Flume概述与安装

Flume概述

无论数据来自什么企业，或是多大量级，通过部署Flume，可以确保数据都安全、及时地到达大数据平台，用户可以将精力集中在如何洞悉数据上。

Flume的定义

Flume由Cloudera公司开发，是一个分布式、高可靠、高可用的海量日志采集、聚合、传输的系统。

Flume支持在日志系统中定制各类数据发送方，用于采集数据；

Flume提供对数据进行简单处理，并写到各种数据接收方的能力。

简单的说，Flume是实时采集日志的数据采集引擎。

Flume有3个重要组件：Source、Channel、Sink

特点：

分布式：flume分布式集群部署，扩展性好
可靠性好: 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
易用性：flume配置使用较繁琐，对使用人员专业技术要求高
实时采集：flume采集流模式进行数据实时采集

适用场景：适用于日志文件实时采集。

其他数据采集工具还有：dataX、kettle、Logstash、Scribe、sqoop。

dataX

dataX是阿里开源软件异构数据源离线同步工具。实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。

特点：

• 易用性：没有界面，以执行脚本方式运行，对使用人员技术要求较高

• 性能：数据抽取性能高

• 部署：可独立部署

适用场景：在异构数据库/文件系统之间高速交换数据

kettle

kettle开源ETL工具。支持数据库、FTP、文件、rest接口、hdfs、hive等平台的据进行抽取、转换、传输等操作，Java编写跨平台，C/S架构，不支持浏览器模式。

特点：

• 易用性：有可视化设计器进行可视化操作，使用简单

• 功能强大：不仅能进行数据传输，能同时进行数据清洗转换等操作

• 支持多种源：支持各种数据库、FTP、文件、rest接口、hdfs、Hive等源

• 部署方便：独立部署，不依赖第三方产品

适用场景：数据量及增量不大，业务规则变化较快，要求可视化操作，对技术人员的技术门槛要求低。

Logstash

Logstash。应用程序日志、事件的传输、处理、管理和搜索的平台。可以用它来统一对应用程序日志进行收集管理，提供了Web接口用于查询和统计。

Scribe

Scribe是Facebook开源的日志收集系统，它能够从各种日志源上收集日志，存储到一个中央存储系统（可以是NFS，分布式文件系统等）上，以便于进行集中统计分析处理。

Flume体系结构

• Agent本质上是一个 JVM 进程，该JVM进程控制Event数据流从外部日志生产者那里传输到目的地（或者是下一个Agent）。一个完整的Agent中包含了三个组件Source、Channel和Sink，Source是指数据的来源和方式，Channel是一个数据的缓冲池，Sink定义了数据输出的方式和目的地。

• 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、exec、spooldir、netcat等。

• Channel是位于Source和Sink之间的缓冲区。Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理多个Source的写入操作及多个Sink的读取操作。常用的Channel包括：

  1. Memory Channel是内存中的队列。Memory Channel在允许数据丢失的情景下适用。如果不允许数据丢失，应该避免使用Memory Channel，因为程序死亡、机器宕机或者重启都可能会导致数据丢失；

  2. 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；

• 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是完全事务性的。在从Channel批量删除数据之前，每个Sink用Channel启动一个事务。批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务。事务一旦提交，该Channel从自己的内部缓冲区删除事件。Sink组件包括hdfs、logger、avro、file、null、HBase、消息队列等。

• Event是Flume定义的一个数据流传输的最小单位。

Flume拓扑结构

串行模式

将多个flume给顺序连接起来，从最初的source开始到最终sink传送的目的存储系统。

此模式不建议桥接过多的flume数量， flume数量过多不仅会影响传输速率，而且一旦传输过程中某个节点flume宕机，会影响整个传输系统。

复制模式(单Souce多Channel、Sink模式)

将事件流向一个或者多个目的地。这种模式将数据源复制到多个channel中，每个channel都有相同的数据，sink可以选择传送的不同的目的地。

负载均衡模式(单Source、Channel多Sink)

将多个sink逻辑上分到一个sink组，flume将数据发送到不同的sink，主要解决负载均衡和故障转移问题。

聚合模式

这种模式最常见的，也非常实用，日常web应用通常分布在上百个服务器，大者甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用这种组合方式能很好的解决这一问题，每台服务器部署一个flume采集日志，传送到一个集中收集日志的flume，再由此flume上传到hdfs、hive、hbase、消息队列中。

Flume内部原理

• Source接收事件，交给其Channel处理器处理事件

• 处理器通过拦截器Interceptor，对事件一些处理,比如压缩解码，正则拦截，时间戳拦截，分类等

• 经过拦截器处理过的事件再传给Channel选择器，将事件写入相应的Channel。Channel Selector有两种：

  1. Replicating Channel Selector（默认）,会将source过来的Event发往所有Channel(比较常用的场景是，用多个Channel实现冗余副本，保证可用性)

  2. Multiplexing Channel Selector，根据配置分发event。此selector会根据event中某个header对应的value来将event发往不同的channel

• 最后由Sink处理器处理各个Channel的事件

安装部署

Flume官网地址：http://flume.apache.org/

Flume英文帮助文档地址：http://flume.apache.org/FlumeUserGuide.html

Flume中文帮助文档地址：https://flume.liyifeng.org/

Flume下载地址：http://archive.apache.org/dist/flume/

选择的版本 1.9.0

• 下载软件 apache-flume-1.9.0-bin.tar.gz，并上传到 Linux123 上的 /opt/lagou/software 目录下

• 解压 apache-flume-1.9.0-bin.tar.gz 到 /opt/lagou/servers/ 目录下；并重命名为 flume-1.9.0

tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/lagou/servers/

cd  /opt/lagou/servers/

mv apache-flume-1.9.0-bin/ flume-1.9.0/

• 在 /etc/profile 中增加环境变量，并执行 source /etc/profile，使修改生效

vim /etc/profile

export FLUME_HOME=/opt/lagou/servers/flume-1.9.0
export PATH=$PATH:$FLUME_HOME/bin

source /etc/profile

• 将 $FLUME_HOME/conf 下的 flume-env.sh.template 改名为 flume-env.sh，并添加 JAVA_HOME的配置

cd $FLUME_HOME/conf

mv flume-env.sh.template flume-env.sh

vim flume-env.sh

export JAVA_HOME=/opt/lagou/servers/jdk1.8.0_231