flume简介
一、Flume简介
1、背景
Flume 初始的发行版本目前被统称为 Flume OG（original generation），属于 cloudera。但随着 Flume 功能的扩展，Flume OG 代码工程臃肿、核心组件设计不合理、核心配置不标准等缺点暴露出来，为了解决这些问题，2011 年 10 月 22 号，cloudera 完成了 Flume-728，对 Flume 进行了里程碑式的改动：重构核心组件、核心配置以及代码架构，重构后的版本统称为 Flume NG（next generation）；纳入apache下也是促使其改动的一大原因，cloudera Flume 改名为 Apache Flume。
2、特点
flume是一个分布式、高可靠、高可用的服务，能够有效的收集、聚合、移动大量的日志数据。
1、它有一个简单、灵活的基于流的数据流结构。
2、具有故障转移机制和负载均衡机制。
3、使用了一个简单的可扩展的数据模型（source、channel、sink）。
4、声明式配置，可以动态更新配置 （配置修改后，不用重启服务即可生效）
flume-ng处理数据有两种方式：avro-client、agent。
avro-client：一次性将数据传输到指定的avro服务的客户端。
agent：一个持续传输数据的服务。
Agent主要组件包含：Source 、Channel、Sink
数据在组件传输的单位是Event
二、Flume部署安装
1、下载：http://apache.communilink.net/flume/1.8.0/apache-flume-1.8.0-bin.tar.gz
2、解压缩：tar zvxf apache-flume-1.8.0-bin.tar.gz
3、修改配置
$ cp conf/flume-env.sh.template conf/flume-env.sh
在conf/flume-env.sh配置JAVA_HOME
创建配置文件example.conf 参考 conf/flume-conf.properties.template
注意：export JAVA_OPTS
4、启动agent
bin/flume-ng agent --conf conf/ --conf-file conf/example.conf
--name a1 -Dflume.monitoring.type=http Dflume.monitoring.port=34343 -Dflume.root.logger=INFO,console &
配置文件example.conf 内容：
#生命agent名字a1,声明sources 包含r1 sink:k1 channel:c1
a1.sources = r1
a1.sinks = k1
a1.channels = c1
#配置source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /var/log/secure
# 配置sink
a1.sinks.k1.type = logger
# 配置channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# 绑定source与sink于channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
三、Flume核心组件
1、source
主要作用：从Client收集数据，传递给Channel。可以接收外部源发送过来的数据。不同的 source，可以接受不同的数据格式。 比如有目录池(spooling directory)数据源，可以监控指定文件夹中的新文件变化，如果目录中有文件产生，就会立刻读取其内容。
常见采集的数据类型：
Exec Source、Avro Source、NetCat Source、Spooling Directory Source、Kafka Source等
不同source的具体作用：
AvroSource：监听一个avro服务端口，采集Avro数据序列化后的数据；
Thrift Source：监听一个Thrift 服务端口，采集Thrift数据序列化后的数据；
Exec Source：基于Unix的command在标准输出上采集数据；
JMS Source：Java消息服务数据源，Java消息服务是一个与具体平台无关的API，这是支持jms规范的数据源采集；
Spooling Directory Source：通过文件夹里的新增的文件作为数据源的采集；
Kafka Source：从kafka服务中采集数据。
NetCat Source： 绑定的端口（tcp、udp），将流经端口的每一个文本行数据作为Event输入
HTTP Source：监听HTTP POST和 GET产生的数据的采集
详细查看：
http://flume.apache.org/FlumeUserGuide.html#flume-sources
Source提供了两种机制： PollableSource（轮询拉取）和EventDrivenSource（事件驱动）：
上图展示的Source继承关系类图。
通过类图我们可以看到NetcatSource，ExecSource和HttpSource属于事件驱动模型。KafkaSource，SequenceGeneratorSource和JmsSource属于轮询拉取模型。
2、channel
Channel：一个数据的存储池，中间通道抑或是缓存队列。
主要作用：Channel用于连接Source和Sink，Source将日志信息发送到Channel，Sink从Channel消费日志信息；Channel是中转日志信息的一个临时存储，保存有Source组件传递过来的日志信息。Channel中的数据直到进入到下一个channel中或者进入终端才会被删除。当sink写入失败后，可以自动重写，不会造成数据丢失，因此很可靠。
channel的类型很多比如:内存中、jdbc数据源中、文件形式存储等。
常见采集的数据类型：
Memory Channel、File Channel、JDBC Channel、KafkaChannel、Spillable Memory Channel等
