Flume相关总结

1. Flume组成，Put事务，Take事务

1）Flume组成，Put事务，Take事务

      Taildir Source：断点续传、多目录。Flume1.6以前需要自己自定义Source记录每次读取文件位置，实现断点续传。

       File Channel：数据存储在磁盘，宕机数据可以保存。但是传输速率慢。适合对数据传输可靠性要求高的场景，比如，金融行业。

       Memory Channel：数据存储在内存中，宕机数据丢失。传输速率快。适合对数据传输可靠性要求不高的场景，比如，普通的日志数据。

       Kafka Channel：减少了Flume的Sink阶段，提高了传输效率。          

       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拦截器和区分类型拦截器。

         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

      a）实现 Interceptor

      b）重写四个方法

        -initialize 初始化

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

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

        -close 方法

      c）静态内部类，实现Interceptor.Builder

3. HDFS Sink小文件处理

   （1）HDFS存入大量小文件，有什么影响？

         元数据层面：每个小文件都有一份元数据，其中包括文件路径，文件名，所有者，所属组，权限，创建时间等，这些信息都保存在Namenode内存中。所以小文件过多，会占用Namenode服务器大量内存，影响Namenode性能和使用寿命

         计算层面：默认情况下MR会对每个小文件启用一个Map任务计算，非常影响计算性能。同时也影响磁盘寻址时间。

    （2）HDFS小文件处理

         官方默认的这三个参数配置写入HDFS后会产生小文件，hdfs.rollInterval、hdfs.rollSize、hdfs.rollCount

         基于以上hdfs.rollInterval=3600，hdfs.rollSize=134217728，hdfs.rollCount =0，hdfs.roundValue=10，hdfs.roundUnit= second几个参数综合作用，效果如下：

    （1）tmp文件在达到128M时会滚动生成正式文件

    （2）tmp文件创建超10秒时会滚动生成正式文件

       举例：在2018-01-01 05:23的时侯sink接收到数据，那会产生如下tmp文件：

       /atguigu/20180101/atguigu.201801010520.tmp

       即使文件内容没有达到128M，也会在05:33时滚动生成正式文件