大数据之 Flume 安装部署完整使用 (第二章)

一、Flume 安装部署

1、安装地址

（1）Flume 官网地址：http://flume.apache.org/

（2）文档查看地址：http://flume.apache.org/FlumeUserGuide.html

（3）下载地址：http://archive.apache.org/dist/flume/

2、安装部署

（1）将 apache-flume-1.9.0-bin.tar.gz 上传到 linux 的/opt/software 目录下

（2）解压 apache-flume-1.9.0-bin.tar.gz 到/opt/module/目录下

[hadoop@hadoop102 software]$ tar -zxf /opt/software/apache- flume-1.9.0-bin.tar.gz -C /opt/module/

（3）修改 apache-flume-1.9.0-bin 的名称为 flume

[atguigu@hadoop102 module]$ mv /opt/module/apache-flume-1.9.0-bin
/opt/module/flume

（4）将 lib 文件夹下的guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3

[atguigu@hadoop102 lib]$	rm /opt/module/flume/lib/guava- 11.0.2.jar

二、Flume 入门案例

1、监控端口数据官方案例

1）案例需求

使用 Flume 监听一个端口，收集该端口数据，并打印到控制台

2）需求分析

监听数据端口案例分析

3）实现步骤

1、安装 netcat 工具

[atguigu@hadoop102 software]$ sudo yum install -y nc

2、判断 44444 端口是否被占用

[hadoop@hadoop102 flume-telnet]$ sudo netstat -nlp | grep 44444

3、创建 Flume Agent 配置文件 flume-netcat-logger.conf

4、在 flume 目录下创建 job 文件夹并进入 job 文件夹。

[atguigu@hadoop102 flume]$ mkdir job
[atguigu@hadoop102 flume]$ cd job/

5、在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf

[atguigu@hadoop102 job]$ vim flume-netcat-logger.conf

6、在 flume-netcat-logger.conf 文件中添加如下内容

添加内容如下：
# Name the components on this agent a1.sources = r1
a1.sinks = k1 a1.channels = c1

# Describe/configure the source a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444

# Describe the sink a1.sinks.k1.type = logger

# Use a channel which buffers events in memory a1.channels.c1.type = memory a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1

注：配置文件来源于官方手册 http://flume.apache.org/FlumeUserGuide.html

配置文件解析

7、先开启 flume 监听端口

第一种写法

[atguigu@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf - Dflume.root.logger=INFO,console

第二种写法

[atguigu@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

参数说明

--conf/-c：表示配置文件存储在 conf/目录
--name/-n：表示给 agent 起名为 a1
--conf-file/-f：flume 本次启动读取的配置文件是在 job 文件夹下的 flume-telnet.conf
文件。
-Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改 flume.root.logger
参数属性值，并将控制台日志打印级别设置为 INFO 级别。日志级别包括:log、info、warn、
error。

8、使用 netcat 工具向本机的 44444 端口发送内容

[atguigu@hadoop102 ~]$ nc localhost 44444 hello
atguigu

9、在 Flume 监听页面观察接收数据情况

三、实时监控单个追加文件

1、案例需求

实时监控 Hive 日志，并上传到 HDFS 中

2、需求分析

实时读取本地文件到HDFS案例

3、实现步骤

（1）Flume 要想将数据输出到 HDFS，依赖 Hadoop 相关 jar 包

检查/etc/profile.d/my_env.sh 文件，确认 Hadoop 和 Java 环境变量配置正确

JAVA_HOME=/opt/module/jdk1.8.0_212 HADOOP_HOME=/opt/module/ha/hadoop-3.1.3
PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin export PATH JAVA_HOME HADOOP_HOME

（2）创建 flume-file-hdfs.conf 文件

创建文件

[hadoop@hadoop102 job]$ vim flume-file-hdfs.conf

注：要想读取 Linux 系统中的文件，就得按照 Linux 命令的规则执行命令。由于 Hive 日志在 Linux 系统中所以读取文件的类型选择：exec 即 execute 执行的意思。表示执行Linux 命令来读取文件。