不同Channel具体作用：
Memory Channel：使用内存作为数据的存储。
JDBC Channel：使用jdbc数据源来作为数据的存储。
Kafka Channel：使用kafka服务来作为数据的存储。
File Channel：使用文件来作为数据的存储。
Spillable Memory Channel：使用内存和文件作为数据的存储，即：先存在内存中，如果内存中数据达到阀值则flush到文件中。
详细查看：
http://flume.apache.org/FlumeUserGuide.html#flume-channels
3、sink
Sink：数据的最终的目的地。
主要作用：接受channel写入的数据以指定的形式表现出来（或存储或展示）。
sink的表现形式很多比如:打印到控制台、hdfs上、avro服务中、文件中等。
常见采集的数据类型：
HDFS Sink、Hive Sink、Logger Sink、Avro Sink、Thrift Sink、File Roll Sink、HBaseSink、Kafka Sink等
不同Sink具体作用：
HDFS Sink：将数据传输到hdfs集群中。
Hive Sink：将数据传输到hive的表中。
Logger Sink：将数据作为日志处理（根据flume中的设置的日志的级别显示）。
Avro Sink：数据被转换成Avro Event，然后发送到指定的服务端口上。
Thrift Sink：数据被转换成Thrift Event，然后发送到指定的的服务端口上。
IRC Sink：数据向指定的IRC服务和端口中发送。
File Roll Sink：数据传输到本地文件中。
Null Sink：取消数据的传输，即不发送到任何目的地。
HBaseSink：将数据发往hbase数据库中。
MorphlineSolrSink：数据发送到Solr搜索服务器（集群）。
ElasticSearchSink：数据发送到Elastic Search搜索服务器（集群）。
Kafka Sink：将数据发送到kafka服务中。（注意依赖类库）
详细查看：
http://flume.apache.org/FlumeUserGuide.html#flume-sinks
HDFSSink需要有hdfs的配置文件和类库。一般采取多个sink汇聚到一台采集机器负责推送到hdfs。
4、event
含义：event是Flume NG传输的数据的基本单位，也是事务的基本单位。
在文本文件，通常是一行记录就是一个event。
网络消息传输系统中，一条消息就是一个event。
结构：event里有header、body
Event里面的header类型：Map
我们可以在source中自定义header的key：value，在某些channel和sink中使用header。
四、架构举例
串行架构图、
聚合架构图、
五、Flume高级组件
1、Interceptors
Interceptors:source的拦截器
主要作用：对于一个source可以指定一个或者多个拦截器，按先后顺序依次对数据进行处理。
比如:在收集的数据的event的header中加入处理的时间戳、agent的主机或者IP、固定key-value等等。
常见Interceptors类型：
Timestamp Interceptor、Host Interceptor、Static Interceptor、UUID Interceptor、Morphline Interceptor、Search and Replace Interceptor、Regex Filtering Interceptor、Regex Extractor Interceptor等
详细查看：
http://flume.apache.org/FlumeUserGuide.html#flume-interceptors
如何使用Interceptor？将source加入Interceptor测试看下header即可。
例如：
a1.sources.r1.interceptors = i1 i2
a1.sources.r1.interceptors.i1.type =org.apache.flume.interceptor.HostInterceptor$Builder
a1.sources.r1.interceptors.i1.preserveExisting = false
a1.sources.r1.interceptors.i1.hostHeader = hostname
a1.sources.r1.interceptors.i2.type =org.apache.flume.interceptor.TimestampInterceptor$Builder
2、Channel Selectors:
Channel Selectors:Channel选择器
主要作用：对于一个source发往多个channel的策略设置
Channel Selectors类型：
Replicating Channel Selector (default)、Multiplexing Channel Selector
其中：Replicating 会将source过来的events发往所有channel,而Multiplexing selector会根据event中某个header对应的value来将event发往不同的channel（header与value就是KV结构）。
详细查看：
http://flume.apache.org/FlumeUserGuide.html#flume-channel-selectors
Event里面的header类型：Map
如果header中有一个key:state,我们在不同的数据源设置不同的stat则通过设置这个key的值来分配不同的channel
例如：
a1.sources.r1.channels = c1 c2 c3 c4
a1.sources.r1.selector.type = multiplexing
a1.sources.r1.selector.header = state
