文章目录
前言
前面的blog已实现了hadoopHA的项目环境,本文继续为该hadoop环境引入flume组件,用于实时大数据项目的开发。考虑到项目已经使用了hadoopHA,那么flume的组件也相应的部署成HA模式
hadoop节点 | 数据源节点 | 角色 |
---|---|---|
nn | nn | NameNode,DataNode数据源 |
dn2 | dn2 | NameNode,DateNode数据源 |
dn1 | dn1 | DataNode,数据源 |
其他hbase、hive等不再此表给出,因为前面的文件已有相关表格。
1、flume 的基本介绍
1.1 基本介绍
Flume is a distributed, reliable, and available service for efficiently collecting, aggregating, and moving large amounts of log data. It has a simple and flexible architecture based on streaming data flows. It is robust and fault tolerant with tunable reliability mechanisms and many failover and recovery mechanisms. It uses a simple extensible data model that allows for online analytic application.
简单来说:flume 是一个分布式、高可靠、高可用的用来收集、聚合、转移不同来源的大量日志数据到中央数据仓库的工具
目前flume最新版本为今年1月发布的 Flume 1.9.0,具体优化的内容:
- Better SSL/TLS support
- Configuration Filters to provide a way to inject sensitive information like passwords into the configuration
- Float and Double value support in Context
- Kafka client upgraded to 2.0
- HBase 2 support
环境要求:
Java Runtime Environment - Java 1.8 or later
1.2 数据流模型
这里以Flume收取web的日志再将其写入到hdfs作为数据流模型示例说明。
(需要注意的flume支持多级配置、扇入、扇出,这里仅介绍单级、单输入、单输出的模式)
Event
Event是Flume定义的一个数据流传输的最小单元。Agent就是一个Flume的实例,本质是一个JVM进程,该JVM进程控制Event数据流从外部日志生产者那里传输到目的地(或者是下一个Agent)。
在Flume中,event表示数据传输的一个最小单位,从上图可以看出Agent就是Flume的一个部署实例, 一个完整的Agent中包含了三个组件Source、Channel和Sink,Source是指数据的来源和方式,Channel是一个数据的缓冲池,Sink定义了数据输出的方式和目的地。
Source组件
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。(对于实时大数据项目,这个source其实就是不断滚动的log数据文件。)
Flume提供了各种source的实现,具体参考官方文档:
Flume Sources、Avro Source、Thrift Source、Exec Source、JMS Source、Taildir Source、Kafka Source、NetCat TCP Source、NetCat UDP Source、Syslog Sources、HTTP Source、Custom Source等
Channel组件
Channel是连接Source和Sink的组件,可以看作一个数据的缓冲区,它可以将事件暂存到内存中也可以持久化到磁盘上, 直到Sink处理完该事件。flume提供多个channel提供对event数据的缓存:
Memory Channel、JDBC Channel、Kafka Channel、File Channel、Spillable Memory Channel、Pseudo Transaction Channel、Custom Channel
(在本大数据实时项目中,使用Memory Channel即可,生产环境需要根据具体需求而定)
Sink组件
Sink从Channel取出event数据,并将其写入到文件系统中,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。
Flume也提供了各种sink的实现,具体参考官方说明:
HDFS Sink、Hive Sink、Logger Sink、Avro Sink、Thrift Sink、IRC Sink、File Roll Sink、Null Sink、HBaseSinks、AsyncHBaseSink、ElasticSearchSink、Kite Dataset Sink、Kafka Sink、HTTP Sink、Custom Sink
(在实时大数据项目中,用sink配置将数据写入kafka sink)
以上的数据模型的详细介绍可以参考中文翻译文档:地址
(注意:该翻译文档对应flume1.8版本的内容,若想查阅最新的flume,参考官网1.9原文)
2、flume的配置文件说明
flume配置遵循Java properties文件格式的文本文件。一个或多个Agent配置可放在同一个配置文件里。配置文件包含Agent的source,sink和channel的各个属性以及他们的数据流连接。
完整的配置流程如下:
命名各个组件(定义流)–>连接各个组件–>配置各个组件的属性–>启动Agent
2.1 配置过程
这里以后面文章——flume整合kafka的配置文件说明。
(有较多的blog文章会照搬a1.sources=r1,a1.sinks=k1,a1.channels=c1这样的写法,a1?r1?k1?c1?到底指代什么?所以建议要参考官方文档,否则一头雾水?当然熟悉flume后,可以使用短命名,设置配置属性字符串不会显得太长)
# 1、列出Agent的所有Source、Channel、Sink
<Agent>.sources = <Source>
<Agent>.sinks = <Sink>
<Agent>.channels = <Channel1> <Channel2>
# 2、连接各个组件
# 设置Channel和Source的关联
<Agent>.sources.<Source>.channels = <Channel1> <Channel2> ...
# 设置Channel和Sink的关联
<Agent>.sinks.<Sink>.channel = <Channel1>
#