Flume系列2-Flume 入门

一. Flume 安装部署

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/

安装部署:
本地使用的是CDH 6.3.1 版本，已安装Flume，此处略过安装步骤

二. Flume 入门案例

2.1 监控端口数据官方案例

使用 Flume 监听一个端口，收集该端口数据，并打印到控制台。

2.1.1 安装netcat

安装netcat并检查端口是否被占用

yum -y install nc
-- 查看端口是否被占用
netstat -nlp | grep 44444

2.1.2 创建 Flume Agent 配置文件

在Flume的安装目录下创建conf/lib目录，并创建flume的配置文件

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567
mkdir -p conf/job
cd conf/job
vi flume-netcat-logger.conf

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

配置文件	含义
$\#Namethecomponentsonthisagent$	a1:表示agent的名称
a1.sources = r1	r1:表示a1的source的名称
a1.sinks = k1	k1:表示a1的sink的名称
a1.channels = c1	c1: 表示a1的channel的名称
$\#Describe/configurethesource$
a1.sources.r1.type = netcat	表示a1的输入源类型为netcat的端口类型
a1.sources.r1.bind = localhost	表示a1监听的主机
a1.sources.r1.port = 44444	表示a1监听的端口号
$\#Describethesink$
a1.sinks.k1.type = logger	表示a1输出目的地是控制台logger类型
$\color{red}{# Use a channel which buffers events in memory
a1.channels.c1.type = memory	表示a1的channel类型为memory类型
a1.channels.c1.capacity = 1000	表示a1的channel的总容量1000个event
a1.channels.c1.transactionCapacity = 100	表示a1的channel传输时收集到了100条event以后再去提交事务
$\#Bindthesourceandsinktothechannel$
a1.sources.r1.channels = c1	表示r1和c1连接起来
a1.sinks.k1.channel = c1	表示k1和c1连接起来

2.1.3 先开启 flume 监听端口

第一种写法:

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567/
bin/flume-ng agent --conf conf/ --name a1 --conf-file conf/job/flume-netcat-logger.conf - Dflume.root.logger=INFO,console

第二种写法：

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567/
bin/flume-ng agent -c conf/ -n a1 -f conf/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。

2.1.4 开启netcat

nc localhost 44444 

2.1.5 在 Flume 监听页面观察接收数据情况

通过nc输入的数据，flume监听页面都接受到了，并且输出到了控制台

2.2 实时监控单个追加文件

实时监控 Hive 日志，并上传到 HDFS 中

2.2.1 创建 flume配置文件

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567/conf/job
vi 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 /tmp/root/hive.log

# Describe the sink 
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hp1:8020/user/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

2.2.2 运行Flume

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567
bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/job/flume-file-hdfs.conf

2.2.3 开启Hive 并操作 Hive 产生日志

从日志可以看到文件已经上传到HDFS：

在HDFS上查看:
1小时自动生产一个目录

1分钟自动生产一个文件

tmp结尾的文件为正在写入的文件，时间到了后就会自动重命名

2.3 实时监控目录下多个新文件

使用 Flume 监听整个目录的文件，并上传至 HDFS

2.3.1 创建配置文件

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567
vi conf/job/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 = /tmp/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://hp1:8020/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

2.3.2 启动监控文件夹命令

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567
bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/job/flume-dir-hdfs.conf

2.3.3 查看输出

flume日志:
从日志输出可以看到原目录的 c.txt直接被修改为 c.txt.COMPLETED,然后c.txt上传到一个另外名字的文件，而且从输出可以看到，多个文件的内容会合并上传到一个hdfs上的文件。

hdfs上看输出:
同样是1分钟一个文件，但是有写入才会创建，如果没有写入是不行的。

这个文件把 d.txt e.txt两个文件里的内容放在一起了。

2.4 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。

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 。

2.4.1 创建flume配置文件

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567
vi conf/job/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 = /tmp/tail_dir.json 
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /tmp/files/.*file.* 
a3.sources.r3.filegroups.f2 = /tmp/files2/.*log.*

# Describe the sink 
a3.sinks.k3.type = hdfs 
a3.sinks.k3.hdfs.path = hdfs://hp1:8020/user/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

2.4.2 启动监控文件夹命令

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567
bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/job/flume-taildir-hdfs.conf

2.4.3 向 files 文件夹中追加内容

cd /tmp/files
echo "this is a test" >> 1.file
echo "aaa  " >> 1.file

flume控制台输出:

HDFS查看输出文件:

2.4.4 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

[root@hp3 tmp]# more tail_dir.json 
[{"inode":102025252,"pos":19,"file":"/tmp/files/1.file"},{"inode":20401118,"pos":8,"file":"/tmp/files2/1.log"}]
[root@hp3 tmp]# 

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。

改名后inode不会发生变化，这点要注意

[root@hp3 20211201]# echo "aaa" > 1.log
[root@hp3 20211201]# ll
总用量 4
-rw-r--r--. 1 root root 4 12月  1 17:32 1.log
[root@hp3 20211201]# 
[root@hp3 20211201]# stat 1.log 
  文件："1.log"
  大小：4               块：8          IO 块：4096   普通文件
设备：fd00h/64768d      Inode：34103857    硬链接：1
权限：(0644/-rw-r--r--)  Uid：(    0/    root)   Gid：(    0/    root)
环境：unconfined_u:object_r:user_tmp_t:s0
最近访问：2021-12-01 17:32:27.255733849 +0800
最近更改：2021-12-01 17:32:27.255733849 +0800
最近改动：2021-12-01 17:32:27.255733849 +0800
创建时间：-
[root@hp3 20211201]# 
[root@hp3 20211201]# mv 1.log 2.log
[root@hp3 20211201]# stat 2.log     
  文件："2.log"
  大小：4               块：8          IO 块：4096   普通文件
设备：fd00h/64768d      Inode：34103857    硬链接：1
权限：(0644/-rw-r--r--)  Uid：(    0/    root)   Gid：(    0/    root)
环境：unconfined_u:object_r:user_tmp_t:s0
最近访问：2021-12-01 17:32:27.255733849 +0800
最近更改：2021-12-01 17:32:27.255733849 +0800
最近改动：2021-12-01 17:32:43.011302080 +0800
创建时间：-
[root@hp3 20211201]# 

参考:

1. https://flume.apache.org/