在一个完整的离线大数据处理系统中,除了hdfs+mapreduce+hive组成分析系统的核心之外,还需要数据采集、结果数据导出、任务调度等不可或缺的辅助系统,而这些辅助工具在hadoop生态体系中都有便捷的开源框架,如图所示:
![在这里插入图片描述](https://img-blog.csdnimg.cn/20201002200448624.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzkxNzI0,size_
16,color_FFFFFF,t_70#pic_center)
一、Flume介绍
1.1 概述
- 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。
- Flume可以采集文件,socket数据包、文件、文件夹、kafka等各种形式源数据,又可以将采集到的数据(下沉sink)输出到- - - HDFS、hbase、hive、kafka等众多外部存储系统中。
- 一般的采集需求,通过对flume的简单配置即可实现。
- 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。
宏观角度来看类似生活中的扫码枪、吸尘器吸头。
1.2 运行机制
- Flume分布式系统中最核心的角色是agent,flume采集系统就是由一个个agent所连接起来形成
- 每一个agent相当于一个数据传递员,内部有三个组件:
a. Source:采集组件,用于跟数据源对接,以获取数据
b.Channel:传输通道组件,用于从source将数据传递到sink
c.Sink:下沉组件,用于往下一级agent传递数据或者往最终存储系统传递数据
Source 到 Channel 到 Sink之间传递数据的形式是Event事件;Event事件是一个数据流单元。
1.3 Flume采集系统结构图
1、简单结构
单个agent采集数据
2、复杂结构
多级agent之间串联
二、Flume安装部署
2.1 安装地址
2.2 安装部署
- 将apache-flume-1.8.0-bin.tar.gz 上传到 linux 的 /export/servers/目录下
- 解压apache-flume-1.8.0-bin.tar.gz 到/export/servers/目录下
tar -zxvf apache-flume-1.8.0-bin.tar.gz -C ../servers/
- 将 flume/conf 下的 flume-env.sh.template 文件修改为 flume-env.sh,并配置 flume-env.sh 文件
[root@node01 conf]# pwd
/export/servers/apache-flume-1.8.0-bin/conf
[root@node01 conf]# cp flume-env.sh.template flume-env.sh
[root@node01 conf]# vim flume-env.sh
export JAVA_HOME=${JAVA_HOME}
三、Flume实战案例
3.1Flume接受telent数据
案例:使用网络telent命令向一台机器发送一些网络数据,然后通过flume采集网络端口数据
1、开发配置文件
根据数据采集的需求配置采集方案,描述在配置文件中(文件名可任意自定义)
配置我们的网络收集的配置文件
在flume的conf目录下新建一个配置文件(采集方案)
vim /export/servers/apache-flume-1.8.0-bin/conf/netcat-logger.conf
# 定义这个agent中各组件的名字
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# 描述和配置source组件:r1
a1.sources.r1.type = netcat
a1.sources.r1.bind = 192.168.100.201
a1.sources.r1.port = 44444
# 描述和配置sink组件:k1
a1.sinks.k1.type = logger
# 描述和配置channel组件,此处使用是内存缓存的方式
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# 描述和配置source channel sink之间的连接关系
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
2、启动配置文件
指定采集方案配置文件,在相应的节点上启动flume agent
先用一个最简单的例子来测试一下程序环境是否正常
启动agent去采集数据
bin/flume-ng agent -c conf -f tmpconf/netcat-logger.conf -n a1 -Dflume.root.logger=INFO,console
-c conf 指定flume自身的配置文件所在的目录
-f tmpconf/netcat-logger.conf 指定我们所描述的采集方案
-n a1 指定我们这个agent的名字
3、安装telent准备测试
在node02上面安装telent客户端,用于模式收据发送
yum -y install telnet
telnet node01 44444 # 使用telnet模拟数据发送
使用telnet模拟数据发送
Flume进行收集数据
3.2采集文件到HDFS
案例: 比如业务系统使用log4j生成的日志,日志内容不断增加,需要把追加到日志文件中的数据实时采集到hdfs
- 采集源,即source——监控文件内容更新 : exec ‘tail -F file’
- 下沉目标,即sink——HDFS文件系统 : hdfs sink
- Source和sink之间的传递通道——channel,可用file channel 也可以用 内存channel
1、开发配置文件
vim /export/servers/apache-flume-1.8.0-bin/tmpconf/tail-file.conf
a1.sources=r1
a1.channels=c1
a1.sinks=k1
# Describe/configure tail -F source1
a1.sources.r1.type=exec
a1.sources.r1.command =tail -F /export/servers/taillogs/access_log
# Describe sink1
a1.sinks.k1.type=hdfs
a1.sinks.k1.hdfs.path=hdfs://node01:8020/spooldir/
# 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
启动Flume
注意: Hadoop集群必须要启动
../bin/flume-ng agent -c conf -f tail-file.conf -n a1 -Dflume.root.logger=INFO,console
开发shell脚本定时时追加文件内容
mkdir -p /export/shells/
cd /export/shells/
vim tail-file.sh
#!/bin/bash
while true
do
date >> /export/servers/taillogs/access_log;
sleep 0.5;
done
创建一个文件夹用来存放文存放日志
mkdir -p /export/servers/taillogs
sh /export/servers/shells/tail-file.sh