Flume自探（一）—Flume概述及入门

Flume自探

自己的话：每天都要保持前进
多认识更加优秀的人，你会讨厌现在的自己。

Flume概述及入门

---

一、概述

1.1 Flume 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。

1.2 Flume 组成架构

下面我们来详细介绍一下Flume 架构中的组件：

1.2.1 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，是 Flume 数据传输的基本单元。
Agent 主要有 3 个部分组成，Source、Channel、Sink。

1.2.2 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。

1.2.3 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。

1.2.4 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 是完全事务性的。在从 Channel 批量删除数据之前，每个 Sink 用 Channel 启动一个事务。批量事件一旦成功写出到存储系统或下一个 Flume Agent，Sink 就利用Channel 提交事务。事务一旦被提交，该 Channel 从自己的内部缓冲区删除事件。

Sink 组件目的地包括 hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定义。

1.2.5 Event

传输单元，Flume 数据传输的基本单元，以事件的形式将数据从源头送至目的地。

1.3 Flume 拓扑结构

Flume Agent 连接：

单 source，多 channel、sink：

Flume 负载均衡：

Flume Agent 聚合：

1.4 Flume Agent 内部原理

---

二、快速入门

2.1 Flume 安装地址

2.1.1 Flume 官网地址

http://flume.apache.org

2.1.2 文档查看地址

http://flume.apache.org/FlumeUserGuide.html

2.1.3 下载地址

http://archive.apache.org/dist/flume/

2.2 安装部署

（1）将 apache-flume-1.7.0-bin.tar.gz 上传到 linux 的/opt/software 目录下

（2）解压 apache-flume-1.7.0-bin.tar.gz 到/opt/module/目录下

[hadoop1 software]$ tar -zxvf apache-flume-1.7.0-bin.tar.gz -C /opt/module/

（3）修改 apache-flume-1.7.0-bin 的名称为 flume

[hadoop1 module]$ mv apache-flume-1.7.0-bin flume

（4）将 flume/conf 下的 flume-env.sh.template 文件修改为 flume-env.sh ，并配置 flume-env.sh 文件

[hadoop1 conf]$ mv flume-env.sh.template flume-env.sh 
[hadoop1 conf]$ vi flume-env.sh
export JAVA_HOME=/home/xxx/jdk1.8.0_144