大数据——Flume介绍

背景

Hadoop业务的整体开发流程：

从Hadoop的业务开发流程图中可以看出，在大数据的业务处理过程中，对于数据的采集是十分重要的一步，也是不可避免的一步。
许多公司的平台每天会产生大量的日志（一般为流式数据。如：搜索引擎的pv、查询等），处理这些日志需要特定的日志系统，一般而言，这些系统需要具有以下特征：

• 构建在应用系统和分析系统的桥梁，并将它们之间的关联解耦。
• 支持近实时的在线分析系统和类似于Hadoop之类的离线分析系统。
• 具有高可用扩展性。即：当数据量增加时，可以通过增加节点进行水平扩展。

开源的日志系统，包括Facebook的scribe、Apache的chukwa、LinkedIn的kafka和Cloudera的flume等。

Flume的简介

flume作为Cloudera开发的实时日志收集系统，受到了业界的认可与广泛应用。flume初始的发行版本目前被统称为Flume OG（original generation），属于Cloudera。

但随着Flume功能的扩展，Flume OGdiamante工程臃肿、核心组件设计不合理、核心配置不标准等缺点暴露出来，尤其是在Flume OG的最后一个发行版本0.9.4中，日志传输不稳定的现象尤为严重，为了解决这些问题，2011年10月22号，Cloudera完成了Flume-728，对Flume进行了里程碑式的改动：重构核心组件、核心配置以及代码架构，重构后的版本统称为Flume NG（next generation）。改动的另一原因是将Flume纳入Apache旗下，Cloudera Flume改名为Apache Flume。

Flume是Apache的顶级项目，官方网站：http://flume.apache.org/

Flume是一个分布式可靠、高可用的海量日志聚合系统，支持在系统中定制各类数据发送方，用于收集数据。同时，Flume提供对数据的简单处理，并写到各种数据接收方的能力。

Flume在0.9.x and 1.x之间有较大的的架构调整，1.x版本之后的改称Flume NG。0.9.x的称为Flume OG。

Flume目前只有Linux系统的启动脚本，没有Windows环境的启动脚本。

Flume NG的介绍

Flume特点

Flume是一个分布式可靠、高可用的海量日志聚合系统，支持在系统中定制各类数据发送方，用于收集数据。同时，Flume提供对数据的简单处理，并写到各种数据接收方（比如：文本、HDFS、Hbase）的能力。

Flume的数据流有事件（Event）贯穿始终。事件是Flume的基本数据单位，它携带日志数据（字节数组形式）并且携带有头信息，这些Event有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（的那个或多个）Channel中。你可以把Channel看作是一个缓冲区。它将保存时间直到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的可靠性
  • 当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略每当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Besteffort（数据发送到接收方后，不会进行确认）。
• Flume的可恢复性
  • 还是靠Channel。推荐使用FileChannel，事件持久化在本地文件系统里（性能较差）。

Flume的一些核心概念

名词	解释
Client	Client生产数据，运行在一个独立的线程。
Event	一个数据单元，消息头和消息体组成。（Events可以是日志记录、avro对象等。）。
Flow	Event从源点到达目的点的迁移的抽象。
Agent	一个独立的Flume进程，包含组件Source、Channel、Sink。（Agent使用JVM运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。）。
Source	数据收集组件。（source从Client收集数据，传递个Channel。）。
Channel	中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接sources和sinks，这个有点像一个队列。）。
Sink	从Channel中读取并移除Event，将Event传递到FlowPipeline中的下一个Agent（如果有的话。）（Sink从Channel收集数据，运行在一个独立线程。）。

Flume NG的体系结构

Flume运行的核心是Agent。Flume以agent为最小的独立运行单位。一个agent就是一个JVM。它是一个完成的数据收集工具，含有三个核心组件，分别是：source、channel、sink。通过这些组件，Event可以从一个地方流向另一个地方，如下图所示：

Source

Source是数据的收集端，负责将数据捕获后进行特殊的格式化，将数据封装到事件（event）里，然后将事件推入Channel中。
Flume提供了各种source的实现，包括Avro Source、Exce Source、Spooling Directory Source、NetCat Source、Syslog Source、Syslog TCP Source、Syslog UDP Source、HTTP Source、HDFS Source等。如果内置的Source无法满足需要，Flume还支持自定义Source。

Channel

Channel是连接Source和Sink的组件，大家可以将它看做一个数据的缓冲区（数据队列），它可以将事件暂存到内存中也可以持久化到本地磁盘上，直到Sink处理完该事件。
Flume对于Channel，则提供了Memory Channel、JDBC Channel、File Channel等。
Memory Channel可以实现高速的吞吐，但是无法保证数据的完整性。
Memory Recover Channel在官方文档的建议上已经建议使用File Channel来替换。
File Channel保证数据的完整性与一致性。在具体配置FileChannel时，建议FileChannel设置目录和程序日志文件保存的目录设成不同的磁盘，以便提高效率。

Sink

Flume Sink取出Channel中的数据，进行相应的存储文件系统、数据库或者是提交到远程服务器。
Flume也提供了各种Sink的实现，包括：HDFS Sink、Logger Sink、Avro Sink、File Roll Sink、Null Sink、HBase Sink等。
Flume Sink在设置存储数据时，可以向文件系统中、数据库中、Hadoop中存储数据，在日志数据较少时，可以将 数据存储在文件系统中，并且设定一定时间间隔保存数据。在日志数据较多时，可以将相应的日志数据存储到Hadoop中，便于日后进行相应的数据分析。

Flume的部署类型

单一流程

多代理流程（多个agent顺序连接）

可以将多个Agent顺序连接起来，将最初的数据源经过收集，存储到最终的存储系统中。这是最简单的情况，一般情况下，应该控制这种顺序连接的Agent的数量，因为数据流经的路径边长了，如果不考虑failover的话，出现故障将影响整个Flow上的Agent收集服务。

流的合并（多个Agent的数据汇聚到同一个Agent）

这种情况应用的场景比较多，比如要收集Web网站的用户行为日志，Web网站为了可用性使用的负载集群模式，每个节点都产生用户行为日志，可以为每个节点都配置一个Agent来单独收集日志数据，然后多个Agent将数据最终汇聚到一个用来存储数据的存储系统，如HDFS上。

多路复用流（多级流）

Flume还支持多级流，什么是多级流？
举个例子，当Syslog、Java、NGINX、Tomcat等混合在一起的日志流开始流入一个agent后，可以agent中将混杂的日志流分开，然后给每种日志建立一个自己的传输通道。

Load Balance功能

下图Agent1是一个路由节点，负责将Channel暂存的Event均衡到对应的多个Sink组件上，而每个Sink组件分别连接到一个独立的Agent上。