flume快速上手

这篇具有很好参考价值的文章主要介绍了flume快速上手。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Flume定义

Flume最初是 Cloudera 公司推出的一个高可用、高可靠的，分布式的海量日志采集、聚合和传输的系统，于2009年被捐赠给了Apche基金会，成为Hadoop相关组件之一
Flume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，并写到各种数据接收方（可定制）的能力
Fluem基于流式架构，灵活简单

Flume基本架构

Flume的基本组件包括 Event 和 Agent

Event

Event 是Flume中具有有效负载的字节数据流和可选的字符串属性集，是Flume传送数据的基本单位
Event由 Header 和 Body 组成。
- Header是一个Map<String, Stirng> ，存储字符串属性集，为K-V结构
- Body是一个字节数组，存储字节数据

简单来说，Event其实就是Flume框架作者写的一个类似于类的东西

Agent

Flume运行的核心是 Agent。Flume 已 Agent 为最小的独立运行单位，一个Agent 就是一个JVM（java虚拟机，Java Virtual Machine），它是一个完整的数据采集工具，包含三个核心组件，分别是

Source（数据源）
Channel（数据通道）
Sink（数据槽）

Agent主要功能：以事件的形式将数据从源头送至目的地

Source

Source 是负责接收数据到Flume Agent 的组件，即 Source是数据的接收端，将数据捕获后进行特殊的格式化，将数据封装到 Event 里，然后将Event推入到 Channel。
Source组件可以处理各种类型、各种格式的日志数据，如下

类型	简介
Netcat Source	监控某个端口，读取流经端口的每一个文本行数据
Exec Source	Source启动的时候会运行一个设置好的Linux命令，该命令不断往标准输出（stdout）中输出数据，这些数据被打包成Event进行处理（该source不支持断点续传）
Spooling Directoy Source	监听指定目录，当该目录有新文件出现时，把文件的数据打包成 Event进行处理（该source支持断点续传，但是时效性不太好）
Syslog Source	读取 Sylog数据，产生Event，支持UDP和TCP两种协议
Stress Source	用于可以配置要发送的事件总数以及要传递的最大事件数，多用于负载测试
HTTP Source	基于 HTTP POST或 GET方式的数据源，支持JSON、BLOB表示形式
Avro Source	支持Avro RPC协议，提供了一个 Avro的接口，往设置的地址和端口发送Avro消息，Source就能接收到，例如，Log4j Appender通过Avro Source 将消息发送到Agent
Taildir Source	监听实时追加内容的文件
Thrift Souce	支持 Thrift 协议，提供一个 Thrift接口，类似Avro
JMS Source	从Java消息服务读取数据
Kafka Source	从Kafka消息队列中读取中数据，官方描述：Kafka Source 其实就是一个 Kafka Consumer

每个Source 可以发送Event到多个Channel中

Sink

Sink 是不断地轮询 Channel 中事件(Event)并且批量地移除它们，并将这些事件(Event)批量写入到存储或索引系统、或者被发送到另一个 Flume Agent
Sink常见类型如下

类型	简介
HDFS Sink	将数据写入HDFS，默认格式为 SequenceFile
Logger Sink	将数据写入日志文件
Hive Sink	将数据写入Hive
File Roll Sink	将数据存储到本地文件系统，多用作数据收集
HBase Sink	将数据写入到HBase
Thrift Sink	将数据转换到Thrift Event后，发送到配置的RPC端口上
Avro Sink	将数据转换到Avro Event后，发送到配置的RPC端口上
Null Sink	丢弃所有的数据
ElasticSearch Sink	将数据发送到 ElasticSearch 集群上
Kite Dataset Sink	写数据到 Kite Dataset，试验性质
Kafka Sink	官方描述：Kafka Sink 能向Kafka 的topic 写入数据（Kafka Sink其实就是Kafka Producer 的实现）

每个Sink只能从一个Channel中获取数据

Channel

Channel 是位于 Source 和 Sink 之间的组件，可以看做是数据的缓冲区（数据队列），它可以将事件暂存到内存中，也可以将事件持久化到本地磁盘上，直到 Sink处理完该事件。
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
Channel的常见类型如下（其中 Memory、File是Flume自带的）

