大数据系列——Flume入门和认识

1. Flume简介

• 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
• Flume提供对数据进行简单处理，并写到各种数据接收方

2. Flume OG 与Flume NG

Flume OG：Flume original generation,即Flume0.9x版本

Flume NG：Flume next generation，即Flume1.x版本

3. Flume体系结构

flume的事件(agent)

​ Source: 用来定义采集系统的源头

​ Channel: 把Source采集到的日志进行传输,处理

​ Sink:定义数据的目的地

4. Flume的安装

• 准备安装文件

  • apache-flume-1.6.0-bin.tar.gz

• 解压

  • tar -zxvf apache-flume-1.6.0-bin.tar.gz -C /opt/

• 重命名

  • mv apache-flume-1.6.0-bin flume

• 添加环境变量

  #配置Flume的环境变量
  export FLUME_HOME=/opt/flume
  export PATH=$PATH:$FLUME_HOME/bin
  

• 配置文件

  [root@uplooking01 /opt/flume/conf]
  	mv flume-env.sh.template flume-env.sh
  

  [root@uplooking01 /opt/flume/conf/flume-env.sh]
  	export JAVA_HOME=/opt/jdk		
  

5. Flume采集网络端口数据

5.1 定义flume的事件配置文件

flume-nc.properties

# flume-nc.conf: 用于监听网络数据的flume agent实例的配置文件
############################################
# 对各个组件的描述说明
# 其中a1为agent的名字
# r1是a1的source的代号名字
# c1是a1的channel的代号名字
# k1是a1的sink的代号名字
############################################
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# 用于描述source的，类型是netcat网络
a1.sources.r1.type = netcat
# source监听的网络ip地址和端口号
a1.sources.r1.bind = uplooking01
a1.sources.r1.port = 44444

# 用于描述sink，类型是日志格式
a1.sinks.k1.type = logger


# 用于描述channel，在内存中做数据的临时的存储
a1.channels.c1.type = memory
# 该内存中最大的存储容量，1000个events事件
a1.channels.c1.capacity = 1000
# 能够同时对100个events事件监管事务
a1.channels.c1.transactionCapacity = 100

# 将a1中的各个组件建立关联关系，将source和sink都指向了同一个channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

• 启动agent(flume事件)

  flume-ng agent --name a1 --conf /opt/flume/conf --conf-file /opt/flume/conf/flume-nc.properties -Dflume.root.logger=INFO,console

• 启动agent(flume事件) ,简单化

  **flume-ng agent --name a1 --conf-file /opt/flume/conf/flume-nc.properties **

6. 安装nc(瑞士军刀)

​ rpm -ivh nc-1.84-22.el6.x86_64.rpm

​ 监听端口: nc -lk 4444

​ 连接主机的端口: nc host port

7. 查看文件的命令

cat xxx: 查看文件的全部内容

head -100 xxx:查看文件内容开始的100行(默认不加-100是查看10行)

tail -100 xxx:查看文件内容末尾的100行(默认不加-100是查看10行)

tail -f xxx:查看文件内容末尾10行,并且监听文件的变化

8. Flume基本的组件

8.1 Source

• 从外界采集各种类型的数据，将数据传递给Channel
• 常见采集的数据类型
  • NetCat Source
  • Spooling Directory Source }
  • Exec Source
  • Kafka Source (后面说)
  • HTTP Source

8.2 Channel

• 一个数据的存储池，中间通道

• 接受source传出的数据，向sink指定的目的地传输。Channel中的数据直到进入到下一个channel中或者进入终端才会被删除。当sink写入失败后，可以自动重写，不会造成数据丢失，因此很可靠

• channel的类型 :

  • Memory Channel (常用) 使用内存作为数据的存储。速度快

  • File Channel 使用文件来作为数据的存储。安全可靠

  • Spillable Memory Channel 用内存和文件作为数据的存储，即：先存在内存中，如果内存中数据达到阀值则flush到文件中

  • JDBC Channel 使用jdbc数据源来作为数据的存储。

  • Kafka Channel 使用kafka服务来作为数据的存储

8.3 Sink

• 数据的最终的目的地

• 接受channel写入的数据以指定的形式表现出来（或存储或展示）。

  sink的表现形式很多比如:打印到控制台、hdfs上、avro服务中、文件中等

• 常见采集的数据类型

  • HDFS Sink
  • Hive Sink
  • Logger Sink
  • Avro Sink
  • HBaseSink
  • File Roll Sink

8.4 Event

event是Flume NG传输的数据的基本单位，也是事务的基本单位

在文本文件，通常是一行记录就是一个event。

网络消息传输系统中，一条消息就是一个event。

event里有header、body

Event里面的header类型：Map<String, String>

我们可以在source中自定义header的key：value，在某些channel和sink中使用header

9. Flume监听命令的执行结果

配置agent

############################################
# 对各个组件的描述说明
# 其中a1为agent的名字
# r1是a1的source的代号名字
# c1是a1的channel的代号名字
# k1是a1的sink的代号名字
############################################
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# 用于描述source的，类型是linux命令
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F  /opt/flume/conf/logs/test01.txt

# 用于描述sink，类型是日志格式
a1.sinks.k1.type = logger

# 用于描述channel，在内存中做数据的临时的存储
a1.channels.c1.type = memory
# 该内存中最大的存储容量，1000个events事件
a1.channels.c1.capacity = 1000
# 能够同时对100个events事件监管事务
a1.channels.c1.transactionCapacity = 100

# 将a1中的各个组件建立关联关系，将source和sink都指向了同一个channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

运行agent,开始采集数据

flume-ng agent --name a1 --conf-file flume-exec.properties

10. 采集目录中新增文件的数据

配置agent

############################################
# 对各个组件的描述说明
# 其中a1为agent的名字
# r1是a1的source的代号名字
# c1是a1的channel的代号名字
# k1是a1的sink的代号名字
############################################
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# 用于描述source的，监听的是一个目录
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /opt/flume/conf/logs/aa
a1.sources.r1.fileSuffix = .OK
a1.sources.r1.deletePolicy = never
a1.sources.r1.fileHeader = true

# 用于描述sink，类型是日志格式
a1.sinks.k1.type = logger

# 用于描述channel，在内存中做数据的临时的存储
a1.channels.c1.type = memory
# 该内存中最大的存储容量，1000个events事件
a1.channels.c1.capacity = 1000
# 能够同时对100个events事件监管事务
a1.channels.c1.transactionCapacity = 100

# 将a1中的各个组件建立关联关系，将source和sink都指向了同一个channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1	

运行agent,开始采集数据

flume-ng agent --name a1 --conf-file flume-dir.properties

11. 后台运行flume

nohup flume-ng agent --name a1 --conf-file flume-dir.properties >dev/null 2>&1 &