Flume学习之路 （一）Flume的基础介绍

一 ,背景
Hadoop业务的整体开发流程:

从Hadoop的业务开发流程图中可以看出,在大数据的业务处理过程中,对于数据的采集是十分重要的一步,也是不可避免的一步
许多公司的平台每天会产生大量的日志(一般为流式数据,如,搜索引擎的pv,查询等),处理这些日志需要特定的日志系统,一般而言,这些系统需要具有以下特征:

(1)构建应用系统和分析系统的桥梁,并将它们之前的关联解耦; (2)支持近实时的在线分析系统和类似于Hadoop之类的离线分析系统;
(3)具有高可扩展性,既:当数据量增加时,可以通过增家节点进行水平扩展.开源的日志系统,包括facebook的scribe,apache的chukwa,linkedin的kafka和cloudera的flume等

二,Flume的简介

flume作为cloudera开发的实时日志收集系统,受到了业界的认可与广泛应用,Flume初始的发行版本目前被统称为Flume
OG(original generation),属于cloudera. 但随着Flume功能的扩展性,Flume
OG代码工程臃肿,核心组件设计不合理,核心配置不标准等缺点暴露出来,尤其第在Flume
OG的最后一个发行版本0.9.4中日志传输不稳定的现象尤为严重,为了解决这些问题,2011年10月22号,cloudera完成了Flume-728,对Flume进行了里程碑式的改动:重构核心组件,核心配置以及代码架构,重构后的版本统称为Flume
NG(next generation);改动的另一个原因是将Flume纳入apache旗下,cloudera Flume改名为Apache
Flume. Flume是Apache的顶级项目,官方网站:http://flume.apache.org/

Flume是一个分布式,可靠,高可用的海量日志聚合系统,支持在在系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据的简单处理,并写到各种数据接收方的能力
Flume 在0.9x 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的称为Flume OG
Flume目前只有linux 系统的启动脚本,没有windows环境的启动脚本

三Flume NG的介绍
3.1Flume特点
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.支持在日志系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写入到各种数据接收方(比如文本,HDFS,Hbase)的能力,
flume的数据流由事件(Event)贯穿始终,事件是Flune的基本数据单位,它携带诶之数据(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看做是一个缓冲区,它保存事件知道sink处理完该事件,Sink负责持久化诶之或者把事件推向另一个Source
(1)flume的可靠性
当节点出现故障,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,从强到弱一次分别为:end-to-end(收到数据agent首先将evebt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,带恢复后,继续发送),Bestffort(数据发送到接收方后,不会进行确定)
(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)
3.2 Flume的一些核心概念
Client:Client产生数据,运行在一个独立的线程
Evenr:一个数据单元,消息头和消息体组成.(Events可以是日志记录,avro对新等)
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,每一台机器运行一个agent,但是可以在一个agent中包含 多个sources和sinks)
Source:数据收集组件.(source从Client收集数据,传递给Channel)
Channel:中转Event的一个临时存储,保存有Source组件传递过来的Event(Channel连接sources和sinks,这个有点像一个队列)
Sink:从Channel中读取并移除Evenrt,将Event传递到FlowPigeline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)
3.3 FIume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 ,channnel,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.

3.4 Source
Source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 Soyrce ,HDFS Source,etc 如果内置的Source无法满足需求,Flume还支持自定义Source

3.5Channel

Channel是连接Source和Sink的组件,大家可以将它看做一个数据的缓冲区(数据队列),它可以将事件暂存到内存中也可以持久化到本地磁盘上,知道Sink处理完改事件
Flume对于channel,则提供了Menory Channel,JDBC,File Channel,etc.
MemoryChannel可以实现高速的吞吐,但是无法保证数据的完整性.
MemoryRecocerChannl在官方文档的建议上已经建议使用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设置目录和程序日志文件保存的目录设置成不用的磁盘,以便高效率,

3.6Sink
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,hadoop中存储数据,在日志数据较少时,可以将数据存储在晚间系统中,并且设定一定的时间间隔保存数据,在日志数据较多时,累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

四丶Flume的部署类型
4.1 单一流程

4.2对代理流程(对个agent顺序连接)

可以将多个Agent顺序连接起来,将最初的数据源经过收集,存储到最终的存储系统中,这是最简单地情况,一般情况下,应该控制这种顺序连接的Agent的数量,应为数据流经的路径边长了,如果不考虑failover的话,出现故障影响整个Flow上的Agent收集服务

4.3 流的合并(多个Agent的数据汇聚到同一个Agent)

这种情况应用得场景比较多,比如要收集Web网站的用户行为日志,Web网站为例可用性使用负载集群模式,每个节点都产生用户行为日志,可以为每个节点,都配置一个Agent来单独收集日志数据,然后多个Agent将数据最终汇聚到一个用来存储数据存储系统,如HCFS上
4.4 多路复用流
Flume还支持多级流,什么多级流?开举个列子,当syslog,java,nginx,tomact等混合在一起的日志流开始流入一个agent后,可以gent中将混杂的日志流分开,然后给每种日志建立一个自己的传输通通道

4.5 load balance功能
下图Agent1是一个路由节点,负责将Channel暂存的Event均衡到对应的多个Sink组件上,而每一个sink组件分别连接到一个独立的Agent上

五丶Flume安装
5.1Flume的下载
下载地址:
http://mirrors.hust.edu.cn/apache/
http://flume.apache.org/download.html
5.2 Flume的安装
Flume框架对hadoop和zookeeper的依赖只是在jar包上,并不要求flume启动时必须金昂hadoop和zookeeper服务也启动
(1)将安装包上传到服务器并解压

[hadoop@hadoop1 ~]# tar -zxvf apache-flume-1.8.0-bin.tar.gz -C apps/

(2)创建软连接

[hadoop@hadoop1 ~]$ ln -s apache-flume-1.8.0-bin/ flume

(3)修改配置文件
/home/hadoop/apps/apache-flume-1.8.0-bin/conf

[hadoop@hadoop1 conf]$ cp flume-env.sh.template flume-env.sh

(4)配置环境变量

[hadoop@hadoop1 conf]$ vi ~/.bashrc 

#FLUME
export FLUME_HOME=/home/hadoop/apps/flume
export PATH=$PATH:$FLUME_HOME/bin

保存使其立即生效

[hadoop@hadoop1 conf]$ source ~/.bashrc

(5)查看版本

[hadoop@hadoop1 ~]$ flume-ng version