flume 一对多hdfs_Flume相关面试题知识点总结

1 Flume组成，Put事务，Take事务

1)taildir source

(1)断点续传、多目录

(2)哪个flume版本产生的？Apache1.7、CDH1.6

(3)没有断点续传功能时怎么做的？ 自定义

(4)taildir挂了怎么办？

不会丢数：断点续传

重复数据：

(5)怎么处理重复数据？

不处理：生产环境通常不处理，因为会影响传输效率

处理

自身：在taildirsource里面增加自定义事务

找兄弟：下一级处理(hive dwd sparkstreaming flink布隆)、去重手段(groupby、开窗取窗口第一条、redis)

(6)taildir source 是否支持递归遍历文件夹读取文件？

不支持。 自定义 递归遍历文件夹 +读取文件

2)file channel /memory channel/kafka channel

(1)file channel

数据存储于磁盘，优势：可靠性高；劣势：传输速度低

默认容量：100万event

注意：FileChannel可以通过配置dataDirs指向多个路径，每个路径对应不同的硬盘，增大Flume吞吐量。

(2)memory channel

数据存储于内存，优势：传输速度快；劣势：可靠性差

默认容量：100个event

(3)kafka channel

数据存储于Kafka，基于磁盘；

优势：可靠性高；

传输速度快 kafka channel》memory channel+kafka sink 原因省去了sink阶段

(4)kafka channel哪个版本产生的？

flume1.6 版本产生=》并没有火；因为有bug

topic-start 数据内容

topic-event 数据内容 ture 和false 很遗憾，都不起作用。

增加了额外清洗的工作量。

flume1.7解决了这个问题，开始火了。

(5)生产环境如何选择

如果下一级是kafka,优先选择kafka channel

如果是金融、对钱要求准确的公司，选择file channel

如果就是普通的日志，通常可以选择memory channel

每天丢几百万数据 pb级 亿万富翁，掉1块钱会捡？

3)HDFS sink

(1)时间(1小时-2小时) or 大小128m、event个数(0禁止)

具体参数：hdfs.rollInterval=3600，hdfs.rollSize=134217728，hdfs.rollCount =0

4)事务

Source到Channel是Put事务

Channel到Sink是Take事务

2 Flume拦截器

1)拦截器注意事项

项目中自定义了：ETL拦截器。

采用两个拦截器的优缺点：优点，模块化开发和可移植性；缺点，性能会低一些

2)自定义拦截器步骤

(1)实现 Interceptor

(2)重写四个方法

Ø initialize 初始化

Ø public Event intercept(Event event) 处理单个Event

Ø public List intercept(List events) 处理多个Event，在这个方法中调用Event intercept(Event event)

Ø close 方法

(3)静态内部类，实现Interceptor.Builder

3)拦截器可以不用吗？

可以不用；需要在下一级hive的dwd层和sparksteaming里面处理

优势：只处理一次，轻度处理；劣势：影响性能，不适合做实时推荐这种对实时要求比较高的场景。

3 Flume Channel选择器

4 Flume监控器

1)采用Ganglia监控器，监控到flume尝试提交的次数远远大于最终成功的次数，说明flume运行比较差。

2)解决办法？

(1)自身：增加内存flume-env.sh 4-6g

-Xmx与-Xms最好设置一致，减少内存抖动带来的性能影响，如果设置不一致容易导致频繁fullgc。

(2)找朋友：增加服务器台数

搞活动 618 =》增加服务器=》用完再退出

日志服务器配置：8-16g内存、磁盘8T

5 Flume采集数据会丢失吗?(防止数据丢失的机制)

如果是FileChannel不会，Channel存储可以存储在File中，数据传输自身有事务。

如果是MemoryChannel有可能丢。