Flume框架

Flume概述

官网地址：http://flume.apache.org/

Flume是一种分布式，可靠且可用的服务，用于有效地收集，聚合和移动大量日志数据。它具有基于流式数据流的简单灵活的架构。它具有可靠性机制和许多故障转移和恢复机制，具有强大的容错性。它使用简单的可扩展数据模型，允许在线分析应用程序。
Flume的中文翻译是“引水槽”，是用于引导水的，而在软件中，它是用于传输数据的。

为什么需要Flume？
从大数据的角度想，大数据的数据是从哪里来？

=>爬虫：如果本公司没有现成的数据，可以通过爬虫从互联网中获取需要的数据
=>日志数据：软件运行时会产生大量的日志文件，这些日志文件也是可以用作数据分析的，可通过flume采集
=>传统型数据库：即Mysql、Oracle数据库，可通过sqoop采集

flume架构

flume主要由三部分组成：
source：数据源，
产生数据流， 同时source将产生的数据流传输到channel。
channel：传输通道
用于桥接Source和Sinks的，把Source产生的数据流传输到Sinks。
Sinks：槽
从channel收集数据，并输出到文件中。

除了上面三种之外，还有一个部分
event：传输单元
Flume数据传输的基本单元，以事件的形式将数据送往目的地。

Flume安装部署

安装包:apache-flume-1.9.0-bin.tar.gz
服务器：由虚拟机搭建的三台CentOS7
Java版本：1.8

1. 下载安装包，根据需求下载对应版本的安装包，此处我下载的版本是1.9.0
   http://flume.apache.org/download.html
2. 上传压缩包到服务器（此处假设已按照前面一篇关于“Hadoop安装部署”的博文安装了三台虚拟服务器）
3. 解压

 tar -zxvf .tar

4. 重命名conf/目录下的flume-env.sh.template

 mv flume-env.sh.template flume-env.sh.template

5. 修改配置文件

export JAVA_HOME=/home/even/hd/jdk1.8.0_141/

6. 修改/etc/profile，配置环境变量，（之前以配置了其他的组件。）

export FLUME_HOME=/home/even/hd/flume-1.9.0
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$ZOOKEEPER_HOME/bin:$HIVE_HOME/bin:$FLUME_HOME/bin

使配置生效
source /etc/profile
8. 验证
flume-ng help

Flume使用

端口监听

1. 编写监听端口的配置文件，flumejob_telnet.conf

#smple.conf: A single-node Flume configuration
# Name the components on this agent 定义变量方便调用 加s可以有多个此角色
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source 描述source角色 进行内容定制
# 此配置属于tcp source 必须是netcat类型
a1.sources.r1.type = netcat 
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
# Describe the sink 输出日志文件
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory（file） 使用内存 总大小1000 每次传输100
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel 一个source可以绑定多个channel 
# 一个sinks可以只能绑定一个channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

此配置定义名为a1的单个代理（agent）。a1有一个监听端口44444上的数据的source，一个缓冲内存中事件数据的channel，以及一个将事件数据记录到控制台的sink。配置文件命名各种组件，然后描述其类型和配置参数，给定配置文件可能会定义几个命名的代理，当一个给定的Flume进程启动时，需要指定一个代理名，告诉它要使用哪个代理。

2. 启动Flume：

flume-ng agent \
--conf conf \
--conf-file flumejob_telnet.conf \
--name a1 \
-Dflume.root.logger=INFO,console

–conf=，指向flume的conf目录，此目录将包括一个脚本flume-env.sh和一个log4j的属性文件；–conf-file指向上面的配置文件；–name指定要运行的agent别名；-Dflume.root.logger是为了强制Flume登录到控制台并把内容显示出来。

3. 发送数据（如果没有telnet命令，请安装yum install telnet）

telnet localhost 44444

4. 结果：
   
   在启动命令的当前目录会生成一个logs目录，里面会有一个flume.log日志文件记录了flume启动的信息

实时采集文件到HDFS

1. 编写配置文件flumejob_hdfs.conf：

# Name the components on this agent 
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source 
# exec 执行一个命令的方式去查看文件 tail -F 实时查看
a1.sources.r1.type = exec
# 要执行的脚本command tail -F 默认10行 man tail  查看帮助，此处监听hive的日志
a1.sources.r1.command = tail -F /tmp/root/hive.log
# 执行这个command使用的是哪个脚本 -c 指定使用什么命令
# whereis bash
# bash: /usr/bin/bash /usr/share/man/man1/bash.1.gz 
a1.sources.r1.shell = /usr/bin/bash -c

