Flume安装与工作机制

Flume

1.Flume的概述

日志采集框架Flume是一个分布式(distributed)、高可靠(reliable)和高可用的(available )海量日志(efficiently )采集、聚合和传输的系统，Flume可以采集文件，socket数据包等各种形式源数据，又可以将采集到的数据输出到HDFS、hbase、hive、kafka等众多外部存储系统中。

2.Flume工作机制

• Flume分布式系统中最核心的角色是agent，flume采集系统就是由一个个agent所连接起来形成

• 每一个agent相当于一个数据传递员，内部有三个组件

  1. Source: Source是数据的收集端，负责将数据捕获后进行特殊的格式化，将数据封装到事件（event）里，然后将事件推入Channel中。
     常用Source类型
     HTTP Source: 读取syslog 数据，产生Event，支持UDP和TCP两种协议
     Spooling Directory Source: 监控指定目录内数据变更
  2. Channel: 主要提供一个队列的功能，对source提供中的数据进行简单的缓存。 Channel是中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接Source和Sink的组件，可以将它看做一个数据的缓冲区（数据队列），它可以将事件暂存到内存中也可以持久化到本地磁盘上， 直到Sink处理完该事件。介绍两个较为常用的Channel， MemoryChannel和FileChannel（MemoryChannel可以实现高速的吞吐， 但是无法保证数据完整性；MemoryRecoverChannel在官方文档的建议上已经建义使用FileChannel来替换。
     常用channel 类型
     Memory Channel Event数据存储在内存中
     JDBC Channel Event数据存储在持久化存储中，当前flume channel内置支持Derby
     File Channel Event 数数据存储在磁盘文件中
  3. Sink: 取出Channel中的数据，进行相应的存储文件系统，数据库，或者提交到远程服务器。

• 可靠性

1. Channels提供了Flume可靠性保障，默认Channels的保障模式为Memory Channel，MemoryChannel就是内存，将所有的数据存放在里面，但是它本身存在缺陷，如果断电数据将会丢失。那怎么解决这个问题呢？ Channels还有另外一种模式，就是基于磁盘的Channels，基于磁盘的队列确保当出现断电时数据不丢失，但是在这里我们必须明确Memory的性能是比磁盘高的。

2. Agent和Channel之间的数据传输是事务性的，就是在传输数据的过程中如果出现了故障，失败的数据会回滚和重试，不会丢失。事务就是保证我们的源到目标整体是完整的，要么一起成功，要么一起失败。

3. 相同的任务可以配置多个Agent。比如，两个agent完成一个数据采集作业，如果一个agent失败，则上游的agent会失败切换到另一个。

   

3. Flume安装与配置

1. 下载解压： http://flume.apache.org/FlumeUserGuide.html
   从官网下载 apache-flume-1.6.0-bin.tar.gz，
   解压 tar -zxvf apache-flume-1.6.0-bin.tar.gz

2. 进入flume的目录，修改conf下的flume-env.sh，在里面配置JAVA_HOME，复制一份 flume-env.sh.template 并改名 flume-env.sh vi flume-env.sh 加上一句 export JAVA_HOME=/usr/local/jdk7/（你自己的安装位置）

3. 修改flume-conf配置文件，conf目录下修改flume-conf.properties.template文件，复制并改名为 flume-conf.properties

4. 采集方案配置：从网络端口接收数据，下沉到logger。

    # example.conf: A single-node Flume configuration
    # Name the components on this agent
    #给那三个组件取个名字
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    #类型, 从网络端口接收数据,在本机启动, 所以localhost, type=spoolDir采集目录源,目录里有就采
    a1.sources.r1.type = netcat
    a1.sources.r1.bind = localhost
    a1.sources.r1.port = 44444
    
    # Describe the sink
    a1.sinks.k1.type = logger
    
    # Use a channel which buffers events in memory
    #下沉的时候是一批一批的, 下沉的时候是一个个eventChannel参数解释：
    #capacity：默认该通道中最大的可以存储的event数量
    #trasactionCapacity：每次最大可以从source中拿到或者送到sink中的event数量
    a1.channels.c1.type = memory
    a1.channels.c1.capacity = 1000
    a1.channels.c1.transactionCapacity = 100
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
   

5. 在flume的安装目录运行如下命令：
   bin/flume-ng agent
   –conf conf
   –conf-file conf/netcat-logger.conf
   –name a1
   -Dflume.root.logger=INFO,console
   注意： -Dflume
   a1 可以看做是flume服务的名称
   netcat-logger.conf 配置文件

6. 监听文件夹配置

    # Name the components on this agent
    a1.sources = r1
    a1.sinks = k1
    a1.channels = c1
    
    # Describe/configure the source
    #监听目录,spoolDir指定目录, fileHeader要不要给文件夹前坠名
    a1.sources.r1.type = spooldir
    a1.sources.r1.spoolDir = /home/hadoop/flumespool
    a1.sources.r1.fileHeader = true
    
    # Describe the sink
    a1.sinks.k1.type = logger
    
    # Use a channel which buffers events in memory
    a1.channels.c1.type = memory
    a1.channels.c1.capacity = 1000
    a1.channels.c1.transactionCapacity = 100
    
    # Bind the source and sink to the channel
    a1.sources.r1.channels = c1
    a1.sinks.k1.channel = c1
   

   启动命令： bin/flume-ng agent
   – conf conf/
   – conf-file conf/netcat-logger.conf
   –name a1
   –Dflume.root.logger=INFO,console

4. flume 三大组件常用配置图

5. 详情查看官网

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

6. 夸节点数据传递 avro

需求：把A服务器上的日志采集到B服务器上（web服务器上的日志采集到hadoop集群服务器上）

需要在：需要在web服务器上搭建一个agent，在hadoop集群上搭建一个agent

模拟测试： 参数如下

web服务器： source：exec , sink:avro(夸节点sink) , channel memo

hadoop集群服务器：source：avro , sink:logger , channel memo

flume-web.properties 配置文件：

exec_memmory_avro.sources = exec_source
exec_memmory_avro.sinks = avro_sink
exec_memmory_avro.channels = memory_channel

exec_memmory_avro.sources.exec_source.type = exec
exec_memmory_avro.sources.exec_source.command  =  tail -F /hadoopData/exe.log
 
exec_memmory_avro.sinks.avro_sink.type = avro
exec_memmory_avro.sinks.avro_sink.hostname = 192.168.126.32
exec_memmory_avro.sinks.avro_sink.port = 3033 
exec_memmory_avro.channels.memory_channel.type = memory
exec_memmory_avro.channels.memory_channel.capacity = 1000
exec_memmory_avro.channels.memory_channel.transactionCapacity = 100

exec_memmory_avro.sources.exec_source.channels = memory_channel
exec_memmory_avro.sinks.avro_sink.channel = memory_channel

flume-hadoop-cluster.properties配置文件：

avro_memory_logger.sources = avro_source
avro_memory_logger.sinks = logger_sink
avro_memory_logger.channels = memory_chanel
 
avro_memory_logger.sources.avro_source.type = avro
avro_memory_logger.sources.avro_source.bind =192.168.126.31 
avro_memory_logger.sources.avro_source.port = 3033
 
avro_memory_logger.sinks.logger_sink.type = logger
 
avro_memory_logger.channels.memory_chanel.type = memory
avro_memory_logger.channels.memory_chanel.capacity = 1000
avro_memory_logger.channels.memory_chanel.transactionCapacity = 100

avro_memory_logger.sources.avro_source.channels = memory_chanel
avro_memory_logger.sinks.logger_sink.channel = memory_chanel