Flume简介：
Apache Flume是一个分布式、可信任的弹性系统，用于高效收集、汇聚和移动大规模日志信息，从多种不同的数据源到一个集中的数据存储中心(HDFS、HBase)。
功能：
--支持在日志习哦他能够中定制各类数据发送方，用于收集数据；
--提供对数据进行简单处理，并写到各种数据接收方
多种数据源：
--Console、RPC、Text、Tail、Syslog、Exec等
特点：
Flume可以高效率的将多个网站服务器中收集的日志信息存入HDFS/HBase中
使用Flume，可以将从多个服务器中获取的数据迅速的移交给Hadoop中
支持各种接入资源数据的类型以及接出数据类型
支持多路径流量，多管道接入流量，多管道接出流量，上下文路由等
可以被水平扩展
数据发生器产生的数据被单个的运行在数据发生器所在服务器上的agent收集，之后数据收容器从各个agent上汇集数据并将采集到的数据存入到HDFS或者HBase中。
Flume Event
Flume使用Event对象来作为传递数据的格式，是内部数据传输的最基本单元；
Flume Event由两部分组成：转载数据的字节数组(Byte Payload)+可选头部(Header)
Header是key/value形式的，可以用来制造路由决策或携带其他结构化信息(如事件的时间戳或事件来源的服务器主机名)，可以想象成和HTTP头一样提供相同的功能(通过该方法来传输正文之外的额外信息)。Flume提供的不同source会给其生成的event添加不同的header。
Body是一个字节数组，包含了实际的内容。
Flume Agent
Flume内部有一个或者多个Agent，每个Agent是一个独立的守护进程(JVM)，从客户端那里接收收集，或者从其他Agent那里接收，然后迅速的将获取的数据传给下一个目的节点Agent。
Agent主要由source、channel、sink三个组件组成。
Agent Source
负责一个外部源(数据发生器)，如一个web服务器传递给他的事件，该外部源将它的事件以Flume可以识别的格式发送到Flume中，当一个Flume源接收到一个事件时，其将通过一个或者多个通道存储该事件
Agent Channel
采用被动存储的形式，即通道会缓存该事件知道该事件被sink组件处理，所以Channel是一种短暂的存储容器，它将从source处接收到的event格式的数据缓存起来，直到他们被sinks消费掉，它在source和sink间起着一个桥梁的作用，channel是一个完整的事务，这一点保证了数据在收发的时候的一致性。并且它可以和任意数量的source和sink链接。
可以通过参数设置event的最大个数，
Flume通常选择FileChannel，而不使用Memory Channel
--Memory Channel：内存存储事务，吞吐率极高，但存在丢数据风险
--File Channel: 本地磁盘的事务实现模式，保证数据不会丢失(WAL实现)
Agent Sink
Sink会将事件从Channel中移除，并将事件放置到外部数据介质上
——如：通过Flume HDFS Sink将数据放置到HDFS中，或者放置到下一个Flume的Source，等到下一个FLume处理。
——对于缓存在通道中的事件，Source和Sink采用异步处理的方式
Sink成功取出Event后，将Event从Channel中移除
Sink必须作用于一个确切的Channel
不同类型的Sink：
——存储Event到最终目的的终端：HDFS、HBase
——自动消耗：Null Sink
——用于Agent之间的通信：Avro
Agent Interceptor
Intercepor用于Source的一组拦截器，按照预设的顺序必要地方对events进行过滤和自定义的处理逻辑实现
在app(应用程序日志)和source之间的，对app日志进行拦截处理的。也即在日志进入到source之前，对日志进行一些包装、清洗过滤等动作
官方提供的已有拦截器有：
—— Timestamp Interceptor：在event的header中添加一个key叫：timestamp,value为当前的时间戳
—— Host Interceptor：在event的header中添加一个key叫：host,value为当前机器的hostname或者ip
—— Static Interceptor：可以在event的header中添加自定义的key和value
—— Regex Filtering Interceptor：通过正则来清洗或包含匹配的events
—— Regex Extractor Interceptor：通过正则表达式来在header中添加指定的key,value则为正则匹配的部分
Flume的拦截器也是chain形式的，可以对一个source指定多个拦截器，按先后顺序依次处理。
Channel selectors有两种类型：
——Replicating Channel Selector(defalut):将source过来的events发往所有的channel
——Multiplexing Channel Selector：可以选择该发往哪些channel
对于有选择性选择数据源，明显需要使用Multiplexing这种分发方式
问题：Multiplexing需要判断header里指定key的值来决定分发到某个具体的channel，如果demo和demo2同时运行在不同的服务器上，可以在source1上加一个host拦截器，这样可以通过header中的host来判断event该分发给哪个channel，而这里是在同一个服务器上，由host区分不出来日志的来源，必须想办法在header中添加一个key来区分日志的来源——通过设置上游不同的Source就可以解决。
可靠性：
——Flume保证单次跳转可靠性的方式：传送完成后，该事件才会从通道中移除
——Flume使用事务性的方法来保证事件交互的可靠性
——整个处理过程中，如果因为网络中断或者其他原因，在某一步被迫结束了，这个数据会在下一次重新传输。
——数据可暂存上面，当目标不可访问后，数据会暂存在channel中，等目标可访问后，再进行传输
——Source和Sink封装在一个事务的存储和检索中，即事件的放置或者提供由一个事务通过通道来分别提供。这保证了事件集在流中可靠地进行端到端的传递。
Sink开启事务——Sink从Channel中获取数据——Sink把数据传给另一个FIume Agent的Source——Souce开启事务——Source把数据传给Channel——Souce关闭事务——Sink关闭事务
Flume安装
下载源码包：
# wget "http://mirrors.cnnic.cn/apache/flume/1.6.0/apache-flume-1.6.0-bin.tar.gz"
解压：
# tar xvzf apache-flume-1.6.0-bin.tar.gz
修改配置文件，默认目录在/usr/local/src/apache-flume-1.6.0-bin/conf：
#cd /usr/local/src/apache-flume-1.6.0-bin/conf
#vim header_test.conf
--------------------------------------------------------------------
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = org.apache.flume.source.http.HTTPSource
a1.sources.r1.bind = localhost
a1.sources.r1.port = 9000
#a1.sources.r1.fileHeader = true
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
---------------------------------------------------------------------------------------------------------------
运行flume-ng:
#bin/flume-ng agent -c conf -f conf/header_test.conf -n a1 -Dflume.root.logger=INFO,console
验证：
#curl -X POST -d '[{"headers":{"timestampe":"123456","host":"master"},"body":"badou flume"}]' localhost:9000
写到hdfs中：
#vim flume_hdfs.conf
------------------------------------------------------------------------------
