Zzreal的大数据笔记-Flume

正常情况Flume应该是在Hadoop结束之后学习的，不过也没什么影响

Flume

1.1. 什么是Flume

flume 作为 cloudera 开发的实时日志收集系统，受到了业界的认可与广泛应用。Flume 初始的发行版本目前被统称为 Flume OG（original generation），属于 cloudera。但随着 FLume 功能的扩展，Flume OG 代码工程臃肿、核心组件设计不合理、核心配置不标准等缺点暴露出来，尤其是在 Flume OG 的最后一个发行版本 0.94.0 中，日志传输不稳定的现象尤为严重，为了解决这些问题，2011 年 10 月 22 号，cloudera 完成了 Flume-728，对 Flume 进行了里程碑式的改动：重构核心组件、核心配置以及代码架构，重构后的版本统称为 Flume NG（next generation）；改动的另一原因是将 Flume 纳入 apache 旗下，cloudera Flume 改名为 Apache Flume。

1.1.1. Flume的特点

flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。支持在日志系统中定制各类数据发送方，用于收集数据;同时，Flume提供对数据进行简单处理，并写到各种数据接受方(比如文本、HDFS、Hbase等)的能力。

flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，它携带日志数据(字节数组形式)并且携带有头信息，这些Event由Agent外部的Source生成，当Source捕获事件后会进行特定的格式化，然后Source会把事件推入(单个或多个)Channel中。你可以把Channel看作是一个缓冲区，它将保存事件直到Sink处理完该事件。Sink负责持久化日志或者把事件推向另一个Source。

1.1.2. Flume的可靠性

当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Besteffort（数据发送到接收方后，不会进行确认）。

1.1.3. Flume的可恢复性

还是靠Channel。推荐使用FileChannel，事件持久化在本地文件系统里(性能较差)。

1.2. Flume基本概念

1.3. Flume三大组件

Flume主要由3个重要的组件购成：

Source:完成对日志数据的收集，分成transtion 和 event 打入到channel之中。

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。

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。

1.3.1. Source

1.3.2. Sink

1.3.3. Channel

1.4Flume拓扑

2. 安装配置

2.1. 解压安装

mv apache-flume-1.6.0-bin flume

2.2. 配置环境变量

vim /etc/profile

export FLUME_HOME=/opt/flume

export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$FLUME_HOME/bin:

保存退出后，刷新profile

source /etc/profile

2.3. 验证

#查看flume版本：

[root@alone opt]# flume-ng version

Flume 1.8.0

Source code repository: https://git-wip-us.apache.org/repos/asf/flume.git

Compiled by denes on Fri Sep 15 14:58:00 CEST 2017

From source with checksum fbb44c8c8fb63a49be0a59e27316833d

#出现上面的信息，表示安装成功了

3.实时采集案例---参见官网，对每种类型的source、channel、sink有详细的解释和示例

agent2.sources = s1

agent2.channels = c1 c2

agent2.sinks = k1 k2

#监控文件

#agent2.sources.s1.command=tail -F /test/data/test.log

# 定义channels

#------- c1-------------------------

#------- c2-------------------------

# 定义sinks

#---------k1 ------------------

agent2.sinks.k1.brokerList=app1:6667,app2:6667

#---------k2 ------------------

agent2.sinks.k2.hdfs.path = /flume/events/%y-%m-%d/%H%M/

#集合roundUnit可以按时间生成文件夹，单位分钟

#hdfs sink间隔多长将临时文件滚动成最终目标文件，单位：秒；

#当临时文件达到该大小（单位：bytes）时，滚动成目标文件

#当events数据达到该数量时候，将临时文件滚动成目标文件；

#每个批次刷新到HDFS上的events数量；

#生成的文件类型，默认是Sequencefile，可用DataStream，则为普通文本

Flume除了以上介绍的内容，还支持定义各种拦截器，用来做一些简单的数据清洗，可以自己去官网学习

以上内容均为作者个人笔记，如有错误欢迎指正...

关注CSDN博客 Zonzereal，更多大数据笔记等你...