Flume对文件夹进行监控，实时收集新增文件到HDFS

- 背景

由于项目要求，需要实时将指定文件夹中新增的文件上传到HDFS中，本文中使用flume采集数据并保存到HDFS中，一方面可以减轻本地的存储压力，另一方面数据集中保存到HDFS也为后续数据分析工作打下基础。

---

- 实现流程

flume中的source组件选用spooling directory类型，此类型能对文件目录进行监控并实时收集目录中新增的文件。本文中采用此种类型对本地存储相关数据的目录进行监控，当有新的数据产生时，Flume监控到目录有新增的文件后，立即将新增的文件传输到HDFS中保存。

根据以上需求，flume配置文件如下：
vim spool-hdfs.conf

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

# Describe/configure the source
##注意：不能往监控目中重复丢同名文件
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /app/apache-flume-1.9.0-bin/fecg_segment_data/18811424562
a1.sources.r1.inputCharset = UTF-8
a1.sources.r1.deletePolicy = immediate
a1.sources.r1.fileHeader = true
a1.sources.r1.maxBackoff = 4000
a1.sources.r1.batchSize = 100

# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.channel = c1
a1.sinks.k1.hdfs.path = /fecg_segment_data/18811424562/%y-%m-%d/%H%M/
a1.sinks.k1.hdfs.filePrefix = events-
#控制文件夹的滚动频率
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
#控制文件的滚动频率
a1.sinks.k1.hdfs.rollInterval = 3600
a1.sinks.k1.hdfs.rollSize = 128000000
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.batchSize = 100
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件类型，默认是Sequencefile，可用DataStream，则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream

# Use a channel which buffers events in memory
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

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

执行以下命令开启flume服务：

Flume-ng agent --conf conf --conf-file ./spool-hdfs.conf --name a1 -Dflume.root.logger=INFO,console

观察终端日志无报错，并且相应组件启动成功，说明flume成功运行，终端日志如下图所示：

当flume监测到目录有新增文件时，即刻将新增的文件传输到HDFS存储。下图为flume展现日志：

由上图可知，新增的文件保存在HDFS“/fecg_segment_data/18811424562/19-03-19/1530”目录下。下图为新增文件在HDFS存放地址：

---