前言
在一个完整的大数据处理系统中,除了hdfs+mapreduce+hive组成分析系统的核心之外,还需要数据采集、结果数据导出、任务调度等不可或缺的辅助系统,而这些辅助工具在hadoop生态体系中都有便捷的开源框架
如图所示:
1.Flume介绍
1.1 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HDFS、hbase、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
1.2 运行机制
- 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,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
单个agent采集数据
多级agent之间串联
2.Flume的安装部署
2.1下载地址:http://flume.apache.org/download.html
上传后解压缩
tar -zxvf apache-flume-1.8.0-bin.tar.gz -C /usr/local/
改名:mv apache-flume-1.8.0-bin/ flume
2.2修改配置文件
进入conf目录:
cp flume-env.sh.template flume-env.sh
在里面配置JAVA_HOME
2.3配置环境变量
vim ~/.bashrc
中增加你的flume的安装目录路径
source ~/.bashrc
2.4查看版本(到flume的bin目录)
flume-ng version
3.Flume的三个案例
3.1、案例一
flume的官方文档https://flume.apache.org/FlumeUserGuide.html
需求
从指定网络端口采集数据输出到控制台
操作
使用flume的关键就是写配置文件
- 1)配置Source
- 2)配置Channel
- 3)配置Sink
- 4)把以上三个组件串起来
在conf下增加配置文件
vim netcat-logger.conf
# example.conf: A single-node Flume configuration
# 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 = Master
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
- a1:agent名称
- r1:source名称
- k1:sink名称
- c1:channel名称
启动agent
netcat-logger.conf是自己刚刚创建的配置文件名字
flume-ng agent --name a1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/netcat-logger.conf -Dflume.root.logger=INFO,console
正在监听数据
如何操作(使用telnet进行操作)
打开新的控制台,对端口号44444进行操作
telnet Master 44444
接收数据进行分析
Event: { headers:{} body: 68 65 6C 6C 6F 0D hello.}
Event是Flume数据传输的基本单元
Event=可选的header+byte array
一行记录即为一个Event
3.2、案例二
需求
监控一个文件实时采集新增的数据输出到控制台
Agent选型:exec source + memory channel + logger sink
1.在conf下创建新配置文件example.conf
# example.conf: A single-node Flume configuration
# 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 /usr/local/hadoop/data/data.log
a1.sources.r1.shell = /bin/sh -c
# 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
2.在/usr/local/hadoop中创建data文件夹,并创建data.log文件
mkdir data
vim data.log 保存并退出
2.启动Agent
flume-ng agent --name a1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/example.conf -Dflume.root.logger=INFO,console
3.data.log增加内容
echo hello >> data.log
3、案例三
需求
将A服务器上的日志实时采集到B服务器上
技术选型:
exec source + memory channel + avro sink
avro source + memory channel + logger sink
启动