Flume学习视频心得（一）Flume基础介绍、架构分析、经典案例

最新推荐文章于 2024-07-18 01:05:43 发布

友培

最新推荐文章于 2024-07-18 01:05:43 发布

阅读量239

点赞数 2

分类专栏：大数据——数据集成工具文章标签：大数据 flume 笔记 hdfs

本文链接：https://blog.csdn.net/xiaoyoupei/article/details/113098511

版权

大数据——数据集成工具专栏收录该内容

12 篇文章 1 订阅

订阅专栏

文章目录

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。

2、基础架构

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-c4jYw3pY-1611496906000)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124112038359.png)]$

上图的理解：可以把source看成事一个读的流程，Channel相当于是一个Buffer（缓冲区），Sink是一个写的流程。

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。
Agent主要有3个部分组成，Source、Channel、Sink。

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。

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。

4）、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。

★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。

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pIKtfgbt-1611496906001)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124140851183.png)]$

Header一般都是空的，Body是数据

3、Flume安装（Flume-1.6.0）及介绍

1）、安装步骤

1.通过Xftp把.gz包上传到虚拟机

2.tar zxvf apache-flume-1.8.0-bin.tar.gz
重命名：mv apache-flume-1.6.0-bin flume-1.6.0
打开 vi /etc/profile

3.配置flume环境变量量
添加#Flume
export FLUME_HOME=/usr/local/soft/flume-1.6.0
export PATH=.:$JAVA_HOME/bin:$FLUME_HOME/bin:$PATH

4.修改flume的配置文件：
cp flume-env.sh.template  flume-env.sh
在文件中增加JAVA_HOME

5，如果使用hdfs作为sink的，需要将hdfs相关的jar导入flume的lib包
下

2）、版本介绍

Flume大的版本分为0.9之前和0.9之后
0.9之前： flume og
0.9之后： flume ng

3）、Flume运行agent的命令介绍

①、第一种方式

flume-ng agent --name agent的名字 --conf 配置文件的目录 --conf-file agent的配置文件（自己手动写）
			-Dflume.root.logger=INFO,console
--name / -n
--conf / -c
--conf-file / -f

②、第二种方式

flume-ng agent -n agent的名字 -c 配置文件的目录 -f agent的配置文件（自己手动写）
			-Dflume.root.logger=INFO,console

说明：将日志文件写入到控制台上

具体补充：

参数说明：
	--conf/-c：表示配置文件存储在conf/目录
	--name/-n：表示给agent起名为a1
	--conf-file/-f：flume本次启动读取的配置文件是在job文件夹下的flume-telnet.conf文件。
	-Dflume.root.logger=INFO,console ：-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。

3）、agent的配置文件基本介绍

①、需要定义agent的名字还需要定义source、channel、sink（叫什么，有几个）

②、需要对source、channel、sink指明具体的类型和配置

③、需要指明source、channel、sink三者之间的关系

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8LYoh7dJ-1611496906003)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124160553989.png)]$

4、案例一：监控端口数据

1）、需求

使用Flume监听一个端口，收集该端口数据，并打印到控制台。

2）、需求分析

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oLbhP2lP-1611496906004)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124155209064.png)]$

3）、实现步骤

①、安装netcat工具

yum install -y nc

补充：介绍netcat的使用

具体操作命令（基于tcp协议）
监听： nc -l 端口号
发送： nc 主机名（IP地址）端口号
注意：①监听和发送的端口号必须一致 ②端口号必须在范围之内的 ③先启动监听端再启动发送端

②、判断44444端口是否被占用

netstat -tunlp | grep 44444

③、创建Flume Agent配置文件netcatsource_loggersink.conf

在flume目录下创建datas文件夹并进入datas文件夹，在datas文件夹下创建Flume Agent配置文件netcatsource_loggersink.conf，写入如下内容：

# a1是agent的名字
# 定义的source、channel、sink的个数可以是多个，中间用空格隔开
# 定义的名字可以随便起，最好可以和官网的案例一致，方便后面查询

# 定义source
a1.sources = r1
# 定义sink
a1.sinks = k1
# 定义channel
a1.channels = c1

# 声明source具体的类型和对应的配置（属性）
# 监听的类型
a1.sources.r1.type = netcat
# 监听的主机ip
a1.sources.r1.bind = test
# 监听的端口号
a1.sources.r1.port = 44444

# 声明sink具体的类型和对应的一些配置
# sink的类型
a1.sinks.k1.type = logger

# 声明channel具体的类型和对应的一些配置
# channel的类型
a1.channels.c1.type = memory
# channel中的event的数量
a1.channels.c1.capacity = 1000
# channel的
a1.channels.c1.transactionCapacity = 100

# 声明source、sink、channel之间的关系
a1.sources.r1.channels = c1
# 注意：一个sink只能对应一个channel
a1.sinks.k1.channel = c1

④、运行，开启flume监听端口

flume-ng agent --name a1 --conf conf/ --conf-file datas/netcatsource_loggersink.conf -Dflume.root.logger=INFO,console

⑤、使用netcat工具向本机的44444端口发送内容

nc test 44444

⑥、在Flume监听页面观察接收数据情况

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L2ByMRqO-1611496906005)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124170236872.png)]$

拓展：如果想把监听页面的数据在日志文件中显示

修改flume下conf目录下的log4j.properties文件，将输出指定在某个文件下输出，这里修改的是flume下新建的logs目录下，之后在执行的时候不加-Dflume.root.logger=INFO,console这个就可输出在该目录下flume.log文件中：