添加如下内容

# Name the components on this agent a2.sources = r2
a2.sinks = k2
a2.channels = c2

# Describe/configure the source a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log

# Describe the sink a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
#上传文件的前缀a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a2.sinks.k2.hdfs.batchSize = 100
#设置文件类型，可支持压缩a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件a2.sinks.k2.hdfs.rollInterval  =  60 #设置每个文件的滚动大小a2.sinks.k2.hdfs.rollSize = 134217700 #文件的滚动与Event 数量无关a2.sinks.k2.hdfs.rollCount = 0

# Use a channel which buffers events in memory a2.channels.c2.type = memory a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel a2.sources.r2.channels = c2 a2.sinks.k2.channel = c2

注意：对于所有与时间相关的转义序列，Event Header 中必须存在以 “timestamp”的key（除非 hdfs.useLocalTimeStamp 设置为 true，此方法会使用 TimestampInterceptor 自动添加 timestamp）。

a3.sinks.k3.hdfs.useLocalTimeStamp = true

实时读取本地文件到HDFS案例

（3）运行Flume

[atguigu@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

（4）开启Hadoop 和 Hive 并操作 Hive 产生日志

[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh [atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh

[atguigu@hadoop102 hive]$ bin/hive hive (default)>

（5）在 HDFS 上查看文件。

四、实时监控目录下多个新文件

1、案例需求

使用 Flume 监听整个目录的文件，并上传至 HDFS

2、需求分析

实时读取目录文件到HDFS案例

3、实现步骤

(1) 创建配置文件 flume-dir-hdfs.conf

创建一个文件 
[atguigu@hadoop102 job]$ vim flume-dir-hdfs.conf
添加如下内容

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://hadoop102:9820/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 = 60
#设置每个文件的滚动大小大概是 128M 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

实时读取目录文件到HDFS案例

(2) 启动监控文件夹命令

[atguigu@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

说明：在使用 Spooling Directory Source 时，不要在监控目录中创建并持续修改文件；上传完成的文件会以.COMPLETED 结尾；被监控文件夹每 500 毫秒扫描一次文件变动。

(3) 向 upload 文件夹中添加文件

在/opt/module/flume 目录下创建 upload 文件夹
[atguigu@hadoop102 flume]$ mkdir upload

向 upload 文件夹中添加文件 

[hadoop@hadoop102 upload]$ touch atguigu.txt
[hadoop@hadoop102 upload]$ touch atguigu.tmp
[hadoop@hadoop102 upload]$ touch atguigu.log

五、实时监控目录下的多个追加文件

Exec source 适用于监控一个实时追加的文件，不能实现断点续传；Spooldir Source 适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步；而 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。

1）案例需求:使用 Flume 监听整个目录的实时追加文件，并上传至 HDFS

2）需求分析

实时读取目录文件到HDFS案例

3）实现步骤

（1）创建配置文件 flume-taildir-hdfs.conf

创建一个文件

[hadoop@hadoop102 job]$ vim flume-taildir-hdfs.conf

添加如下内容

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://hadoop102:9820/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 = 60
#设置每个文件的滚动大小大概是 128M 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

实时读取目录文件到HDFS案例

（2）启动监控文件夹命令

[atguigu@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-taildir-hdfs.conf

（3）向 files 文件夹中追加内容

在/opt/module/flume 目录下创建 files 文件夹 
[atguigu@hadoop102 flume]$ mkdir files

向 upload 文件夹中添加文件
[atguigu@hadoop102 files]$ echo hello >> file1.txt
[atguigu@hadoop102 files]$ echo atguigu >> file2.txt

（4）查看 HDFS 上的数据

Taildir 说明： 

 	Taildir Source 维护了一个 json 格式的 position File，其会定期的往 position File

中更新每个文件读取到的最新的位置，因此能够实现断点续传。Position File 的格式如下

{"inode":2496272,"pos":12,"file":"/opt/module/flume/files/file1.t xt"}
{"inode":2496275,"pos":12,"file":"/opt/module/flume/files/file2.t xt"}

注：Linux 中储存文件元数据的区域就叫做 inode，每个 inode 都有一个号码，操作系统用 inode 号码来识别不同的文件，Unix/Linux 系统内部不使用文件名，而使用 inode 号码来识别文件。