一、Flume概述
1、定义
Flume是Cloudera提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统。Flume基于流式架构,灵活简单
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RV3UdQii-1597403755028)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597309346265.png)]
2、Flume基础架构
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-KlIPpUWX-1597403755030)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597309392561.png)]
(1)Agent
Agent是一个JVM进程,它以事件的形式将数据从源头送至目的。
Agent主要有3个部分组成,Source、Channel、Sink。
(2)Source
Source是负责接收数据到Flume Agent的组件。Source组件可以处理各种类型、各种格式的日志数据,包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy。
(3)Sink
Sink不断地轮询Channel中的事件且批量地移除它们,并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。
Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义。
(4)Channel
Channel是位于Source和Sink之间的缓冲区。因此,Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的,可以同时处理几个Source的写入操作和几个Sink的读取操作。
Flume自带两种Channel:Memory Channel和File Channel。
Memory Channel是内存中的队列。
Memory Channel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失,那么Memory Channel就不应该使用,因为程序死亡、机器宕机或者重启都会导致数据丢失。
File Channel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。
(5) Event
传输单元,Flume数据传输的基本单元,以Event的形式将数据从源头送至目的地。Event由Header和Body两部分组成,Header用来存放该event的一些属性,为K-V结构,Body用来存放该条数据,形式为字节数组。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-C8Bl9S4y-1597403755032)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597309699220.png)]
二、Flume入门
1、Flume安装部署
(1)安装地址
Flume官网地址:http://flume.apache.org/
文档查看地址:http://flume.apache.org/FlumeUserGuide.html
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
tar -zxvf /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
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
rm /opt/module/flume/lib/guava-11.0.2.jar
2、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:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kMT37mJJ-1597403755034)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597310045998.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L3tnUCcZ-1597403755035)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597325800948.png)]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
[atguigu@hadoop102 flume-telnet]$ sudo netstat -tunlp | grep 44444
(3)创建配置文件
(配置文件名字随便取,只要在输入linux命令时对应就行了)
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/
在job文件夹下创建Flume Agent配置文件netcat-flume-logger.conf。
[atguigu@hadoop102 job]$ vim netcat-flume-logger.conf
在netcat-flume-logger.conf文件中添加如下内容。
# Name the components on this agent (a1就是agent的名字,可以随意取)
# 取source,sink,channel的名字
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
# 设置source的类型,服务器ip和端口
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop102
a1.sources.r1.port = 44444
# Describe the sink
设置sink的类型,这里设置的是logger就可以以日志形式打印在控制台
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
# channel类型设置为memory类型,channel容量为1000个event,channel传输时收到100条event再提交事务
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
#表示r1和c1连接起来,k1和c1连接起来
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
4)先开启flume监听端口
[atguigu@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
agent必须写前面
–conf表示配置文件存储在conf/目录
–name 后接agent的名字
–conf-file后接自定义的配置文件路径
-Dflume.root.logger=INFO,console是在配置logger类型的sink时写上,才可以以日志形式输出到控制台
-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。
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
5)使用netcat工具向本机的44444端口发送内容
注意:
必须先开启监听端口再启动netcat工具
此时我必须nc localhost,如果nc hadoop102则会报错:Ncat: Connection refused.因为我配置文件里配置的是localhost,如果我把配置文件改成hadoop102就可以用nc Hadoop02 44444开启netcat
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TIkdurqr-1597403755036)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597322571272.png)]
[atguigu@hadoop102 ~]$ nc localhost 44444
hello
atguigu
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eNh4hCD1-1597403755037)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597321851650.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-R21tHuYx-1597403755037)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597321889730.png)]
(2)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:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5VzOvM3J-1597403755038)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597322670222.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L072TmHU-1597403755039)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597328856844.png)]3)实现步骤:
1.创建新的配置文件如下:
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
#tail -F后面是要监控的文件目录,source类型选用exec。
#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。
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log
# 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
企业版:
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/datas/hive.log
# Describe the sink
#选择hdfs类型的sink可以将sink输出上传到hdfs
a1.sinks.k1.type = hdfs
#表示上传到hdfs的路径。并且以时间 年月日-小时 命名文件夹
