Flume概述及组成架构（实时、日志、传输）

一、Flume 概述（实时、日志、传输）

1、概念

• 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。（实时日志传输）
• 补充：Hadoop 三大发行版本
  • Apache Hadoop: 最原始（最基础）的版本
  • Cloudera Hadoop: 内部集成了很多大数据框架。对应产品CDH
  • Hortonworks Hadoop: 文档较好。对应产品HDP(被Cloudera 收购)

• Flume 最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到 HDFS

2、Flume 基础架构

• Flume 组成架构

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地。
• Agent 主要有3个部分组成，Source、Channel、Sink。

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。

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

2.4 Channel

• Channel 是位于 Source 和 Sink 之间的缓冲区(通道)。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 (存储通道) 和 File Channel(较慢但是稳定)。
• 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。(行为数据)
• 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。（业务数据）

2.5 Event

• 传输单元，Flume 数据传输的基本单元，以 Event 的形式将数据从源头送至目的地。Event 由 Header 和 Body 两部分组成，Header 用来存放该 event 的一些属性，为K-V结构，Body 用来存放该条数据，形式为字节数组。