Flume1.7.0概述

Flume概述

常见的开源数据收集系统有：

非结构数据（日志）收集

　　Flume

结构化数据收集（传统数据库与 Hadoop 同步）

　　Sqoop：全量导入

　　Canal（alibaba）：增量导入

　　Databus（linkedin）：增量导入

Flume是什么：

由Cloudera公司开源

分布式、可靠、高可用的海量日志采集系统

数据源可定制，可扩展

数据存储系统可定制，可扩展

中间件：屏蔽了数据源和数据存储系统的异构性

Flume的两个版本

Flume OG 与 Flume NG

OG版本因为有一个巨大的BUG，所以进行升级改造，产出NG版本，NG 版本精简了代码，简化了架构

Flume NG的基本架构

一个Agent就代表一个Flume

Flume 有三个组件，Sourc、Channel、Sink，分别对应了Producer、Buffer、Customer

Flume NG的核心概念

Event

　　Event是Flume数据传输的基本单元，Event由可选的header和载有数据的一个byte array构成，载有的数据对flume是不透明的，Flume 不关心数据是什么样子的，Header是容纳了key-value字符串对的无序集合，key在集合内是唯一的

Client

　　Client 一般不需要配置在 Flume 中，只需要配置 Agent 即可，Client是一个将原始log包装成events并且发送它们到一个或多个agent的实体，目的是从数据源系统中解耦Flume，在flume的拓扑结构中不是必须的。

　　Client的实例可以是 Flume log4j 的 Appender，或者可以使用Client SDK (org.apache.flume.api)定制特定的Client

Agent

　　一个Agent包含Source, Channel, Sink和其他组件，它利用这些组件将events从一个节点传输到另一个节点或最终目的，agent是flume流的基础部分

　　Source、Channel、Sink 这些的配置具体可以去官网看，比如 kafka 的 sink 怎么配置等，不过我还是列举了一些，图个印象

　　Source 将数据写入到 Channel 的尾部，然后 Sink 从 Channel 中获取头部 Event

　　Agent.Source

　　Source 负责接收日志数据，并将数据包装成Event，并将events批量的放到一个或多个Channel

　　不同类型的Source:

　　　　1、与系统集成的Source: Syslog, Netcat

　　　　2、自动生成事件的Source: Exec

　　　　　　　　可执行任意Unix命令，无容错性，比如将 tail -f 的标准输出作为输入源，但是有问题，因为再次运行 tail -f 不一定会接着上次的

　　　　　　　　a1.sources = r1
　　　　　　　　a1.channels = c1
　　　　　　　　a1.sources.r1.type = exec
　　　　　　　　a1.sources.r1.command = tail -F /var/log/secure
　　　　　　　　a1.sources.r1.channels = c1

　　　　3、监听文件夹下文件变化：

　　　　　　3.1、Spooling Directory Source（是暴露出来的，能直接使用的）

　　　　　　　　监听一个文件夹下新产生的文件，并读取内容，发至 channel

　　　　　　　　已经产生的文件不能进行任意修改，不然会停止处理

　　　　　　　　建议将文件（唯一文件名）写到一个临时目录下，之后move到监听目录下

　　　　　　　　spooling能监听新文件的产生，能监听文件的变化吗：

　　　　　　　　不可以，我可以将文件生成在一个文件夹，等文件写完了，将文件复制到一个文件夹，然后再去读取，总之，flum的spooling这种方式，监听的文件内容不能有修改，也不能有新增

　　　　　　　　a1.channels = ch-1
　　　　　　　　a1.sources = src-1
　　　　　　　　a1.sources.src-1.type = spooldir
　　　　　　　　a1.sources.src-1.channels = ch-1
　　　　　　　　a1.sources.src-1.spoolDir = /var/log/apache/flumeSpool
　　　　　　　　a1.sources.src-1.fileHeader = true

　　　　　　3.2、Taildir Source（没有暴露出来，不可以直接使用，某公司内部貌似修改源码，内部可以使用了，说实话，既然不暴露出来给我用，设计出来的用意是什么）

　　　　　　　　监听文件内容，一旦新写入一行新数据，则读取之

　　　　　　　　支持断点续读，定期将最新读取数据的偏移量写入json 文件

　　　　　　　　根据文件修改时间决定读取优先级，最新的文件优先读取

　　　　　　　　读取完的文件不会做任何处理（比如删除，重命名等）

　　　　　　　　目前仅支持文本文件

　　　　　　　　a1.sources = r1
　　　　　　　　a1.channels = c1
　　　　　　　　a1.sources.r1.type = TAILDIR
　　　　　　　　a1.sources.r1.channels = c1
　　　　　　　　a1.sources.r1.positionFile = /var/log/flume/taildir_position.json
　　　　　　　　a1.sources.r1.filegroups = f1 f2
　　　　　　　　a1.sources.r1.filegroups.f1 = /var/log/test1/example.log
　　　　　　　　a1.sources.r1.headers.f1.headerKey1 = value1
　　　　　　　　a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*
　　　　　　　　a1.sources.r1.headers.f2.headerKey1 = value2
　　　　　　　　a1.sources.r1.headers.f2.headerKey2 = value2-2
　　　　　　　　a1.sources.r1.fileHeader = true

