Flume学习之监控端口数据（Exec、Spooldir、Taildir）心得

一、实时读取本地文件到HDFS：

	Exec Source，适用于一个实时追加的文件，不能实现断点续传

实验思路：

	Hive实时更新日志
	
	Hive日志文件/opt/module/hive/logs/hive.log

	Flume监控文件（Exec Source、HDFS Sink、Memory Channel）

	HDFS

实现步骤：

1.在job文件下创建配置文件 flume-exec-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 = exec
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100


# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:8020/flume/%Y%m%d/%H
# 上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 30
#设置每个文件的滚动大小
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

2.执行配置文件，开启监控

	bin/flume-ng agent -n a3 -c conf/ -f job/flume-exec-hdfs.conf 
	
	监控hive.log文件：tail -f hive.log

3.开启Hive，生成日志

	bin/hive

4.查看 HDFS 上数据

二、实时监控目录下多个新文件：

	Spooldir Source，适用于同步新文件，但不适用于对实时追加日志的文件进行监听和同步

实验思路：

	待上传的文件

	被监控的目录 /opt/module/flume/update

	Flume监控目录（Spooldir、HDFS Sink、Memory Channel）

	HDFS

实验步骤：

1.创建符合条件的flume配置文件

# Name the components on this agent
a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
# 忽略所有以.tmp结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)


# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload/%Y%m%d/%H
# 上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到HDFS一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 20
#设置每个文件的滚动大小
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a3.sinks.k3.hdfs.rollCount = 0


# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100


# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

2.执行配置文件，开启监控

3.向upload目录添加文件

4.查看HDFS上数据

5.查看/opt/module/flume/upload目录中上传的文件是否已经标记为.COMPLETED结尾；.tmp后缀结尾文件没有上传

	除了自己配置的忽略掉的后缀项不能上传，以自己的后缀项结尾的也不能上传（.COMPLETED），不要建立相同名字的文件（它会更不了名字 一直上传一直报错）

	文件一旦放入立刻就会上传，无法动态进行修改（直接在 upload/ 下创建文件）

三、实时监控目录下的多个追加文件：

	Taildir Source，适合用于监听多个实时追加的文件，并且能够实现断点续传

实验思路：

	Flume监控目录（Taildir Source、HDFS Sink、Memory Channel）

	被监控的目录（/opt/module/flume/files）

	HDFS

实验步骤：

1.创建符合条件的flume配置文件

# Name the components on this agent
a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume/files/.*file.*
a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*


# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload2/%Y%m%d/%H
# 上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到HDFS一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 20
#设置每个文件的滚动大小
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a3.sinks.k3.hdfs.rollCount = 0


# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100


# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

2.执行配置文件，开启监控

3.向监控文件追加内容

4.查看HDFS上数据

5.遇到类似于hive这种每天都会更名的日志会丢数据，解决方案有两种：

	1）与后台工作人员商量使用不更名的日志 logback

	2）修改源码

		官网下载 apache-flume-1.9.0-src.tar 文件 

		将apache-flume-1.9.0-src/flume-ng-sources/flume-taildir-source 导入IDEA 进行修改

		修改后打包替换集群中的jar包

6.将文件更名然后看集群上的数据有无变化，若无变化则再次追加数据看能否进行上传