Flume和Kafka的区别与联系

同样是流式数据采集框架，

flume一般用于日志采集，可以定制很多数据源，减少开发量，基本架构是一个flume进程agent（source、拦截器、选择器、channel<Memory Channel、File Channel>、sink），其中传递的是原子性的event数据；

使用双层Flume架构可以实现一层数据采集，一层数据集合；

Flume的概念、基本架构

kafka一般用于日志缓存，是一个可持久的分布式消息队列，自带存储，提供push和pull两种存储数据功能；包括producer、kafkaCluster（broker：topic、partition）、consumer，依赖于Zookeeper（brokerid、topic、partition元数据存在ZNode，partition选举leader依赖Zookeeper）；

Kafka的概念、基本架构

区别点一：
flume和kafka的侧重点不同，

而flume追求的是数据和数据源、数据流向的多样性，适合多个生产者的场景；flume有自己内置的多种source和sink组件，具体操作方式是编写source、channel和sink的.conf配置文件，开启flume组件的时候用命令关联读取配置文件实现；

# 开启flume的脚本部分：
 
$FLUME_HOME/bin/flume-ng 
agent
 -c $FLUME_HOME/conf
 -f $JOB_HOME/flume-hdfs.conf
 -n agent-hdfs
 -Dflume.root.logger=info,
 console >$FLUME_HOME/logs/flume-hdfs.log  2>&1 &
 
-c：flume启动读取的配置文件flume-env.sh（指定JDK路径）存储在/conf目录中
-f：编写好source、interceptor、selector、channel和sink的配置文件flume-hdfs.conf的存储目录
-n：表示给flume-hdfs.conf中的agent起名为agent-hdfs
--------------------以下可不写-------------------
-D：表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error，仅为Debug使用，生产环境一般不用

# 开启flume的脚本部分：
 
$FLUME_HOME/bin/flume-ng 
agent
 -c $FLUME_HOME/conf
 -f $JOB_HOME/flume-hdfs.conf
 -n agent-hdfs
 -Dflume.root.logger=info,
 console >$FLUME_HOME/logs/flume-hdfs.log  2>&1 &
 
-c：flume启动读取的配置文件flume-env.sh（指定JDK路径）存储在/conf目录中
-f：编写好source、interceptor、selector、channel和sink的配置文件flume-hdfs.conf的存储目录
-n：表示给flume-hdfs.conf中的agent起名为agent-hdfs
--------------------以下可不写-------------------
-D：表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error，仅为Debug使用，生产环境一般不用
console：打印日志发送路径
kafka追求的是高吞吐，高负载，同一topic下可以有多个partition，由于是pull模式拉取数据，因此适合多个消费者的场景；kafka没有内置的producer和consumer组件，需要自己编写代码。

区别点二：
flume和kafka的定位有所不同：

1. flume

cloudera公司研发，适合多个生产者；

适合下游数据消费者不多的情况；（一个消费者开一个channel）

适合数据安全性要求不高的操作；（数据没有备份、没有副本）

适合与Hadoop生态圈对接的操作。（HDFS、Hbase等）

适合生产和收集数据

 

2. kafka

linkedin公司研发，适合多个消费者；

适合数据下游消费众多的情况；（kafka从磁盘读，并且只找Leader读）

适合数据安全性要求较高的操作，支持replication（多副本）。

适合消费数据

 

因此工作中常用的一种模型是：

线上数据 --> flume --> kafka --> HDFS --> hive/MR计算

                                              --> SparkStreaming计算

也有kafka与springboot组合，采集数据后交给sparkStreaming进行流式计算