记一次 Centos7.x Hadoop3.x 集群安装部署 Flume v1.9.0

一、基本信息

官网 http://flume.apache.org/
下载地址 http://flume.apache.org/download.html
https://mirror.bit.edu.cn/apache/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz
https://mirrors.bfsu.edu.cn/apache/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz
https://mirrors.tuna.tsinghua.edu.cn/apache/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz
Flume 1.8用户手册中文版
https://flume.liyifeng.org/
百度百科
https://baike.baidu.com/item/flume/6250098?fr=aladdin

二、原理、架构介绍

1、特点
（1）：Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。
（2）：Flume可以采集文件，socket数据包等各种形式源数据，又可以将采集到的数据输出到HDFS、hbase、hive、kafka等众多外部存储系统中
（3）：一般的采集需求，通过对flume的简单配置即可实现
（4）：Flume针对特殊场景也具备良好的自定义扩展能力，因此，flume可以适用于大部分的日常数据采集场景
（5）：Flume 在0.9.x and 1.x之间有较大的架构调整，1.x版本之后的改称Flume NG，0.9.x的称为Flume OG。
（6）：Flume目前只有Linux系统的启动脚本，没有Windows环境的启动脚本。
2、原理特性
　　flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，它携带日志数据(字节数组形式)并且携带有头信息，这些Event由Agent外部的Source生成，当Source捕获事件后会进行特定的格式化，然后Source会把事件推入(单个或多个)Channel中。你可以把Channel看作是一个缓冲区，它将保存事件直到Sink处理完该事件。Sink负责持久化日志或者把事件推向另一个Source。

（1）flume的可靠性
　　当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Besteffort（数据发送到接收方后，不会进行确认）。

（2）flume的可恢复性
　　还是靠Channel。推荐使用FileChannel，事件持久化在本地文件系统里(性能较差)。

3、核心概念
Flume 运行的核心是 Agent。Flume以agent为最小的独立运行单位。一个agent就是一个JVM。它是一个完整的数据收集工具，含有三个核心组件，分别是 source、 channel、 sink。通过这些组件， Event 可以从一个地方流向另一个地方，如下图所示。

Client：Client生产数据，运行在一个独立的线程。

Event： 一个数据单元，消息头和消息体组成。（Events可以是日志记录、 avro 对象等。）

Flow： Event从源点到达目的点的迁移的抽象。

Agent： 一个独立的Flume进程，包含组件Source、 Channel、 Sink。（Agent使用JVM 运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。）

Source： 数据收集组件，是数据的收集端，负责将数据捕获后进行特殊的格式化，将数据封装到事件（event） 里，然后将事件推入Channel中。
Flume提供了各种source的实现，包括Avro Source、Exce Source、Spooling Directory Source、NetCat Source、Syslog Source、Syslog TCP Source、Syslog UDP Source、HTTP Source、HDFS Source，etc。如果内置的Source无法满足需要， Flume还支持自定义Source。

Channel： 是连接Source和Sink的组件，中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接 sources 和 sinks ，这个有点像一个队列。）Flume对于Channel，则提供了Memory Channel、JDBC Chanel、File Channel，etc。

Sink： 从Channel中读取并移除Event， 将Event传递到FlowPipeline中的下一个Agent（如果有的话）（Sink从Channel收集数据，运行在一个独立线程。）Flume Sink取出Channel中的数据，进行相应的存储文件系统，数据库，或者提交到远程服务器。Flume也提供了各种sink的实现，包括HDFS sink、Logger sink、Avro sink、File Roll sink、Null sink、HBase sink，etc。Flume Sink在设置存储数据时，可以向文件系统中，数据库中，hadoop中储数据，在日志数据较少时，可以将数据存储在文件系中，并且设定一定的时间间隔保存数据。在日志数据较多时，可以将相应的日志数据存储到Hadoop中，便于日后进行相应的数据分析。

MemoryChannel：可以实现高速的吞吐，但是无法保证数据的完整性。

MemoryRecoverChannel：在官方文档的建议上已经建义使用FileChannel来替换。

FileChannel：保证数据的完整性与一致性。在具体配置不现的FileChannel时，建议FileChannel设置的目录和程序日志文件保存的目录设成不同的磁盘，以便提高效率。