类型	简介
Memory Channel	数据存储到内存的队列中，可以实现高速的数据吞吐，Flume出现故障时，数据会丢失
File Channel	数据存储到磁盘文件中，可以持久化所有的Event，Flume出现故障时，数据不会丢失（该File在内存中有索引机制，加快读取速率，并且索引会在磁盘做两次备份）
JDBC Channel	数据持久化到数据库中
Kafka Channel	数据存储到Kafka集群中
Custom Channel	自定义Channel

小结

Flume 提供了大量内置的 Source、Channel、Sink 类型。不同类型的 Source、Channel、Sink 可以自由组合。组合方式基于用户设置的配置文件，非常灵活。例如，Channel可以把Event（事件）暂存在内存里，也可以将Event（事件）持久化到本地磁盘上；Channel 可以把日志写入HDFS、HBase，甚至另外一个 Source。

Flume 安装部署

1）上次压缩包

将 apache-flume-1.9.0-bin.tar.gz 压缩包上传至Linux 的 /opt/software目录下

2）解压压缩包

将 apache-flume-1.9.0-bin.tar.gz 解压到 /opt/software目录下

[root@kk01 software]# pwd
/opt/software
[root@kk01 software]# tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/software/

3）将apache-flume-1.9.0-bin 重命名为 flume

因为flume只是一个工具，它的版本没有那么重要，因此我们可以改名

[root@kk01 software]# mv apache-flume-1.9.0-bin flume

4）将 lib 目录下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.2.2

[root@kk01 software]# rm /opt/software/flume/lib/guava-11.0.2.jar

注意：删除guava-11.0.2.jar的服务器节点，一定要配置hadoop环境变量。否则会报如下异常。

Caused by: java.lang.ClassNotFoundException: com.google.common.collect.Lists
        at java.net.URLClassLoader.findClass(URLClassLoader.java:382)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
        at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:349)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
        ... 1 more

5）修改 conf 目录下的 log4j.properties 确定日志打印的位置

[root@kk01 software]# cd /opt/software/flume/conf/
[root@kk01 conf]# vim log4j.properties 

# 修改内容如下

# console表示同时将日志输出到控制台
flume.root.logger=INFO,LOGFILE,console
# 固定日志输出的位置
flume.log.dir=/opt/software/flume/logs
# 日志文件的名称
flume.log.file=flume.log

6）配置flume环境变量

[root@kk01 conf]# vim /etc/profile

# 在文件末尾加上如下内容

# flume环境变量
export FLUME_HOME=/opt/software/flume
export PATH=$PATH:$FLUME_HOME/bin

# 使环境变量生效
[root@kk01 conf]# source /etc/profile

7）将flume-env.ps1.template 重命名为 flume-env.ps1

在flume安装目录下的conf目录下有个 flume-env.ps1.template文件，需要将它重命名为flume-env.ps1，有两种做法：

（保守做法）将flume-env.ps1.template 文件复制出 flume-env.ps1

（常规做法）将flume-env.ps1.template 文件重命名为 flume-env.ps1

# 下面我们采取保守做法
/opt/software/flume/conf
[root@kk01 conf]# cp flume-env.ps1.template flume-env.ps1
[root@kk01 conf]# ll
total 20
-rw-r--r--. 1 nhk  nhk  1661 Nov 16  2017 flume-conf.properties.template
-rw-r--r--. 1 root root 1455 May 11 23:10 flume-env.ps1    # 我们复制出来的文件
-rw-r--r--. 1 nhk  nhk  1455 Nov 16  2017 flume-env.ps1.template
-rw-r--r--. 1 nhk  nhk  1568 Aug 30  2018 flume-env.sh.template
-rw-rw-r--. 1 nhk  nhk  3237 May 11 22:57 log4j.properties

