Hive部分的讲解基本上就完事了，从本章开始我们来看一下Flume框架。同样的，第一篇文章还是简单的介绍一下Flume框架。关注专栏《破茧成蝶——大数据篇》，查看更多相关的内容~
目录
一、什么是Flume
Flume是一个分布式的，可靠的，可用的，非常有效率的对大数据量的日志数据进行收集、聚集、移动信息的服务。Flume仅仅运行在Linux环境下。它是一个基于流式的、数据的、非常简单的（只需要写一个配置文件）、灵活的架构，它也是一个健壮的、容错的。它用一个简单的扩展数据模型用于在线实时应用分析。它的简单表现为：写个source、channel、sink，之后一条命令就能操作成功了。通常在一个集群架构中，Flume、Kafka实时的进行数据收集，Spark，Storm实时去处理，Impala实时去查询。
二、Flume的优点
1、Flume可以和任意存储进程集成。
2、输入的的数据速率大于写入目的存储的速率，flume会进行缓冲，减小HDFS的压力。
3、Flume中的事务基于channel，使用了两个事务模型，确保消息被可靠发送。Flume使用两个独立的事务分别负责从soucrce到channel，以及从channel到sink的事件传递。一旦事务中所有的数据全部成功提交到channel，那么source才认为该数据读取完成。同理，只有成功被sink写出去的数据，才会从channel中移除。
三、Flume的架构
Flume架构如下图所示：
Flume-ng只有一个角色的节点：agent。Agent由source、channel和sink组成。
| 角色 | 简介 |
|---|---|
| Source | Source用于采集数据，Source是产生数据流的地方，同时Source会将产生的数据流传输到Channel中。Source输入端常见的类型有：spooling directory、exec、syslog、Avro、netcat等等。 |
| Channel | Channel连接Source和Sink，这个有点像队列。它是位于Source和Sink之间的缓冲区，Flume自带了两种Channel：Memory Channel和File Channel。Memory Channel是基于内存缓存，在不需要关心数据丢失的情况下适用。File Channel是Flume的持久化Channel，系统宕机不会丢失数据。 |
| Sink | 从Channel中收集数据，将数据写到目标源，可以是下一个Source也可以是HDFS或者HBase。Sink组件常见的目标源包括：HDFS、Kafka、Logger、Avro、File，或者是自定义目标源。 |
3.1 Event
Event是Flume数据传输的基本单元。Flume以事件的形式将数据从源头传送到最终的目的地。Event由可选的header和载有数据的一个byte array构成。其中，载有的数据对Flume是不透明的，Header是容纳了key-value字符串的无序集合，key在集合内是唯一的，Header可以在上下文路由中使用扩展。Source监控某个文件，将数据拿到，封装在一个event中，并put/commit（doPut：将批数据先写入临时缓冲区putList。doCommit：检查Channel内存队列是否足够合并。doRollback：Channel内存队列空间不足，回滚数据。）到channel中，channel是一个队列，队列的有点就是先进先出，放好之后尾部一个个event出来，sink主动去从channel中去拉数据（doTake：先将数据取到临时缓冲区takeList。doCommit：如果数据全部发送成功，则清除临时缓冲区的takeList。doRollback：数据发送过程中如果出现异常，rollback将临时缓冲区takeList中的数据归还给Channel内存队列。），sink再把数据写到某个地方，比如HDFS上面。
3.2 Agent
Agent是一个JVM进程，它以事件的形式将数据从源头送至目的。Agent主要有3个部分组成，Source、Channel、Sink。
3.3 Source
Source用于采集数据，Source是产生数据流的地方，同时Source会将产生的数据流传输到Channel中。Source输入端常见的类型有：avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy等等。
3.4 Channel
Channel连接Source和Sink，这个有点像队列。它是位于Source和Sink之间的缓冲区，因此Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作。Flume自带了两种Channel：Memory Channel和File Channel。Memory Channel是基于内存缓存，在不需要关心数据丢失的情况下适用。File Channel是Flume的持久化Channel，系统宕机不会丢失数据。
3.5 Sink
Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。Sink是完全事务性的。在从Channel批量删除数据之前，每个Sink用Channel启动一个事务。批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务。事务一旦被提交，该Channel从自己的内部缓冲区删除事件。Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定义。
四、Flume的特点
1、复杂流动性：Flume允许用户进行多级流动到最终目的地，也允许扇出流（一到多）、扇入流(多到一)的、故障转移和失败处理。2、可靠性：事务性的数据传递，保证了数据的可靠性。3、可恢复性：通道可以以内存或文件的方式实现，内存更快，但是不可恢复，而文件虽然比较慢但提供了可恢复性。
五、Flume的拓扑结构
5.1 Flume-Agent
这种模式是将多个flume给顺序连接起来了，从最初的source开始到最终sink传送的目的存储系统。此模式不建议桥接过多的flume数量， flume数量过多不仅会影响传输速率，而且一旦传输过程中某个节点flume宕机，会影响整个传输系统。
5.2 单Source，多Channel、Sink
Flume支持将事件流向一个或者多个目的地，这种模式将数据源复制到多个channel中，每个channel都有相同的数据，sink可以选择传送的不同的目的地。
5.3 负载均衡
Flume支持使用将多个sink逻辑上分到一个sink组，Flume将数据发送到不同的sink，主要解决负载均衡和故障转移问题。
5.4 Agent聚合
日常web应用通常分布在很多个服务器上，大者甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用Flume的这种组合方式能很好的解决这一问题，每台服务器部署一个Flume采集日志，传送到一个集中收集日志的Flume，再由此Flume上传到HDFS、Hive、Hbase、jms等，进行日志分析。
对于Flume的介绍就到这里吧，这个框架本身也比较简单，你们在这个过程中遇到了什么问题，欢迎留言，让我看看你们遇到了什么问题~
785
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
