数据集成：Flume和Sqoop

Flume和Sqoop是Hadoop数据集成和收集系统，两者的定位不一样，下面根据个人的经验与理解和大家做一个介绍：

Flume由cloudera开发出来，有两大产品：Flume-og和Flume-ng，Flume-og的架构过于复杂，在寻问当中会有数据丢失，所以放弃了。现在我们使用的是Flume-ng，主要是日志采集，这个日志可以是TCP的系统的日志数据，可以是文件数据（就是通常我们在Intel服务器，通过其中的机构传过来的接口，或者通过防火墙采集过来的日志），在HDFS上去存储，可以和kafka进行集成，这就是Flume的功能。     

Flume架构是分布式，可以根据需要进行扩展Flume的节点和数量。它的扩展有两个含义：一个是横向的，根据原数据源的个数、种类不同进行扩展；第二个就是纵向的，可以增加更多的汇聚层，去做更多的过程的数据处理，而不是数据加载进来之后再进行转换。

Flume的性能高可靠并且高可用的，可靠性主要体现在两个方面：一方面就是有一份数据比较重要，为了保证数据传输的可靠性，可以两个agent指向这份数据，而且两个agent可以进行示范切换，如果其中一个失败，另一个还可以进行传输。另一方面就是在agent的内部可以做缓存通透区，接收到数据可以存到磁盘，放到数据库，纵使agent出问题，数据依然存在。

Flume是做日志采集的，但是更多的数据是从结构化数据库过来的，这时我们就需要Sqoop。Sqoop是关系型数据库和HDFS之间的一个桥梁，可以实现数据在关系型数据库与HDFS之间的一个传送。那么我们什么时候将数据传递到HDFS呢？主要是把新增交易，新增账户加载过来，写的时候除了hdfs,还可以写hive,甚至可以直接去建表。而且可以在源数据库设立是导整个数据库，还是导某一个表，或者导特定的列，这都是常见的在数据仓库中进行的ETL.

sqoop允许增量导入，增量有两种，一种是直接追加（比如新增订单、交易可以追加）；另一种是状态的改变，比如一个客户之前是白名单客户，还款很好，但是如果某个月逾期，加入黑名单，后期还款了又回到白名单，状态在不停改变，那么就不能再和交易等一样做追加，这个时候需要做的就是拉链。需要一个修改的日期，那么这个状态有没有修改，如果修改了，那么之前加载的怎么办？可以通过sqoop进行配置，加载的时候让它们在Hadoop里面进行更新。我们知道HDFS文件不能更新，这个时候进行文件合并，通过合并的方式把文本的数据清除。

数据什么时候导出呢？导出数据就在于Hadoop里面分析好的数据，我们可能需要下载一个数据集市，基于这个集市把数据导出来，所以sqoop也可以把数据导出。sqoop导出的机制是：默认的是mysql，mysql 效率较低，那么选择第二种方式---直接模式，利用数据库本身提供的一些导出工具。但是这些导出工具的效率还不够高，更高的就是专业的定制的连接器，目前定制的连接器有MySQL、Postgres、Netezza、Teradata、Oracle。

以上就是根据自己的一些学习和工作经验总结的关于Flume和Sqoop的相关知识，有些具体的知识这里没有多涉及，如果想了解的可以自己去学习。我自己平常也会去关注“大数据cn”和“大数据时代学习中心”这些微信公众号，里面分享的一些资讯和知识点对我有很大的帮助，推荐大家去看看，期望共同进步！