　　　　4、用于Agent和Agent之间通信的 IPC Source: Avro、Thrift（比json、fastjson、xml更好的数据传输结构），下面以Avro 为例

　　　　　　　　a1.sources = r1
　　　　　　　　a1.channels = c1
　　　　　　　　a1.sources.r1.type = avro
　　　　　　　　a1.sources.r1.channels = c1
　　　　　　　　a1.sources.r1.bind = 0.0.0.0
　　　　　　　　a1.sources.r1.port = 4141

　　　　　　5、Source必须至少和一个channel关联

　　Agent.Channel

　　　　Channel位于Source和Sink之间，用于缓存event

　　　　当Sink成功将event发送到下一跳的channel或最终目的，event从Channel移除

　　　　不同的Channel提供的持久化水平也是不一样的

　　　　　　1、Memory Channel: volatile，基于内存的这种方式优点肯定是快，缺点是可能会丢失

　　　　　　　　a1.channels = c1
　　　　　　　　a1.channels.c1.type = memory
　　　　　　　　a1.channels.c1.capacity = 10000
　　　　　　　　a1.channels.c1.transactionCapacity = 10000
　　　　　　　　a1.channels.c1.byteCapacityBufferPercentage = 20
　　　　　　　　a1.channels.c1.byteCapacity = 800000

　　　　　　2、File Channel: 基于WAL（预写式日志Write-Ahead Logging）实现，缺点就是慢，优点是不会丢失，和memory权衡使用吧

　　　　　　　　a1.channels = c1
　　　　　　　　a1.channels.c1.type = file
　　　　　　　　a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
　　　　　　　　a1.channels.c1.dataDirs = /mnt/flume/data

　　　　　　3、JDBC Channel: 基于嵌入Database实现

　　　　Channel支持事务，提供较弱的顺序保证

　　　　可以和任何数量的Source和Sink工作

 　　Agent.Sink

　　　　Sink负责将event传输到下一跳或最终目的，成功完成后将event从channel移除

　　　　必须作用于一个确切的channel

　　　　不同类型的Sink:

　　　　　　1、存储event到最终目的的终端Sink. 比如:

　　　　　　　　1.1、HDFS

　　　　　　　　a1.channels = c1
　　　　　　　　a1.sinks = k1
　　　　　　　　a1.sinks.k1.type = hdfs
　　　　　　　　a1.sinks.k1.channel = c1
　　　　　　　　a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/%S
　　　　　　　　a1.sinks.k1.hdfs.filePrefix = eventsa1.
　　　　　　　　sinks.k1.hdfs.round = true
　　　　　　　　a1.sinks.k1.hdfs.roundValue = 10
　　　　　　　　a1.sinks.k1.hdfs.roundUnit = minute
　　　　　　　　#a1.sinks.k1.hdfs.codeC=gzip, bzip2, lzo, lzop, snappy
　　　　　　　　#a1.sinks.k1.hdfs.fileType=SequenceFile, DataStream,CompressedStream　　　　　　　

　　　　　　　1.2、HBase

　　　　　　　　a1.sinks = k1
　　　　　　　　a1.sinks.k1.type = hbase
　　　　　　　　a1.sinks.k1.table = foo_table
　　　　　　　　a1.sinks.k1.columnFamily = bar_cf
　　　　　　　　a1.sinks.k1.serializer = org.apache.flume.sink.hbase.RegexHbaseEventSerializer
　　　　　　　　a1.sinks.k1.channel = c1

　　　　　　1.3、hive

　　　　　　　　a1.channels = c1
　　　　　　　　a1.channels.c1.type = memory
　　　　　　　　a1.sinks = k1
　　　　　　　　a1.sinks.k1.type = hive
　　　　　　　　a1.sinks.k1.channel = c1
　　　　　　　　a1.sinks.k1.hive.metastore = thrift://127.0.0.1:9083
　　　　　　　　a1.sinks.k1.hive.database = logsdb
　　　　　　　　a1.sinks.k1.hive.table = weblogs
　　　　　　　　a1.sinks.k1.hive.partition = asia,%{country},%y-%m-%d-%H-%M
　　　　　　　　a1.sinks.k1.useLocalTimeStamp = false
　　　　　　　　a1.sinks.k1.round = true
　　　　　　　　a1.sinks.k1.roundValue = 10
　　　　　　　　a1.sinks.k1.roundUnit = minute
　　　　　　　　a1.sinks.k1.serializer = DELIMITED
　　　　　　　　a1.sinks.k1.serializer.delimiter = "\t"
　　　　　　　　a1.sinks.k1.serializer.serdeSeparator = '\t'
　　　　　　　　a1.sinks.k1.serializer.fieldnames =id,,msg