8）将 flume-env.sh.template 重命名为 flume-env.sh

在flume安装目录下的conf目录下有个 flume-env.sh.template文件，需要将它重命名为flume-env.sh，有两种做法：

（保守做法）将flume-env.sh.template 文件复制出 flume-env.sh

（常规做法）将flume-env.sh.template 文件重命名为 flume-env.sh

# 下面我们采取保守做法
[root@kk01 conf]# cp flume-env.sh.template flume-env.sh
[root@kk01 conf]# ll
total 24
-rw-r--r--. 1 nhk  nhk  1661 Nov 16  2017 flume-conf.properties.template
-rw-r--r--. 1 root root 1455 May 11 23:10 flume-env.ps1
-rw-r--r--. 1 nhk  nhk  1455 Nov 16  2017 flume-env.ps1.template
-rw-r--r--. 1 root root 1568 May 11 23:12 flume-env.sh
-rw-r--r--. 1 nhk  nhk  1568 Aug 30  2018 flume-env.sh.template
-rw-rw-r--. 1 nhk  nhk  3237 May 11 22:57 log4j.properties

9）修改 flume-env.sh

[root@kk01 conf]# vim flume-env.sh

# 在文件内添加如下内容

export JAVA_HOME=/opt/software/jdk1.8.0_152

10）查看Flume版本信息

[root@kk01 conf]# flume-ng version
Flume 1.9.0
Source code repository: https://git-wip-us.apache.org/repos/asf/flume.git
Revision: d4fcab4f501d41597bc616921329a4339f73585e
Compiled by fszabo on Mon Dec 17 20:45:25 CET 2018
From source with checksum 35db629a3bda49d23e9b3690c80737f9

至此，Flume部署完成

Flume 数据流模型

Flume 常见的数据流模型有单Agent数据流模型、多Agent串行数据流模型、多Agent汇聚数据流模型、单Agent多路数据流模型

1）单Agent数据流模型

单Agent数据流模型，一个Agent由一个Source、一个Channel、一个Sink组成

2）多Agent串行数据流模型

假设有两个Agent，Agent1、Agent2，为了使数据在多个Agent（我们以两个为例）中流通，Agent1中的Sink 和 Agent2 中的 Source 需要是Avro类型，Agent1中的Sink 指向 Agent2 这的 Source的主机名（或IP地址）和端口

3）多Agent汇聚数据流模型

多Agent汇聚数据流模型是采集大量日志时常用的数据流模型。例如，将从数百个web服务器采集的日志数据发送给写入HDFS集群中的十几个Agent，此时就可以采用此模型。

4）单Agent多路数据流模型

单Agent多路数据流模型，一个Agent由一个Source、多个Channel、一个Sink组成。

一个Source接收Event，将 Event 发送到多个Channel中，Channel对应的Sink处理各自Channel 内的 Event，然后将数据分别存储到指定的位置。

Source 将 Event 发送到 Channel 中可以采取两种不同的策略：

Replicating（复制通道选择器）：即Source将每个Event发送到每个与它连接的 Channel 中，也就是将 Event复制多份发送到不同的 Channel 中
Multiplexing（多路复用通道选择器）：即Source根据Hader中的一个键决定将 Event 发送到哪个Channel中

Flume 案例

官方文档 https://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html

演示 Netcat Source

1）安装netcat

[root@kk01 ~]# yum install -y nc

2）测试netcat

打开两个终端，第一个用于向9999端口发送消息，开启后终端会卡住，表示进入了等待输入消息的状态。

[root@kk01 ~]# nc -lk 9999

查看端口9999是否被占用（可选）

[root@kk01 ~]# netstat -nlp | grep 9999

第二个用于接收9999端口收到的消息

[root@kk01 ~]# nc localhost 9999

第一个终端发送消息

[root@kk01 ~]# nc -lk 9999
hello
world

第二个终端收到了消息

[root@kk01 ~]# nc localhost 9999
hello
world

此致，就验证了nc的可用性，说明它可以进行双向通信

按 ctrl+z 退出

3）创建 Flume Agent 文件 nc-flume-log.conf

为方便之后的执行，该配置文件需要放在flume根目录的job（自己创建）的文件夹下，其他位置也行，后面命令相应变更即可。

[root@kk01 flume]# pwd
/opt/software/flume
[root@kk01 flume]# mkdir job
[root@kk01 flume]# cd job/
[root@kk01 job]# vim nc-flume-log.conf

nc-flume-log.conf 文件内容如下文章来源地址https://www.toymoban.com/news/detail-516904.html

# example.conf: A single-node Flume configuration

# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 9999

# 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