a1.sources.r1.selector.mapping.CZ = c1
a1.sources.r1.selector.mapping.US = c2 c3
a1.sources.r1.selector.default = c4
3、Sink Processor
Sink Processor:Sink处理器
主要作用：针对Sink groups的处理策略设置
Sink Processor类型：
Default Sink Processor、Failover Sink Processor、Load balancing Sink Processor
其中：Default是默认的情况不用配置sinkgroup，Failover是故障转移机制、Load balancing是负载均衡机制，后两个需要定义sinkgroup。
详细查看：
http://flume.apache.org/FlumeUserGuide.html#flume-sink-processors
应用：负载均衡、故障转移
Load balancing Sink Processor：processor.selector：round_robin,、random、自定义
轮询调度（Round Robin Scheduling）算法就是以轮询的方式依次将请求调度不同的服务器，即每次调度执行i = (i + 1) mod n，并选出第i台服务器。算法的优点是其简洁性，它无需记录当前所有连接的状态，所以它是一种无状态调度。
配置举例：
负载均衡
a1.sinkgroups=g1
a1.sinkgroups.g1.sinks=k1 k2
a1.sinkgroups.g1.processor.type=load_balance
a1.sinkgroups.g1.processor.backoff=true #失败的sink是否放入冷却池中
a1.sinkgroups.g1.processor.selector=round_robin
故障转移
a1.sinkgroups=g1
a1.sinkgroups.g1.sinks=k1 k2
a1.sinkgroups.g1.processor.type=failover
a1.sinkgroups.g1.processor.priority.k1=10
a1.sinkgroups.g1.processor.priority.k2=5
a1.sinkgroups.g1.processor.maxpenalty=10000 #冷却池最大冷却时间
负载均衡/故障转移架构图：
附-负载均衡与故障转移的完整配置：
①负载均衡
# 声明source sink channel
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1
# 定义source r1
a1.sources.r1.type = exec
a1.sources.r1.channels=c1
a1.sources.r1.command=tail -F /opt/logs/access.log
#定义sinkgroup g1 类型load_balance
a1.sinkgroups=g1
a1.sinkgroups.g1.sinks=k1 k2
a1.sinkgroups.g1.processor.type=load_balance
a1.sinkgroups.g1.processor.backoff=true
a1.sinkgroups.g1.processor.selector=round_robin
#定义 sink 1
a1.sinks.k1.type=avro
a1.sinks.k1.hostname=192.168.1.156
a1.sinks.k1.port=41414
#定义 sink 2
a1.sinks.k2.type=avro
a1.sinks.k2.hostname=192.168.1.162
a1.sinks.k2.port=41414
#定义 channel c1 用于缓存队列
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# 将r1与k1 k2做绑定
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
a1.sinks.k2.channel=c1
②故障转移
# 声明source sink channel
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1
# 定义source r1
a1.sources.r1.type = exec
a1.sources.r1.channels=c1
a1.sources.r1.command=tail -F /opt/logs/access.log
#定义sinkgroup g1
a1.sinkgroups=g1
a1.sinkgroups.g1.sinks=k1 k2
a1.sinkgroups.g1.processor.type=failover
a1.sinkgroups.g1.processor.priority.k1=10
a1.sinkgroups.g1.processor.priority.k2=5
a1.sinkgroups.g1.processor.maxpenalty=10000
#定义 sink 1
a1.sinks.k1.type=avro
a1.sinks.k1.hostname=192.168.1.156
a1.sinks.k1.port=41414
#定义 sink 2
a1.sinks.k2.type=avro
a1.sinks.k2.hostname=192.168.1.162
a1.sinks.k2.port=41414
# 定义channel c1
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# 将r1与k1 k2做绑定
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
a1.sinks.k2.channel=c1