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type =regex_filter
a1.sources.r1.interceptors.i1.regex =^[0-9]*$
a1.sources.r1.interceptors.i1.excludeEvents =true
# Describe the sink
#a1.sinks.k1.type = logger
a1.channels = c1
a1.sinks = k1
a1.sinks.k1.type = hdfs
a1.sinks.k1.channel = c1
a1.sinks.k1.hdfs.path = hdfs:/flume/events
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
a1.sinks.k1.hdfs.fileType = DataStream
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
----------------------------------------------------------------------------------------------
运行flume-ng:
#bin/flume-ng agent -c conf -f conf/flume_hdfs.conf -n a1 -Dflume.root.logger=INFO,console
验证：
#telnet localhost 44444
从一个agent到另一个agent:
flume agent a2[push.conf] -> flume2 agent a1[pull.conf]
push.conf配置：在master上
--------------------------------------------------------------------------------------------------
#Name the components on this agent
a2.sources= r1
a2.sinks= k1
a2.channels= c1
#Describe/configure the source
a2.sources.r1.type= netcat
a2.sources.r1.bind= localhost
a2.sources.r1.port = 44444
a2.sources.r1.channels= c1
#Use a channel which buffers events in memory
a2.channels.c1.type= memory
a2.channels.c1.keep-alive= 10
a2.channels.c1.capacity= 100000
a2.channels.c1.transactionCapacity= 100000
#Describe/configure the source
a2.sinks.k1.type= avro
a2.sinks.k1.channel= c1
a2.sinks.k1.hostname= slave1
a2.sinks.k1.port= 44444
-----------------------------------------------------------------------------------------------------
pull.conf配置：在slave1上
----------------------------------------------------------------------------------------------------
#Name the components on this agent
a1.sources= r1
a1.sinks= k1
a1.channels= c1
#Describe/configure the source
a1.sources.r1.type= avro
a1.sources.r1.channels= c1
a1.sources.r1.bind= slave1
a1.sources.r1.port= 44444
#Describe the sink
a1.sinks.k1.type= logger
a1.sinks.k1.channel = c1
#Use a channel which buffers events in memory
a1.channels.c1.type= memory
a1.channels.c1.keep-alive= 10
a1.channels.c1.capacity= 100000
a1.channels.c1.transactionCapacity= 100000
-------------------------------------------------------------------------------------------------------------
执行步骤：先salve1,再master
slave1:
#bin/flume-ng agent -c conf -f conf/pull.conf -n a1 -Dflume.root.logger=INFO,console
master:
#bin/flume-ng agent -c conf -f conf/push.conf -n a2 -Dflume.root.logger=INFO,console
判断有没有连接成功：
slave1: log中是否有下面的信息(ip不相关)
[id: 0x39afcef8, /192.168.235.10:59800 => /192.168.235.11:44444] CONNECTED: /192.168.235.10:59800
验证：在master上
#telnet localhost 44444
写入到kafka中：
#vim flume_kafka.conf
--------------------------------------------------------------------------------------------------------------------
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /home/badou/Documents/code/python/flume_exec_test.txt
# 设置kafka接收器
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
# 设置kafka的broker地址和端口号
a1.sinks.k1.brokerList=master:9092
# 设置Kafka的topic
a1.sinks.k1.topic=badou
# 设置序列化的方式
a1.sinks.k1.serializer.class=kafka.serializer.StringEncoder
# use a channel which buffers events in memory
a1.channels.c1.type=memory
a1.channels.c1.capacity = 100000
a1.channels.c1.transactionCapacity = 1000
# Bind the source and sink to the channel
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1
------------------------------------------------------------------------------------------------------------------
1.启动kafka需要启动zookeeper
#./bin/zkServer.sh start 三个节点分别启动
通过./bin/zkCli.sh -server master:2181,slave1:2181,slave2:2181
<=> ./bin/zkCli.sh -server master:2181
<=> ./bin/zkCli.sh
2.启动kafka: cd 到kafka home
#./bin/kafka-server-start.sh config/server.properties
3.如果没有topic,创建topic
查看topic list:
#bin/kafka-topics.sh --list --zookeeper master:2181,slave1:2181,slave2:2181
