Flume入门笔记------架构以及应用介绍

在具体介绍本文内容之前，先给大家看1下Hadoop业务的整体开发流程：

从Hadoop的业务开发流程图中可以看出，在大数据的业务处理进程中，对数据的收集是10分重要的1步，也是不可避免的1步，从而引出我们本文的主角—Flume。本文将围绕Flume的架构、Flume的利用(日志收集)进行详细的介绍。
（1）Flume架构介绍
1、Flume的概念

flume是散布式的日志搜集系统，它将各个服务器中的数据搜集起来并送到指定的地方去，比如说送到图中的HDFS，简单来讲flume就是搜集日志的。
2、Event的概念
在这里有必要先介绍1下flume中event的相干概念：flume的核心是把数据从数据源(source)搜集过来，在将搜集到的数据送到指定的目的地(sink)。为了保证输送的进程1定成功，在送到目的地(sink)之前，会先缓存数据(channel),待数据真正到达目的地(sink)后，flume在删除自己缓存的数据。
在全部数据的传输的进程中，活动的是event，即事务保证是在event级别进行的。那末甚么是event呢？—–event将传输的数据进行封装，是flume传输数据的基本单位，如果是文本文件，通常是1行记录，event也是事务的基本单位。event从source，流向channel，再到sink，本身为1个字节数组，并可携带headers(头信息)信息。event代表着1个数据的最小完全单元，从外部数据源来，向外部的目的地去。
为了方便大家理解，给出1张event的数据流向图：

1个完全的event包括：event headers、event body、event信息(即文本文件中的单行记录)，以下所以：

其中event信息就是flume搜集到的日记记录。
3、flume架构介绍
flume之所以这么奇异，是源于它本身的1个设计，这个设计就是agent，agent本身是1个java进程，运行在日志搜集节点—所谓日志搜集节点就是服务器节点。
agent里面包括3个核心的组件：source—->channel—–>sink,类似生产者、仓库、消费者的架构。
source：source组件是专门用来搜集数据的，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、自定义。
channel：source组件把数据搜集来以后，临时寄存在channel中，即channel组件在agent中是专门用来寄存临时数据的——对收集到的数据进行简单的缓存，可以寄存在memory、jdbc、file等等。
sink：sink组件是用于把数据发送到目的地的组件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定义。
4、flume的运行机制
flume的核心就是1个agent，这个agent对外有两个进行交互的地方，1个是接受数据的输入——source，1个是数据的输出sink，sink负责将数据发送到外部指定的目的地。source接收到数据以后，将数据发送给channel，chanel作为1个数据缓冲区会临时寄存这些数据，随后sink会将channel中的数据发送到指定的地方—-例如HDFS等，注意：只有在sink将channel中的数据成功发送出去以后，channel才会将临时数据进行删除，这类机制保证了数据传输的可靠性与安全性。
5、flume的广义用法
flume之所以这么奇异—-其缘由也在于flume可以支持多级flume的agent，即flume可之前后相继，例如sink可以将数据写到下1个agent的source中，这样的话就能够连成串了，可以整体处理了。flume还支持扇入(fan-in)、扇出(fan-out)。所谓扇入就是source可以接受多个输入，所谓扇出就是sink可以将数据输出多个目的地destination中。

（2）flume利用—日志收集
对flume的原理其实很容易理解，我们更应当掌握flume的具体使用方法，flume提供了大量内置的Source、Channel和Sink类型。而且不同类型的Source、Channel和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。比如：Channel可以把事件暂存在内存里，也能够持久化到本地硬盘上。Sink可以把日志写入HDFS, HBase，乃至是另外1个Source等等。下面我将用具体的案例详述flume的具体用法。
其实flume的用法很简单—-书写1个配置文件，在配置文件当中描写source、channel与sink的具体实现，而后运行1个agent实例，在运行agent实例的进程中会读取配置文件的内容，这样flume就会收集到数据。
配置文件的编写原则：
1>从整体上描写代理agent中sources、sinks、channels所触及到的组件

2>详细描写agent中每个source、sink与channel的具体实现：即在描写source的时候，需要
指定source究竟是甚么类型的，即这个source是接受文件的、还是接受http的、还是接受thrift
的；对sink也是同理，需要指定结果是输出到HDFS中，还是Hbase中啊等等；对channel
需要指定是内存啊，还是数据库啊，还是文件啊等等。

3>通过channel将source与sink连接起来

启动agent的shell操作：

参数说明： -n 指定agent名称(与配置文件中代理的名字相同)
-c 指定flume中配置文件的目录
-f 指定配置文件
-Dflume.root.logger=DEBUG,console 设置日志等级

