个主机开了一个tcp socket通信 服务器是绑定的这台主机,主机端口是44444 客户端主机只需要telnet min1 44444即可
#flume的netcat source会自动创建一个socket Server,只需将数据发送到此socket,flume的netcat source 就能获取数据。
配置bind是绑定服务器主机和端口可以是localhost min1 0.0.0.0
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
# 描述和配置sink组件:k1
a1.sinks.k1.type = logger
# 描述和配置channel组件,此处使用是内存缓存的方式
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# 描述和配置source channel sink之间的连接关系
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
2、启动agent去采集数据
bin/flume-ng agent -c conf -f conf/netcat-logger.conf -n a1 -Dflume.root.logger=INFO,console
-c conf 指定flume自身的配置文件所在目录
-f conf/netcat-logger.con 指定我们所描述的采集方案
-n a1 指定我们这个agent的名字
-Dflume.root.logger=INFO,console 这里是传给打log日志的参数,如果sink不是logger则不要写这个参数
3、测试:
输入 telnet localhost 44444
telnet就是往屏幕上打字然后flume去采集
可以看到数据已经打到屏幕上了
如果没有telnet则需要安装 telnet的客户端和服务端:
- 1.rpm -qa | grep telnet 查看有没有安装telnet的rpm包如果没有则:
- 2.sudo yum install telnet #这是安装客户端
- 3.sudo yum install telnet-server #这是安装服务端
- 4.重启xinetd服务
sudo service xinetd restart
总结:
- flume的关键是配置source channel sink
- 其中source里面的type是指定采集的类型是什么采集的类型有很多种 有telnet exec 等等。bind是指定采集的主机 port是端口
- sink是采集到的数据放在哪里去 下沉地可以是hdfs logger hive等等。
- 注意启动flume的命令。
问题:source里面bind min2没用出错:
org.apache.flume.FlumeException: java.net.BindException: Cannot assign requested address
但是绑定所有主机则有用为什么?
原因是 安装flume的是服务端 里面绑定的一定是本机地址 可以是localhost或min1
flume进阶
1、spooldir-logger
#定义三大组件的名称
agent1.sources = source1
agent1.sinks = sink1
agent1.channels = channel1
# 配置source组件
agent1.sources.source1.type = spooldir
agent1.sources.source1.spoolDir = /home/hadoop/logs/
agent1.sources.source1.fileHeader = false
# Use a channel which buffers events in memory
agent1.channels.channel1.type = memory
agent1.channels.channel1.keep-alive = 120
agent1.channels.channel1.capacity = 500000
agent1.channels.channel1.transactionCapacity = 600
#配置sink
agent1.sinks.sink1.type = logger
# Bind the source and sink to the channel
agent1.sources.source1.channels = channel1
agent1.sinks.sink1.channel = channel1
source为spooldir跟踪一个目录/home/hadoop/logs这个目录必须存在 采集到之后logs文件夹中的文件名将带有.complete后缀(这个.complete后缀可以在配置文件中修改) logs里面的文件名不能重复
2、tail-hdfs
采集数据到hdfs source是exex
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# 配置source
#exec 指的是命令
a1.sources.r1.type = exec
#F根据文件名追踪, f根据文件的nodeid追踪
a1.sources.r1.command = tail -F /home/hadoop/logs/test.log
# 配置sink
a1.sinks.k1.type = hdfs
#指定下沉到hdfs的目录, flume帮我们做目录的替换
a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/
#文件的命名, 前缀
a1.sinks.k1.hdfs.filePrefix = events-
#10 分钟就改目录 这是目录滚动的配置
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
#下面sink的3个配置都是文件的滚动设置
#文件滚动之前的等待时间(秒)
a1.sinks.k1.hdfs.rollInterval = 3
#文件滚动的大小限制(bytes)
a1.sinks.k1.hdfs.rollSize = 500
#写入多少个event数据后滚动文件(事件个数)
a1.sinks.k1.hdfs.rollCount = 20
#5个事件从channel就往里面sink地点(hdfs)里写入
a1.sinks.k1.hdfs.batchSize = 5
#用本地时间格式化目录
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#下沉后, 生成的文件类型,默认是Sequencefile,可用DataStream,则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
# 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
启动命令:
bin/flume-ng agent -c conf -f conf/tail-hdfs.conf -n a1
- 1.在/home/hadoop/logs/test.log文件创建这个文件
- 2.在test.log下产生数据
while true
do
echo 111111 >> /home/hadoop/logs/test.log
sleep 0.5
done
- 3.启动flume启动hdfs 可以看到hdfs中产生的数据
3.多级agent的串联:
- 1.有两个配置文件,第一个配置文件tail-avro.conf配置的是从exec往avro上发:
- 2.第二个配置文件是avro-logger.conf 配置的是从avro往logger上发。
- 3.在min2上启动 avro-logger.conf 在 min1上启动tail-avro.conf 这样就实现了多级agent的串联。
tail-avro.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 /home/hadoop/logs/test.log
# Describe the sink
# 绑定的不是本机, 是另外一台机器的服务地址, sink端的avro是一个发送端avro的客户端
# 将数据发送到min2上的4141端口
a1.sinks = k1
a1.sinks.k1.type = avro
a1.sinks.k1.channel = c1
a1.sinks.k1.hostname = min2
a1.sinks.k1.port = 4141
a1.sinks.k1.batch-size = 2
# 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
avro-logger.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
#source中的avro组件是接收者服务端, 绑定本机
a1.sources.r1.type = avro
a1.sources.r1.bind = 0.0.0.0 #绑定本机所有ip
a1.sources.r1.port = 4141
# 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
启动flume:先启动服务端后启动客户端
- min2上:
bin/flume-ng agent -c conf -f conf/avro-logger.conf -n a1 -Dflume.root.logger=INFO,console
- min1 上
bin/flume-ng agent -c conf -f conf/tail-avro.conf -n a1
# 往/home/hadoop/logs/test.log里打数据
while true
do
echo 111111 >> /home/hadoop/logs/test.log
sleep 0.5
done
总结:
在source端的绑定的主机和端口都是服务端、服务端只能绑定本机ip
在sink绑定的主机和端口都是客户端 sink是数据的发送者 注意agent的名字一定不能写错