# Describe the sink 
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hd-even-01:9000/flume/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹  秒 （默认30s）
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位（每小时滚动一个文件夹）
a1.sinks.k1.hdfs.roundUnit = minute
#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 秒
a1.sinks.k1.hdfs.rollInterval = 30
#设置每个文件的滚动大小 字节（最好128M）
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a1.sinks.k1.hdfs.rollCount = 0
#最小冗余数(备份数 生成滚动功能则生效roll hadoop本身有此功能 无需配置) 1份 不冗余
a1.sinks.k1.hdfs.minBlockReplicas = 1

# 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hdfs：

start-dfs.sh

3. 启动flume：

flume-ng agent \
--conf conf \
--conf-file flumejob_hdfs.conf \
--name a1

4. 输出hive命令，生成日志记录：
   
5. 结果：
   
   

实时监听文件夹

1. 编写flume-dir.conf文件：

# 定义
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = spooldir
# 监控的文件夹
a1.sources.r1.spoolDir = /home/even/hd/spooldir
# 上传成功后显示后缀名 
a1.sources.r1.fileSuffix = .COMPLETED
# 如论如何 加绝对路径的文件名 默认false
a1.sources.r1.fileHeader = true

#忽略所有以.tmp 结尾的文件（正在被写入），不上传
# ^以任何开头 出现无限次 以.tmp结尾的
a1.sources.r1.ignorePattern = ([^ ]*\.tmp)

# Describe the sink 
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hd-even-01:9000/flume/spooldir/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = spooldir-
#是否按照时间滚动文件夹
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 = 50

#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
a1.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是 128M 
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a1.sinks.k1.hdfs.rollCount = 0
#最小副本数
a1.sinks.k1.hdfs.minBlockReplicas = 1

# 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hdfs

start-dfs.sh

3. 启动flume

flume-ng agent \
--conf conf \
--conf-file flumejob_dir.conf \
--name a1

4. 在/home/even/hd/spooldir目录下创建一个test.txt，添加内容后保存：
   
5. 结果
   
   

多个channel/sink

如图所示，现在要把hive.log日志文件同时采集到hdfs和本地，需要多个channel和sink来实现。

flume1配置文件：

# name the components on this agent 
a1.sources = r1
a1.sinks = k1 k2 
a1.channels = c1 c2
# 将数据流复制给多个 channel
a1.sources.r1.selector.type = replicating

# Describe/configure the source 
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /tmp/root/hive.log
a1.sources.r1.shell = /bin/bash -c


# Describe the sink
# 分两个端口发送数据 
a1.sinks.k1.type = avro 
a1.sinks.k1.hostname = hd-even-01
a1.sinks.k1.port = 4141

a1.sinks.k2.type = avro 
a1.sinks.k2.hostname = hd-even-01
a1.sinks.k2.port = 4142

# Describe the channel 
a1.channels.c1.type = memory 
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

a1.channels.c2.type = memory 
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel 
a1.sources.r1.channels = c1 c2 
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2

flume2配置文件：

# Name the components on this agent 
a2.sources = r1
a2.sinks = k1 
a2.channels = c1

# Describe/configure the source
a2.sources.r1.type = avro 
# 端口抓取数据
a2.sources.r1.bind = hd-even-01
a2.sources.r1.port = 4141

# Describe the sink 
a2.sinks.k1.type = hdfs
a2.sinks.k1.hdfs.path = hdfs://hd-even-01:9000/flume2/%Y%m%d/%H

#上传文件的前缀
a2.sinks.k1.hdfs.filePrefix = flume2-
#是否按照时间滚动文件夹
a2.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a2.sinks.k1.hdfs.batchSize = 100

#设置文件类型，可支持压缩
a2.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是 128M 
a2.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a2.sinks.k1.hdfs.rollCount = 0
#最小副本数
a2.sinks.k1.hdfs.minBlockReplicas = 1

# Describe the channel 
a2.channels.c1.type = memory 
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel 
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1

flume3配置文件：

# Name the components on this agent 
a3.sources = r1
a3.sinks = k1 
a3.channels = c1

# Describe/configure the source 
a3.sources.r1.type = avro
a3.sources.r1.bind = hd-even-01
a3.sources.r1.port = 4142

# Describe the sink 
a3.sinks.k1.type = file_roll
a3.sinks.k1.sink.directory = /root/flume2

# Describe the channel 
a3.channels.c1.type = memory 
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100


# Bind the source and sink to the channel 
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1

按顺序运行：

flume-ng agent --conf flume-1.9.0/conf --conf-file flumejob_1.conf --name a1
flume-ng agent --conf flume-1.9.0/conf --conf-file flumejob_2.conf --name a2
flume-ng agent --conf flume-1.9.0/conf --conf-file flumejob_3.conf --name a3