三、安装、部署、操作实例

1、采集目录到HDFS案例：
（1）采集需求：某服务器的某特定目录下，会不断产生新的文件，每当有新文件出现，就需要把文件采集到HDFS中去
（2）根据需求，首先定义以下3大要素
　　a）：采集源，即source——监控文件目录 : spooldir
　　b）：下沉目标，即sink——HDFS文件系统 : hdfs sink
　　c）：source和sink之间的传递通道——channel，可用file channel 也可以用内存channel
（3）：Channel参数解释：
　　capacity：默认该通道中最大的可以存储的event数量；
　　trasactionCapacity：每次最大可以从source中拿到或者送到sink中的event数量；
　　keep-alive：event添加到通道中或者移出的允许时间；
2、Centos7.x 安装OpenJDK1.8 并查看安装位置
https://blog.csdn.net/llwy1428/article/details/111144659
3、Hadoop 3.x HDFS基础环境（非高可用集群）
https://blog.csdn.net/llwy1428/article/details/111144524
4、下载

[root@master ~]# wget -P /usr/bigdata/ https://mirror.bit.edu.cn/apache/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz

5、查看目录

[root@master ~]# ll /usr/bigdata/
-rw-r--r--  1 root root  67938106 7月   6 23:17 apache-flume-1.9.0-bin.tar.gz

6、进入目录

[root@master ~]# cd /usr/bigdata/

7、解压文件

[root@master bigdata]# tar zxf apache-flume-1.9.0-bin.tar.gz

8、进入 Flume 的配置文件目录

[root@master ~]# cd /usr/bigdata/apache-flume-1.9.0-bin/conf

9、复制配置文件 flume-conf.properties

[root@master conf]# cp flume-conf.properties.template flume-conf.properties
[root@master conf]# cp flume-env.sh.template flume-env.sh

10、编辑配置文件 flume-env.sh

[root@master conf]# vim flume-env.sh

11、编辑内容

export JAVA_HOME=/usr/lib/jvm/java-1.8.0

12、创建目录，为下文配置 文件监听路径

[root@master ~]# mkdir -p /opt/test/flumeTest

13、在 HDFS 中创建目录，用来存放 Flume 上传的文件

[root@master ~]# hdfs dfs -mkdir -p /user/flume/data

14、编辑配置文件（可参考官方文档）

[root@master conf]# vim flume-conf.properties

# 定义三大组件的名称
master.sources = source1
master.channels = channel1
master.sinks = sink1

# 配置 source 组件参数
master.sources.source1.bind = 0.0.0.0
master.sources.source1.port = 44444
master.sources.source1.type = spooldir
master.sources.source1.spoolDir = /opt/test/flumeTest
# 文件前缀
master.sinks.sink1.hdfs.filePrefix = %y-%m-%d-%H-%M-%S
master.sources.source1.fileHeader = false

# 配置 channel1 的参数
master.channels.channel1.type = memory
master.channels.channel1.keep-alive = 120
master.channels.channel1.capacity = 500000
master.channels.channel1.transactionCapacity = 600

# 配置sink组件
master.sinks.sink1.type = hdfs
master.sinks.sink1.hdfs.path =hdfs://master:9820/user/flume/data
master.sinks.sink1.hdfs.fileType = DataStream
# 时间类型
master.sinks.sink1.hdfs.useLocalTimeStamp = true
master.sinks.sink1.hdfs.writeFormat =Text
# 每60秒滚动生成一个文件
master.sinks.sink1.hdfs.rollInterval = 60
# HDFS 块副本数
master.sinks.sink1.hdfs.minBlockReplicas = 1
# 不根据文件大小滚动文件
master.sinks.sink1.hdfs.rollSize = 0
# 不根据消息条数滚动文件
master.sinks.sink1.hdfs.rollCount = 0
# 不根据多长时间未收到消息滚动文件
master.sinks.sink1.hdfs.idleTimeout = 0

# 将配置好的 source 和 sink 绑定到 channel
master.sources.source1.channels = channel1
master.sinks.sink1.channel = channel1

15、进入 Flume 的 bin 目录

[root@master ~]# cd /usr/bigdata/apache-flume-1.9.0-bin/bin

16、根据指定的配置文件，启动 flume-ng
（1）控制台直接启动

[root@master bin]# ./flume-ng agent --conf conf --conf-file /usr/bigdata/apache-flume-1.9.0-bin/conf/flume-conf.properties --name master -Dflume.root.logger=INFO,console