具体案例：
案例1： NetCat Source：监听1个指定的网络端口，即只要利用程序向这个端口里面写数据，这个source组件就能够获得到信息。 其中 Sink：logger Channel：memory
flume官网中NetCat Source描写：

a) 编写配置文件：

b) 启动flume agent a1 服务端

c) 使用telnet发送数据

d) 在控制台上查看flume搜集到的日志数据：

案例2：NetCat Source：监听1个指定的网络端口，即只要利用程序向这个端口里面写数据，这个source组件就能够获得到信息。 其中 Sink：hdfs Channel：file (相比于案例1的两个变化)
flume官网中HDFS Sink的描写：

a) 编写配置文件：

b) 启动flume agent a1 服务端

c) 使用telnet发送数据

d) 在HDFS中查看flume搜集到的日志数据：

案例3：Spooling Directory Source：监听1个指定的目录，即只要利用程序向这个指定的目录中添加新的文件，source组件就能够获得到该信息，并解析该文件的内容，然后写入到channle。写入完成后，标记该文件已完成或删除该文件。其中 Sink：logger Channel：memory
flume官网中Spooling Directory Source描写：

Spooling Directory Source的两个注意事项：

a) 编写配置文件：

b) 启动flume agent a1 服务端

c) 使用cp命令向Spooling Directory 中发送数据

d) 在控制台上查看flume搜集到的日志数据：

从控制台显示的结果可以看出event的头信息中包括了时间戳信息。
同时我们查看1下Spooling Directory中的datafile信息—-文件内容写入到channel以后，该文件被标记了：

案例4：Spooling Directory Source：监听1个指定的目录，即只要利用程序向这个指定的目录中添加新的文件，source组件就能够获得到该信息，并解析该文件的内容，然后写入到channle。写入完成后，标记该文件已完成或删除该文件。 其中 Sink：hdfs Channel：file (相比于案例3的两个变化)

a) 编写配置文件：

b) 启动flume agent a1 服务端

c) 使用cp命令向Spooling Directory 中发送数据

d) 在控制台上可以参看sink的运行进度日志：

d) 在HDFS中查看flume搜集到的日志数据：


从案例1与案例2、案例3与案例4的对照中我们可以发现：flume的配置文件在编写的进程中是非常灵活的。

案例5：Exec Source：监听1个指定的命令，获得1条命令的结果作为它的数据源
经常使用的是tail -F file指令，即只要利用程序向日志(文件)里面写数据，source组件就能够获得到日志(文件)中最新的内容 。 其中 Sink：hdfs Channel：file
这个案列为了方便显示Exec Source的运行效果，结合Hive中的external table进行来讲明。

a) 编写配置文件：

b)在hive中建立外部表—–hdfs://hadoop80:9000/dataoutput的目录，方便查看日志捕获内容

c) 启动flume agent a1 服务端

d) 使用echo命令向/usr/local/datainput 中发送数据

d) 在HDFS和Hive分别中查看flume搜集到的日志数据：

e)使用echo命令向/usr/local/datainput 中在追加1条数据

d) 在HDFS和Hive再次分别中查看flume搜集到的日志数据：

总结Exec source：Exec source和Spooling Directory Source是两种经常使用的日志收集的方式，其中Exec source可以实现对日志的实时收集，Spooling Directory Source在对日志的实时收集上稍有欠缺，虽然Exec source可以实现对日志的实时收集，但是当Flume不运行或指令履行出错时，Exec source将没法搜集到日志数据，日志会出现丢失，从而没法保证搜集日志的完全性。

案例6：Avro Source：监听1个指定的Avro 端口，通过Avro 端口可以获得到Avro client发送过来的文件 。即只要利用程序通过Avro 端口发送文件，source组件就能够获得到该文件中的内容。 其中 Sink：hdfs Channel：file
(注：Avro和Thrift都是1些序列化的网络端口–通过这些网络端口可以接受或发送信息，Avro可以发送1个给定的文件给Flume，Avro 源使用AVRO RPC机制)
Avro Source运行原理以下图：

flume官网中Avro Source的描写：

1)编写配置文件

b) 启动flume agent a1 服务端

c)使用avro-client发送文件

注：log.file文件中的内容为：

d) 在HDFS中查看flume搜集到的日志数据：

通过上面的几个案例，我们可以发现：flume配置文件的书写是相当灵活的—-不同类型的Source、Channel和Sink可以自由组合！

最后对上面用的几个flume source进行适当总结：
① NetCat Source：监听1个指定的网络端口，即只要利用程序向这个端口里面写数据，这个source组件
就能够获得到信息。
②Spooling Directory Source：监听1个指定的目录，即只要利用程序向这个指定的目录中添加新的文
件，source组件就能够获得到该信息，并解析该文件的内容，然后写入到channle。写入完成后，标记
该文件已完成或删除该文件。
③Exec Source：监听1个指定的命令，获得1条命令的结果作为它的数据源
经常使用的是tail -F file指令，即只要利用程序向日志(文件)里面写数据，source组件就能够获得到日志(文件)中最新的内容 。
④Avro Source：监听1个指定的Avro 端口，通过Avro 端口可以获得到Avro client发送过来的文件 。即只要利用程序通过Avro 端口发送文件，source组件就能够获得到该文件中的内容。

如有问题，欢迎留言指正！