Flume
1. 简介
Flume是一个用于有效地从许多不同的源收集,聚合和移动大量日志数据到统一的数据存储中的,分布式、可靠且可用的系统,。
Flume的使用不仅限于日志数据聚合。由于数据源是可定制的,因此Flume可用于传输大量事件数据,包括但不限于网络流量数据,社交媒体生成的数据,电子邮件消息以及几乎任何可能的数据源。
2. 机制
- Source: 采集数据的组件
- Channel: 连接Source和Sink,用于缓冲采集到的数据队列
- Sink: 将数据写入到目标源
flume中的数据传递时被封装为一个Event,Event包括header和body。header存储头信息(key-value),body存储具体的数据(字节数组)。每行文本被序列化为一个event,默认的最大字节数为2048,默认编码为UTF-8。
Flume事件被定义为具有字节有效负载和可选字符串属性集的数据流单元。Flume代理是一个(JVM)进程,它承载事件从外部源流向下一个目标(跃点)的组件。
Flume源消耗由外部源(如Web服务器)传递给它的事件。外部源以目标Flume源识别的格式向Flume发送事件。例如,Avro Flume源可用于从Avro客户端或从Avro接收器发送事件的流中的其他Flume代理接收Avro事件。可以使用Thrift Flume Source定义类似的流程,以接收来自Thrift Sink或Flume Thrift Rpc客户端或Thrift客户端的事件,这些客户端使用Flume thrift协议生成的任何语言编写。当Flume源接收事件时,它将其存储到一个或多个频道。该通道是一个被动存储器,可以保持事件直到它被Flume接收器消耗。文件通道就是一个例子 - 它由本地文件系统支持。接收器从通道中移除事件并将其放入外部存储库(如HDFS(通过Flume HDFS接收器))或将其转发到流中下一个Flume代理(下一跳)的Flume源。给定代理程序中的源和接收器与通道中暂存的事件异步运行。
3. 环境搭建
- 下载,解压
- 配置,有3种情况
- (1)flume安装在hadoop集群中:
- 复制一份
flume-env.sh
,在其中添加配置JAVA_HOME
- 复制一份
- (2)flume安装在hadoop集群中,并配置了HA:
- 复制一份
flume-env.sh
,在其中添加配置JAVA_HOME - 将
core-site.xml
和hdfs-site.xml
复制到conf目录下
- 复制一份
- (3)flume不在hadoop集群中:
- 复制一份
flume-env.sh
,在其中添加配置JAVA_HOME - 将
core-site.xml
和hdfs-site.xml
复制到conf目录下 - 拷贝运行运行必须的Jar到lib目录下。
- commons-configuration-*.jar
- hadoop-common-*.jar
- hadoop-auth-*.jar
- hadoop-hdfs-*.jar
- 复制一份
- (1)flume安装在hadoop集群中:
- 测试运行
-
编辑运行配置文件
vi conf/test1
a1.sources = r1 a1.sinks = k1 a1.channels = c1 # 配置 source a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444 # 配置 sink a1.sinks.k1.type = logger # 配置 channel 属性 a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 # 给source和sink绑定channel a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1
-
启动flume:
bin/flume-ng agent --conf conf --conf-file example.conf --name a1 -Dflume.root.logger=INFO,console
-
使用telnet写入测试数据
telnet localhost 44444 > Hello World<ENTER> > aaaa<ENTER>
-
观察flume程序在控制台输出的日志信息
-
4. 使用
4.1 支持的Source、Sink、Channel
- Flume Sources
- Avro Source
- Thrift Source
- Exec Source
- JMS Source
- Spooling Directory Source
- Taildir Source
- Twitter 1% firehose Source
- Kafka Source
- NetCat TCP Source
- NetCat UDP Source
- Sequence Generator Source
- Syslog Sources
- Syslog TCP Source
- Multiport Syslog TCP Source
- Syslog UDP Source
- HTTP Source
- Stress Source
- Legacy Sources
- Avro Legacy Source
- Thrift Legacy Source
- Custom Source
- Scribe Source
- Flume Sinks
- HDFS Sink
- Hive Sink
- Logger Sink
- Avro Sink
- Thrift Sink
- IRC Sink
- File Roll Sink 在本地文件系统上存储事件。
- Null Sink 丢弃从channel收到的所有事件
- HBaseSinks
- HBaseSink
- AsyncHBaseSink
- MorphlineSolrSink
- ElasticSearchSink
- Kite Dataset Sink
- Kafka Sink
- HTTP Sink
- Custom Sink
- Flume Channels
- Memory Channel
- JDBC Channel
- Kafka Channel
- File Channel
- Spillable Memory Channel
- Pseudo Transaction Channel
- Custom Channel
4.2 约定别名
别名 | 类型 |
---|---|
a | agent |
c | channel |
r | source |
k | sink |
g | sink group |
i | interceptor |
y | key |
h | host |
s | serializer |
4.3 范例
- 收集nginx数据,将数据存储到HDFS中,并设置Channel为file
a1.sources = r1 a1.channels = c1 a1.sinks = k1 a1.sources.r1.type = exec a1.sources.r1.command = tail -f /var/log/nginx/access.log a1.sinks.k1.type = hdfs a1.sinks.k1.hdfs.path = hdfs://hh1:9000/flume/nginx/ a1.sinks.k1.hdfs.useLocalTimeStamp = true # 在转义序列时,使用本地时间(前缀中使用了时间转义字符) a1.sinks.k1.hdfs.filePrefix = %Y%m%D # 文件前缀 a1.sinks.k1.hdfs.fileSuffix = .log # 文件后缀 a1.sinks.k1.hdfs.rollInterval = 0 # 将临时文件滚动成的最终目标文件的时间间隔,0表示不根据事件间隔生成 a1.sinks.k1.hdfs.rollSize = 102400 # 当临时文件达到该大小(单位:bytes)时,滚动成目标文件,0表示不根据大小生成 a1.sinks.k1.hdfs.rollCount = 3 # 当事件数量达到该数量时,滚动成目标文件,0表示不根据事件数量生成 a1.channels.c1.type = file a1.channels.c1.checkpointDir=/datas/flume/file/check a1.channels.c1.dataDirs=/datas/flume/file/data a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1