　　　　　　2、自动消耗的Sink. 比如: Null Sink，生产环境中很少用，主要用于测试环境

　　　　　　3、用于Agent间通信的 IPC sink: Avro

还有一些其他重要组件

Interceptor

作用于Source，按照预设的顺序在必要地方装饰和过滤events

Channel Selector

允许Source基于预设的标准，从所有Channel中，选择一个或多个Channel

Sink Processor

多个Sink可以构成一个Sink Group。Sink Processor可以通过组中所有Sink实现负载均衡；也可以在一个Sink失败时转移到另一个

两个常用的拓扑示例

a1.channels = c1
a1.sources = r1
a1.sinks = k1 k2
a1.sinkgroups = g1

a1.sinkgroups.g1.processor.type = LOAD_BALANCE
a1.sinkgroups.g1.processor.selector = ROUND_ROBIN
a1.sinkgroups.g1.processor.backoff = true

a1.channels.c1.type = FILE

a1.sources.r1.channels = c1
a1.sources.r1.type = AVRO
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 41414

a1.sinks.k1.channel = c1
a1.sinks.k1.type = AVRO
a1.sinks.k1.hostname = a21.example.org
a1.sinks.k1.port = 41414

a1.sinks.k2.channel = c1
a1.sinks.k2.type = AVRO
a1.sinks.k2.hostname = a22.example.org
a1.sinks.k2.port = 41414

a2.channels = c1
a2.sources = r1
a2.sinks = k1

a2.channels.c1.type = FILE

a2.sources.r1.channels = c1
a2.sources.r1.type = AVRO
a2.sources.r1.bind = 0.0.0.0
a2.sources.r1.port = 41414

a2.sinks.k1.channel = c1
a2.sinks.k1.type = HDFS
a2.sinks.k1.hdfs.path = hdfs://namenode.example.org
a2.sinks.k1.hdfs.fileType = DataStream

LogAgent.sources = mysource
LogAgent.channels = mychannel
LogAgent.sinks = mysink

LogAgent.sources.mysource.type = spooldir
LogAgent.sources.mysource.channels = mychannel
LogAgent.sources.mysource.spoolDir =/tmp/logs

LogAgent.sinks.mysink.channel = mychannel
LogAgent.sinks.mysink.type = hdfs
LogAgent.sinks.mysink.hdfs.path = hdfs://node1:9000/data/logs/%Y/%m/%d/%H/
LogAgent.sinks.mysink.hdfs.batchSize = 1000
LogAgent.sinks.mysink.hdfs.rollSize= 0
LogAgent.sinks.mysink.hdfs.rollCount = 10000
LogAgent.sinks.mysink.hdfs.useLocalTimeStamp = true

LogAgent.channels.mychannel.type = memory
LogAgent.channels.mychannel.capacity = 10000
LogAgent.channels.mychannel.transactionCapacity = 100

启动方式：

$ bin/flume-ng agent -n LogAgent -c conf -f conf/logagent.properties -Dflume.root.logger=DEBUG,console

flume当提示报错，进入safe mod，可能是删掉hdfs的什么文件了，
以下是老师的方法：
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /
rm: Cannot delete /. Name node is in safe mode.
[orco@node1 resources]$ hadoop dfsadmin -safemode leave
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.

Safe mode is OFF
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /
rm: `/': Input/output error
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /*
rm: `/bin': No such file or directory
rm: `/boot': No such file or directory
rm: `/dev': No such file or directory
rm: `/etc': No such file or directory
rm: `/home': No such file or directory
rm: `/lib': No such file or directory
rm: `/lib64': No such file or directory
rm: `/lost+found': No such file or directory
rm: `/media': No such file or directory
rm: `/mnt': No such file or directory
rm: `/opt': No such file or directory
rm: `/proc': No such file or directory
rm: `/root': No such file or directory
rm: `/sbin': No such file or directory
rm: `/selinux': No such file or directory
rm: `/srv': No such file or directory
rm: `/sys': No such file or directory
Deleted /tmp
rm: `/usr': No such file or directory
rm: `/var': No such file or directory
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /hdfs
Deleted /hdfs
[orco@node1 resources]$ hadoop fs -rm -r -skipTrash /user
Deleted /user
[orco@node1 resources]$