flume大数据框架数据采集系统

    flume是cloudera开源的数据采集系统，现在是apache基金会下的子项目，他是hadoop生态系统的日志采集系统，用途广泛，可以将日志、网络数据、kafka消息收集并存储在大数据hdfs系统之上。现在的flume其实已经不是最初的flume了，他其实是flume-ng，就是flume二代，我们下载最新的apache-flume解压之后，发现bin目录有flume-ng可执行程序，并没有flume可执行程序。

    flume的安装其实很简单，直接下载二进制安装包，解压即可，运行环境需要jdk，设置JAVA_HOME,CLASSPATH

,PATH等环境变量，也是一般hadoop生态系统最基础的环境。

    flume是由agent代理组成的，可以有多个代理，每个代理分为三个组件：信源-source，信道-channel，信宿-sink三部分，架构图如下所示：

信源可以分为：

• directory:spooling directory source，采集目录中的日志。
• http:采集HTTP中的日志，一般设置type=netcat。
• kafka:作为kafka的一个topic的消费者，将kafka的消息收集到系统中。

信道可以分为：

• memory:信道的作用是缓存收集的数据，这里memory是指缓存在内存中，也是最常用的一种方式。
• jdbc:将收集的数据缓存在关系型数据库中。
• kafka:缓存到kafka中。

信宿可以分为：

• logger:flume采集的数据，最终是需要做存储的，一般是存储到文件系统，这种方式是存储在日志文件中，也是最简单的存储。
• hdfs:最常用的存储方式，就是放在hadoop分布式存储系统中，可以有多重稳定性、完整性的保证。
• hive:保存到hive中
• hbase:保存到hbase中
• kafka:这里是指将flume收集系统作为一个kafka的生产者，将消息写入kafka的一个topic中，等待被消费。

谈谈配置文件的配置：

一般是以agent的名称开头，比如agent为a1，然后指定三个组件的名称，比如：

a1.sources=s1
a1.channels=c1
a1.sinks=k1

s1表示agent的源为s1，c1表示agent的信道为c1，k1表示agent的信宿为k1。接下来具体指定每一个组件的类型和详细信息：

source

a1.sources.s1.type=netcat
a1.sources.s1.bind=0.0.0.0
a1.sources.s1.port=30000

channel

a1.channels.c1.type=memory
a1.channels.c1.capacity=100

sink

a1.sinks.k1.type=logger

最后这两句就是将source和slink通过 channel关联起来：

a1.sources.s1.channels=c1
a1.sinks.k1.channel=c1

    一般来说我们是按照source,channel,sink这么个顺序来配置，最终，利用channel将source与sink联系起来。但是这个配置里面，需要注意的地方是，我们配置source的channel是使用的channels，而配置sink的channel是使用的channel，这里需要我们格外的注意。

这里给出一个最简单的配置，默认收集来自http的数据，最终以日志的形式存储。

agent.sources = r1
agent.channels = memoryChannel
agent.sinks = loggerSink

agent.sources.r1.type = netcat
agent.sources.r1.bind = localhost
agent.sources.r1.port = 30000
agent.sources.r1.channels = memoryChannel

agent.sinks.loggerSink.type = logger
agent.sinks.loggerSink.channel = memoryChannel

agent.channels.memoryChannel.type = memory
agent.channels.memoryChannel.capacity = 100

部署测试：

    bin/flume-ng agent --conf conf --conf-file conf/flume-conf.properties --name agent -Dflume.root.logger=INFO,console

    通过telnet命令连接localhost 30000，连接成功输入hello回车，然后输入flume回车，均显示发送成功。

    我们再看启动日志，发现日志中出现了hello,flume等信息，说明flume部署成功。

    当我们以netcat作为source类型的时候，我们其实是在本机开启了一个socket监听服务，监听发送自本机端口为30000的http请求，我们查看本机端口信息：

    因此，我们才可以通过telnet访问本机的30000端口的http服务，并且模拟发送http请求数据。