目录
Flume是一个分布式、可靠和高可用的海量日志采集、配合和传输的系统。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HDFS、HBASE、HIVE、kaflka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。
事件(Event)是Flume的基本数据单元,Flume的数据由Event贯穿始终。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Agent外部的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架构
各组件具体介绍如下:
- events:Flume当中对数据的一种封装。是一个数据单元。flume传输数据最基本的单元
- Interceptor:拦截器,主要作用是将采集到的数据根据用户的配置进行过滤和修饰
- Channel Selector:通道选择器,主要作用是根据用户配置将数据放到不同的Channel当中
- Channel:主要作用是临时的缓存数据
- Sink Runner:sink的运行器,主要是通过它来驱动Sink Processor,Sink Processor驱动Sink来从Channel当中获取数据
- Sink Processor:主要策略有,负载均衡,故障转移以及直通
- Sink:主要作用是从Channel当中取出数据,并将数据放到不同的目的地
Flume分布式系统中最核心的角色是agent。Flume采集系统是由一个个agent所连接起来形成的。每一个agent相当于一个数据传递员,内部有三个组件:
1)Source:采集源
,用于跟数据源对接,以获取数据
【avro source】
监听Avro 端口来接收外部avro客户端的事件流。利用Avro source可以实现多级流动效果,可以应用于分层收集数据,例如当有两层时,启动时先启动第二层(汇集收集层)再启动第一层。
【exec source】
执行某个命令或者脚本,并将其执行结果的输出作为数据源。
【spooling directory source】
将指定的文件加入到“自动搜集”目录中。flume会持续监听这个目录,把文件当做source来处理。
【kafka source】
Kafka Source是一个从Kafka读取消息的Apache Kafka消费者。 如果有多个Kafka源运行,可以使用相同的Consumer Group配置它们,这样每个都将为主题读取一组唯一的分区。
2)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
Sink类型 | 说明 |
---|---|
hdfs sink | 将数据写到HDFS |
avro sink | 使用avro协议将数据发送给另一级的Flume |
HBase sink | 将数据写入到HBase中 |
Kafka sink | 将数据写到Kafka中 |
3)Channel:agent内部的数据传输通道
,用于从source将数据传递到sink。Channel可以用于内存缓存也可以用于文件缓存。
【file channel】
对数据持久化;基于WAL(预写式日志Write-Ahaad Log)实现。但是配置较为麻烦,需要配置数据目录和checkpoint目录;不同的file channel均需要配置一个checkpoint目录。
【memory channel】
不会持久化。消息存放在内存中,提供高吞吐,但提供可靠性;可能丢失数据。
Flume 使用事务性的方式保证传送Event整个过程的可靠性。 Sink 必须在Event 被存入 Channel 后,或者已经被传达到下一站agent里,又或者已经被存入外部数据目的地之后,才能把 Event 从 Channel 中 remove 掉。这样数据流里的 event 无论是在一个 agent 里还是多个 agent 之间流转,都能保证可靠。 Flume支持在本地保存一份文件 channel 作为备份,而memory channel 将event存在内存 queue 里,速度快,但丢失的话无法恢复。
多级Agent串联
#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.source.r1.command=tail -F /home/hadoop/log/test.log
a1.source.r1.channels=c1
#Describe the sink
a1.sinks.k1.type=hdfs
a1.sinks.k1.channel=c1
a1.sinks.k1.hdfs.path=/flume/events/%y-%m-%d/%H%M/
a1.sinks.k1.hdfs.filePrefix=events-
a1.sinks.k1.hdfs.round=true
a1.sinks.k1.hdfs.roundValue=10
a1