a1.sinks.k1.hdfs.path =/flume/%Y%m%d/%H
#对上传文件加前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否对时间戳取整
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型,可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
#这里10s生成文件,文件大小设置的比128m小一点点,因为hdfs一个块大小是128m
a1.sinks.k1.hdfs.rollInterval = 10
#设置每个文件的滚动大小
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0
# 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
2.启动agent
[atguigu@hadoop102 flume]$ bin/flume-ng agent -c conf/ -f job/file-flume-hdfs2.conf -n a1
查看hdfs,会生成文件夹,若操作hive,hive更新的日志会传入到hdfs
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zzQttRxv-1597403755040)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597326205519.png)]
4)总结:
sink hdfs
hdfs 路径 /flume/%Y%m%d/%H 只有配成这样大概样式才能保证滚动文件夹
fileType Datastream 表示你能看得懂
------滚动文件
rollInterval 按多久滚动一次hdfs文件 默认s为单位 在中小企业配成3600秒
rollSize 按多大滚动一次hdfs文件 默认字节为单位 在企业一般比块大小小那么一丢丢
rollCount 按事件个数滚动hdfs文件 默认单位是event 在企业设为0
-----滚动文件夹
round 表示对时间戳取整 取整单位由下面两个参数决定 默认是flase
roundValue 表示滚动文件夹的值 默认1
roundUint 表示滚动文件夹的单位 默认s
(3)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:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CQyej9lz-1597403755040)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597324956275.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ANkrdvfq-1597403755041)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597326081544.png)]3)实现步骤:
1.新建配置文件
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
#带compled后缀的文件不会上传
a3.sources.r3.fileSuffix = .COMPLETED
#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 = /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
2.启动flume
[atguigu@hadoop102 flume]$ bin/flume-ng agent -n a3 -c conf/ -f job/files-flume-hdfs.conf
此时发现hdfs上文件夹已经创建好了,向监控的文件夹新建一个新的文件b.txt时,hdfs文件夹里会生成一个tmp结尾的临时文件,过一会会变成非临时文件,而b.txt文件由于已经被上传到hdfs,所以后面有.completed后缀
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s9y4aprI-1597403755042)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597327580829.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-z9y0Nn1B-1597403755043)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597327611378.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6pUIuUm2-1597403755044)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597327639920.png)]
4)总结:
1.这个source 是拿来上传已经完整文件
2.这个source 能够去每隔500ms去扫描一次指定的文件夹
3.不要在指定的文件夹 持续修改文件 会导致重复上传
4.不要传同名文件两次,会导致这个agent挂掉
5.不要传指定文件后缀名(.COMPLETED)的文件
6.先上传文件后改名
(4)实时监控多目录下的多个追加文件
(taildir source最重要)
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:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LmYcyN6u-1597403755044)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597329048543.png)]
这里使用 logger sink演示:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pTTTlgS6-1597403755045)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597329181605.png)]
3)实现步骤:
1.新建配置文件:
a3.sources = r3
a3.sinks = k3
a3.channels = c3
# Describe/configure the source
a3.sources.r3.type = TAILDIR
#JSON格式的文件,用于记录每个监控的文件的索引节点,绝对路径和最后位置。
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume/file1/file1.txt
#以file开头.txt结尾的文件
a3.sources.r3.filegroups.f2 = /opt/module/flume/file2/file.*.txt
# Describe the sink
a3.sinks.k3.type = logger
# 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
2.创建file1和file2文件夹,创建相应的file1.txt和file2.txt文件,并开启flume监控
[atguigu@hadoop102 flume]$ bin/flume-ng agent -n a3 -c conf/ -f job/files-flume-logger.conf -Dflume.root.logger=INFO,console
3.向file1.txt文件输入内容
[atguigu@hadoop102 file1]$ echo "hello file1">>file1.txt
观察发先输入的内容以logger打印到控制台,并且多了个tail_dir.json文件,文件容都是json对象形式
注意:
在开启flume监控后新输入的文件内容才会打印,之前就存在的内容不会监听
如果暂停flume监控,将file1.txt文件更名,追加内容,然后再开启flume监控还是会打印新追加的内容到控制台,因为tail_dir.json文件存了file1.txt文件的inode值,更名不会改变inode值,而且更名之后tail_dir.json文件中内容file1也更名了。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-I5AAVNbD-1597403755046)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597330449621.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-262ll35d-1597403755047)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597330761814.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LVRDQTm7-1597403755047)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597330823720.png)]
4)总结:
1.首先如果需要追踪多目录 需要配置filegroups 然后分别给对应的filegroups 赋值(文件的绝对路径)
2.taildir 如果想要完成断点续传:需要记录位置信息(inode pos path) 这三个改任何一个都能改变文件读取的位置
3.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。
e监控还是会打印新追加的内容到控制台,因为tail_dir.json文件存了file1.txt文件的inode值,更名不会改变inode值,而且更名之后tail_dir.json文件中内容file1也更名了。
[外链图片转存中...(img-I5AAVNbD-1597403755046)]
[外链图片转存中...(img-262ll35d-1597403755047)]
[外链图片转存中...(img-LVRDQTm7-1597403755047)]
#### 4)总结:
1.首先如果需要追踪多目录 需要配置filegroups 然后分别给对应的filegroups 赋值(文件的绝对路径)
2.taildir 如果想要完成断点续传:需要记录位置信息(inode pos path) 这三个改任何一个都能改变文件读取的位置
3.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。