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HfxmCozS-1611496906006)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124184404650.png)]$

5、案例二：实时监控单个追加文件

1）、需求

实时监控Hive日志，并上传到HDFS中

2）、需求分析

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bGF67Zi3-1611496906007)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124192631423.png)]$

3）、实现步骤

①、创建本地log文件

这边暂用本地自创的一个123.log文件代替需求中的hivelog文件

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hvAtIfcz-1611496906007)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124201507590.png)]$

②、编写配置文件execsource_hdfssink.conf

在datas目录下新建execsource_hdfssink.conf文件，编写以下内容

#1、自定义agent的名字source、channel、sink组件
a2.sources = r2
a2.channels = c2
a2.sinks = k2

#2、设置source的类型和配置
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /usr/local/soft/flume-1.6.0/demo1/123.log

#3、设置channel的类型和配置
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000

#4、设置sink的类型和配置
# Describe the sink
a2.sinks.k2.type = hdfs
#如果要使用时间转义序列那么两个要求要满足其一即可①使用本地时间戳②在event中header中必须有时间戳
a2.sinks.k2.hdfs.path = hdfs://test:9000/flume/%Y%m%d/%H
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true

#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#下面三个配置决定了多少时间创建一个新的目录
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour

#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件（60秒）
a2.sinks.k2.hdfs.rollInterval = 60
#设置每个文件的滚动（创建一个新的文件将后面内容写到新的文件内）大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关（写0的意思就是禁用）
a2.sinks.k2.hdfs.rollCount = 0

# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

③、运行，开启flume

flume-ng agent -n a2 -c conf/ -f datas/execsource_hdfssink.conf -Dflume.root.logger=INFO,console

④、刷新hdfs，查看结果，并追加文件验证结果

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JqLOEzXb-1611496906007)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124204113403.png)]$

6、案例三：实时监控目录下多个新文件

1）、需求

使用Flume监听整个目录的文件，并上传至HDFS

2）、需求分析

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-x7C8IzKF-1611496906008)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124210344743.png)]$

3）、实现步骤

①、同二创建本地目录

在flume目录下创建demo2

②、编写配置文件

a2.sources = r2
a2.channels = c2
a2.sinks = k2

#Spooling Directory Source : 用来监听一个目录进行自动收集目录中的内容
#1.当目录中某一个log文件的内容被读取完毕后，该文件有两种处理方案：
#		①删除 ②在原来文件的名字后加.COMPLETED  --- 取决于 deletePolicy的设置
#2.在原来文件的名字后加.COMPLETED就是为标识该文件已经被读取完毕
#注意 ：该目录中的文件名不能相同，如果相同则会抛异常
a2.sources.r2.type = spooldir
a2.sources.r2.spoolDir = /usr/local/soft/flume-1.6.0/demo2
a2.sources.r2.fileSuffix = .COMPLETED


#3.设置channel的类型和配置
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000

#4.设置sink的类型和配置
# Describe the sink
a2.sinks.k2.type = hdfs
#如果要使用时间转义序列那么两个要求满足其一即可①使用本地时间戳 ②在event中headers中必须有时间戳
a2.sinks.k2.hdfs.path = hdfs://test:9000/flume/%Y%m%d/%H
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true

#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#下面三个配置就决定了多少时间创建一个新的目录
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour

#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream

#多久生成一个新的文件（60秒）
a2.sinks.k2.hdfs.rollInterval = 60
#设置每个文件的滚动（创建一个新的文件后面的内容将写到新的文件中）大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关（写0的意思是停用）
a2.sinks.k2.hdfs.rollCount = 0

a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

③、运行，开启flume

flume-ng agent -n a2 -c conf/ -f datas/spoolsource_hdfssink.conf -Dflume.root.logger=INFO,console

④、随意新建一个带内容的log文件mv到demo2下

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1Teg4LGp-1611496906008)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124213924386.png)]$

⑤、查看文件后缀并查看hdfs上结果显示

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-v2Ddzmbq-1611496906009)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124214022422.png)]$

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NfE8EWhx-1611496906009)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124214040375.png)]$

补充①：文件扩展名

加了文件扩展名就是为了防止文件重读，这样可以标识哪些文件读过，哪些文件没有读，而且往扩展名里写数据也没用，已经他已经有后缀，不会再读。

补充②：同名文件导入

会抛出异常，不会读取重名文件

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JDB2tLk2-1611496906010)(C:\Users\xiaoyoupei\AppData\Roaming\Typora\typora-user-images\image-20210124215040007.png)]$

这个时候我们改名可以嘛？没用，因为这个时候flume已经挂了，只能去重新启动，重新启动完发现改完名字的文件已经加上后缀，说明已经被读。

补充③：读完为什么不删除

读完立刻删除是需要加属性的（deletePolicy）默认的是never（永不删除），可以改成immediate，一般不会选择删除。

友培

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
0
评论
Flume学习视频心得（一）Flume基础介绍、架构分析、经典案例

文章目录文章目录1、Flume定义2、基础架构1）、Agent：2）、Source：3）、Sink：4）、Channel：★5）、Event：3、Flume安装（Flume-1.6.0）及介绍1）、安装步骤2）、版本介绍3）、Flume运行agent的命令介绍①、第一种方式②、第二种方式3）、agent的配置文件基本介绍4、案例一：监控端口数据1）、需求2）、需求分析3）、实现步骤①、安装netcat工具补充：介绍netcat的使用②、判断44444端口是否被占用③、创建Flume Agent配置文件net
复制链接

扫一扫