（2）配置环境变量后启动
配置环境变量

[root@master ~]# vim /etc/profile

需要编辑的内容：

export FLUME_HOME="/usr/bigdata/apache-flume-1.9.0-bin"
export PATH=$PATH:$FLUME_HOME/bin
export CLASSPATH=.:$FLUME_HOME/lib

如下图：（根据自己集群情况，没有的组件，可以不配置相应的环境变量）

使配置的环境变量生效

[root@master ~]# source /etc/profile

启动命令

#控制台启动
[root@master ~]# flume-ng agent --conf conf -f /usr/bigdata/apache-flume-1.9.0-bin/conf/flume-conf.properties -n master -Dflume.root.logger=INFO,console
#后台守护启动
[root@master ~]# nohup flume-ng agent --conf conf -f /usr/bigdata/apache-flume-1.9.0-bin/conf/flume-conf.properties -n master -Dflume.root.logger=INFO,console &

启动效果如下：

启动命令参数解释说明：
1 ） 启动命令：
2 ） #告诉flum启动一个agent。
3 ）#–conf conf指定配置参数,。
4 ）#conf/netcat-logger.conf指定采集方案的那个文件(自命名)。
5 ）#–name a1:agent的名字,即agent的名字为a1。
6） #-Dflume.root.logger=INFO,console给log4j传递的参数。
17、进入上文创建的系统中的监听路径

[root@master ~]# cd /opt/test/flumeTest/

18、创建一个测试文件 test.log

[root@master ~]# touch /tmp/test.log

19、向测试文件中写入内容

[root@master ~~]# echo '这是一个 Flume 的测试文件！' >> /tmp/test.log

20、查看测试文件

[root@master ~]# cat /tmp/test.log
这是一个 Flume 的测试文件！

21、执行命令，把测试文件复制或者移动到监听目录中

[root@master ~]# cp /tmp/test.log /opt/test/flumeTest/
或
[root@master ~]# mv /tmp/test.log /opt/test/flumeTest/

22、查看 Flume 日志

23、查看 HDFS 中 Flume 存储目录中的文件列表

[root@master ~]# hdfs dfs -ls /user/flume/data

文件列表

Found 1 items
-rw-r--r--   1 root supergroup         38 2021-01-04 01:38 /user/flume/data/21-01-04-01-37-54.1609695474546

24、查看 HDFS 中 Flume 存储目录中指定文件

[root@master ~]# hdfs dfs -cat /user/flume/data/21-01-04-01-37-54.1609695474546
这是一个 Flume 的测试文件！

四、浏览器查看文件、下载文件查看

1、打开浏览器，录入 HDFS 的 web 地址
查看 HDFS 中 Flume 目录下的文件：


2、点击查看具体内容：

3、可以把 HDFS 中的文件下载到本地，打开 TXT 中可以看到：

4、以下是我操作的第二个文件，过程：略。
HDFS 文件查看如下：

5、查看当下 HDFS 中的文件列表

[root@master ~]# hdfs dfs -ls /user/flume/data
[root@master ~]# hdfs dfs -cat /user/flume/data/21-01-04-01-53-21.1609696401820

查看效果如下：

五、报错及解决方案：

1、Hadoop、Hbase集群中Flume 启动报错 找不到或无法加载主类 org.apache.flume.tools.GetJavaProperty
https://blog.csdn.net/llwy1428/article/details/112171218
2、Flume v1.9.0启动报错ERROR - org.apache.flume.sink.hdfs.HDFSEventSink.process(HDFSEventSink.java:459)
https://blog.csdn.net/llwy1428/article/details/112169028
3、如果在 Windows 系统中，浏览器查看时，根据主机域名无妨访问 HDFS 的情况，请在 Windows 系统中配置相应的主机名与 IP 的映射关系
配置文件：

C:\Windows\System32\drivers\etc\hosts

配置信息（以您虚拟机或服务器为准）

至此，Centos7.x Hadoop3.x 集群安装部署 Flume v1.9.0操作完毕，希望能够对您有所帮助！