flume1.8在线上业务中的使用和总结-CSDN博客

本文链接：https://blog.csdn.net/csa121/article/details/79392989

什么是flume？

flume是一个日志采集、聚合和传输的系统

作用是什么？

作用就是将业务集群上各个机器上的日志收集起来，对数据做集中处理。

部署文档

最新版的flume1.8，请参官网 http://flume.apache.org/FlumeUserGuide.html 的使用说明，真的很详细。
网上也有flume1.7的搭建教程，Google一下就可以，搭建过程没有太大的区别。

前期调研

在考虑日志的收集之前，我们主要调研了flume和logstash两款产品。当前业界使用较多的是logstash作为日志收集的工具。现将flume和logstash在我们的业务考虑范围内的区别简单罗列：

Logstash偏重于字段的预处理；flume偏重数据的传输。
Logstash有插件可以使用，配置比较灵活；flume则是强调用户的自定义开发(输入、存储、输出等)。
Logstash的输入、过滤和输出之间都有缓冲区；flume是有channel作持久化（可以自定义配置）

选择使用flume的原因：

传输数据的可靠性（主要因素）。每一个source和sink都被封装成一个事务存储在channel中，可以保证数据准确的被下游消费。如果下游服务挂掉，flume可以将数据持久化到本地，等待下游服务恢复后在输出。
只传输数据不解析。不会对原始的数据进行过滤和预解析，尽量保证主站机器的资源不被日志服务占据太多。所有的解析操作可以放在下游进行。
多种配置方式。有丰富的数据读取方式，tail、socket、exec等等。数据存储可以在本地或者内存，可以配置各种存储空间大小。多种数据输出方式，输出到hdfs、下游flume、es、kafka等等。
多输入输出。可以同时有多个数据源，也可以同时将数据输出到多个下游。
如果实时性要求不高的话可以采取批量读取的方式。
输出数据时可以对数据进行压缩后输出，存储带hdfs的话可能会需要吧。
有java的api，我们可以自己实现对数据的过滤。

以上的调研并不能全面的概括flume的特性，只是它开箱即用的基本特性，其可扩展性很强大。

我们的日志收集系统的整体框架设计

日志收集框架图

如上图所示，在每个nginx机器上部署一个flume的客户端，将我们关心的日志文件写到到flume的配置文件中，具体的配置可以自行网上查找。

遇到的问题及解决办法

1、flume的服务挂了日志数据怎么办？
可以采用将服务以守护进程的方式启动，监控进程的状态，日志是后端和nginx实时打在磁盘的，所以就算服务挂了，重启后也是可以读取到日志的对应位置。或者将flume的channel配置成file，就不会出现日志数据丢失的问题。

2、监听的文件fd换了怎么监控？
flume监控的是文件名，并不是fd，所以当原始日志切换切分时，新创建的日志文件只要名称不变，还是可以监控到。

3、当flume的sink配置的是hdfs时，可以选择将数据压缩。flume支持通用的压缩算法。我们采用了gzip的压缩算法，比不压缩节省约90%的磁盘空间。

最最最重要的问题来了

在flume的sink配置的是hdfs时，请做以下操作，顺序无所谓：

flume使用的是hadoop和hdfs中的lib目录下的jar包，所以需要将对应的jar包导入到flume的lib目录下；
导入core-site.xml和hdfs-site.xml文件，如果文件中配置的是hadoop节点的名字，需要将名字和对应的机器ip配置到/etc/hosts中，不然flume找不到；
一定要将hadoop集群中的native目录导入到flume服务端所在机器的环境变量中，命令 export ~/flume/native。原因是Hadoop是使用Java开发的，但是有一些需求和操作并不适合使用java，所以就引入了本地库的概念，通过本地库，Hadoop可以更加高效地执行某一些操作。

没有导入的时候一般的操作没有什么问题，但是，使用gzip做数据压缩时就会出现系统环境的问题，导致hadoop集群上hive不能正确的解压缩数据。
没有导入native时，gzip压缩的文件使用file查看文件类型时是: gzip compressed data, from FAT filesystem (MS-DOS, OS/2, NT)
导入后，gzip压缩的文件使用file查看文件类型时是: gzip compressed data, from Unix。这才是我们想要的压缩文件。
所以，一定要导入native！！！千万不要踩坑！！！