大数据工具七剑下天山之Flume (一)

一、Apache Flume

1、概述

Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采
集、聚合和传输的软件。

Flume的核心是把数据从数据源（source）收集过来，再将收集到的数据送到指定的目的地（sink）。为了保证输送的过程一定成功，在送到目的地（sink）之前，会先缓存数据（channel），等到数据真正到达目的地（sink）后，flume在删除自己的缓存数据。

我们其实在官网上去查看flume的图示也非常的简单,描述的非常的清除-----http://flume.apache.org/

而且我们的source源、sink源和channel的配置在官网上简洁明了，我们大多根据自己的配置修改一下就好了。

当前的Flume有两个版本，一个是Cloudera公司提供的Flume0.9X版的统称OG；另外一个是Cloudera公司提供给apache组织让其孵化，然后改名为Apache Flume，这个版本的统称为NG。

二、Flume采集系统结构图

简单结构

单个agent采集数据

复杂结构

我们要注意的是这里的复杂结构的图片看起来是主从结构，但是flume里是没有主从这一说法的，都是相互配合着来使用的，上游的sink可以是下游的source。

相关的安装说明

* Flume 的安装非常简单
上传安装包到数据源所在节点上
然后解压 tar -zxvf apache-flume-1.8.0-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
* 根据数据采集需求 配置采集方案，描述在配置文件中(文件名可任意自定义)
* 指定采集方案配置文件，在相应的节点上启动 flume agent

简单的示例，测试flume的使用。

1、先在flume的conf目录下创建一个文件

vim 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
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
# 描述和配置 sink 组件：k1，打印到日志控制台
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

3、测试

先要往agent采集的端口上发送数据，才能让agent监听以及采集数据，我们可以使用telnet，如果没有这个命令可以先使用yum去安装一下，然后使用下面命令建立新的窗口。

telnet anget-hostname port （telnet localhost 44444）

这样在新的端口发送任何命令，那么flume能实时的采集到，这里搭配一下其它的工具也能够做实时的数据采集工具。

三、Flume的load-balance、failover

  负载均衡适用于解决一台机器（一个进程）无法解决所有请求而产生的一种算法。load balancing sink processor能够实现load balance功能，如下图agent1是一个路由节点，负责将channel暂存的event均衡到相对应的多个sink组件上，而每个sink组件分别连接到一个独立的agent上，示例配置，如下图所示：

a1.sinkgroups = g1
a1.sinkgroups.g1.sinks = k1 k2 k3
a1.sinkgroups.g1.processor.type = load_balance
a1.sinkgroups.g1.processor.backoff = true #如果开启，则将失败的 sink 放入黑名单
a1.sinkgroups.g1.processor.selector = round_robin # 另外还支持 random
a1.sinkgroups.g1.processor.selector.maxTimeOut=10000 #在黑名单放置的超时时间，超时结束时，若仍然无法接收，则超时时间呈指数增长

Failover Sink Processor 能够实现 failover 功能，具体流程类似 load
balance，但是内部处理机制与 load balance 完全不同。

四、Flume拦截器实战案例

1.日志的采集和汇总

1.1案例场景和需求

A、B两台日志服务器实时产生主要类型为access.log,neginx.log,web.log

现在我们的需求是，把不同的日志分别收集到hdfs中，在不同的目录中显示，比如在hdfs要求输出的目录为：

/source/logs/access/20160101/**
/source/logs/nginx/20160101/**
/source/logs/web/20160101/**

1.2场景分析

1.3数据流分析

1.4 功能实现

在服务器a和服务器b上 创建配置文件 exec_source_avro_sink.conf

# Name the components on this agent
a1.sources = r1 r2 r3
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /root/data/access.log
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = static
## static 拦截器的功能就是往采集到的数据的 header 中插入自
## 己定义的 key-value 对
a1.sources.r1.interceptors.i1.key = type
a1.sources.r1.interceptors.i1.value = access
a1.sources.r2.type = exec
a1.sources.r2.command = tail -F /root/data/nginx.log
#配置nginx.log的拦截器
a1.sources.r2.interceptors = i2
a1.sources.r2.interceptors.i2.type = static
a1.sources.r2.interceptors.i2.key = type
a1.sources.r2.interceptors.i2.value = nginx
a1.sources.r3.type = exec
a1.sources.r3.command = tail -F /root/data/web.log
#配置web.log的拦截器
a1.sources.r3.interceptors = i3
a1.sources.r3.interceptors.i3.type = static
a1.sources.r3.interceptors.i3.key = type
a1.sources.r3.interceptors.i3.value = web
# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = 192.168.171.110
a1.sinks.k1.port = 41414
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 20000
a1.channels.c1.transactionCapacity = 10000
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sources.r2.channels = c1
a1.sources.r3.channels = c1
a1.sinks.k1.channel = c1

这个文件是channel上游文件的配置，见名知意，我们接下来还要进行下游avro_source_hdfs_sink.conf 的配置

#定义 agent 名， source、channel、sink 的名称
a1.sources = r1
a1.sinks = k1
a1.channels = c1
#定义 source
a1.sources.r1.type = avro
a1.sources.r1.bind = mini2
a1.sources.r1.port =41414
#添加时间拦截器
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type =
org.apache.flume.interceptor.TimestampInterceptor$Builder
#定义 channels
a1.channels.c1.type = memory
a1.channels.c1.capacity = 20000
a1.channels.c1.transactionCapacity = 10000
#定义 sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path=hdfs://192.168.171.110:9000/source/logs/%{ty
pe}/%Y%m%d
a1.sinks.k1.hdfs.filePrefix =events
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.writeFormat = Text
#时间类型
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件不按条数生成
a1.sinks.k1.hdfs.rollCount = 0
#生成的文件按时间生成
a1.sinks.k1.hdfs.rollInterval = 30
#生成的文件按大小生成
a1.sinks.k1.hdfs.rollSize = 10485760
#批量写入 hdfs 的个数
a1.sinks.k1.hdfs.batchSize = 10000
flume 操作 hdfs 的线程数（包括新建，写入等）
a1.sinks.k1.hdfs.threadsPoolSize=10
#操作 hdfs 超时时间
a1.sinks.k1.hdfs.callTimeout=30000
#组装 source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

配置完成之后，就在服务器 A 和 B 上的/root/data 有数据文件 access.log、
nginx.log、web.log。先启动服务器 C 上的 flume，启动命令
在 flume 安装目录下执行 ：
bin/flume-ng agent -c conf -f conf/avro_source_hdfs_sink.conf -name a1 -Dflume.root.logger=DEBUG,console

*我们要注意，如果是分段的，要靠近数据源的先进行启动

然后在启动服务器上的 A 和 B，启动命令
在 flume 安装目录下执行 ：
bin/flume-ng agent -c conf -f conf/exec_source_avro_sink.conf -name a1 -Dflume.root.logger=DEBUG,console

当然了我们也可以进行自定义的source、sink和拦截器的自定义配置，这类感兴趣的同学可以自己去百度或者去github，flume的官网上查找相关的资源，笔者就不一一赘述了。