没有topic为badou，创建：
#bin/kafka-topics.sh --create --zookeeper master:2181,slave1:2181,slave2:2181 --replication-factor 1 --partitions 2 --topic badou
消费：
#./bin/kafka-console-consumer.sh --zookeeper master:2181,slave1:2181,slave2:2181 --topic badou
4.启动flume: [flume_kafka.conf]
#bin/flume-ng agent -c conf -f conf/flume_kafka.conf -n a1 -Dflume.root.logger=INFO,console
5.写数据到flume中：
因为flume_kafak.conf中的source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /usr/local/src/code/flume/flume_exec_test.txt
flume监控这个路径下的文件
只要有数据追加到这个文件中，这些数据就会被监控，通过这个source写入到flume中
需要用到【read_write.py】将一个文件写入到监控的文件中flume_exec_test.txt
# -*- coding: utf-8 -*-
import random
import time
readFileName="/home/badou/Documents/data/order_data/orders.csv"
writeFileName="flume_exec_test.txt"
with open(writeFileName,'a+')as wf:
with open(readFileName,'rb') as f:
for line in f.readlines():
for word in line.split(" "):
ss = line.strip()
if len(ss)<1:
continue
wf.write(ss+'\n')
rand_num = random.random()
time.sleep(rand_num)
这样写入的数据就是写到kafka中的数据
写入到hive中
一、hive建表：badou
create table order_flume(
order_id string,
user_id string,
eval_set string,
order_number string,
order_dow string,
order_hour_of_day string,
days_since_prior_order string)
clustered by (order_id) into 5 buckets
stored as orc;
二、flume hive sink配置：
#vim flume_hive.conf
-----------------------------------------------------------------
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /usr/local/src/code/flume/flume_exec_test.txt
# 设置hive接收器
a1.sinks.k1.type=hive
a1.sinks.k1.hive.metastore=thrift://master:9083
a1.sinks.k1.hive.database=badou
a1.sinks.k1.hive.table=order_flume
a1.sinks.k1.serializer=DELIMITED
a1.sinks.k1.serializer.delimiter=","
a1.sinks.k1.serializer.serdeSeparator=','
a1.sinks.k1.serializer.fieldnames=order_id,user_id,eval_set,order_number,order_dow,order_hour_of_day,days_since_prior_order
# use a channel which buffers events in memory
a1.channels.c1.type=memory
a1.channels.c1.capacity = 1000000
a1.channels.c1.transactionCapacity = 100000
# Bind the source and sink to the channel
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1
----------------------------------------------------------------------------------------
三、添加hive相关依赖jar包到flume_home/lib中：
1. /usr/local/src/apache-hive-1.2.2-bin/hcatalog/share/hcatalog/*
2. /usr/local/src/apache-hive-1.2.2-bin/lib/*
四、修改hive-site.xml 5个配置文件：
<property>
<name>hive.support.concurrency</name>
<value>true</value>
</property>
<property>
<name>hive.exec.dynamic.partition.mode</name>
<value>nonstrict</value>
</property>
<property>
<name>hive.txn.manager</name>
<value>org.apache.hadoop.hive.ql.lockmgr.DbTxnManager</value>
</property>
<property>
<name>hive.compactor.initiator.on</name>
<value>true</value>
</property>
<property>
<name>hive.compactor.worker.threads</name>
<value>1</value>
</property>
五、配置生效
1.重启（reboot）三个节点，
2.启动mysql：service mysqld start
3.启动Hadoop ./sbin/start-all.sh
六、另起一个cli，启动metastore：
hive --service metastore
七、启动flume：
bin/flume-ng agent --conf conf --conf-file conf/flume_hive.conf --name a1 -Dflume.root.logger=INFO,console
执行python脚本：
python read_write.py
-----------------------------------------------------------
# -*- coding: utf-8 -*-
import random
import time
import pandas as pd
import json
writeFileName="./flume_exec_test.txt"
cols = ["order_id","user_id","eval_set","order_number","order_dow","order_hour_of_day","days_since_prior_order"]
df1 = pd.read_csv('../../data/orders.csv')
df1.columns = cols
df = df1.fillna(0)
with open(writeFileName,'a+')as wf:
for idx,row in df.iterrows():
d = {}
for col in cols:
d[col] = row[col]
js = json.dumps(d)
wf.write(js+'\n')
-------------------------------------------------------------
更多可以参考：
https://blog.csdn.net/woloqun/article/details/77651006
1709
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
