flume学习一：flume基础知识
一．Flume使用的前提：
Flume使用 java编写，其需要运行在 Java1.6或更高版本之上。
二．Flume的定义：
Flume是一个分布式、可靠、高效可用的海量日志采集、聚合和传输系统，支持在系统中定制各类数据发送方，用于搜集数据；同时，flume提供对数据进行加单处理，并写到各种数据接受方（可定制）的能力。
核心一句话：将数据从数据源收集过来，再送到目的地。为了保证输送一定成功，在送到目的地之前，会先缓冲数据，待数据真正到的目的地后，删除自己缓冲的数据。
三．组件及作用：
1.source：从client端收集数据，传递个channel。直接读取：文件source的有两种方式：
ExecuteSource:以运行linux命令的方式，持续的输出最新的数据，如tail –f 文件名指令，在这种方式下取的文件名必须是指定的。
SpoolSource：检测配置的目录下新增的文件，并将文件中的数据读取出来。
2.channel：缓冲数据，连接sources和sinks，有点像队列。类型有MemoryChannel，JDBC Channel，FileChannel等。
3. sink：从channel收集数据，运行一个独立线程。可以向文件系统、数据库、hadoop存储数据。
在日志数据较少时，可以将数据存储在文件系统中，并且设定一定的时间间隔保存数据。
在日志数据较多时，可以将相应的日志存储到hadoop中，便于日后进行相应的数据分析。
组件名称功能介绍
|
|
|
| Agent代理 |
使用JVM运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。 |
| Client客户端 |
生产数据，运行在一个独立的线程。 |
| Source源 |
从Client收集数据，传递给Channel。 |
| Sink接收器 |
从Channel收集数据，进行相关操作，运行在一个独立线程。 |
| Channel通道 |
连接 sources和 sinks，这个有点像一个队列。 |
| Events事件 |
传输的基本数据负载。 |
四．Flume的整体构成图
源将事件写到一个多或者多个通道中。
接收器只从一个通道接收事件。
代理可能会有多个源、通道与接收器
Event是flume数据传输的基本单元，flume以事件的形式将数据从源头传送到目的地。
一个 Event 由 Map
。
Source:负责接收events或通过特殊机制产生events，并将events批量的放到一个或多个channels。
Channel位于sources和sinks之间，用于缓存进来的events，当sink成功的将events发送到下一跳的channel或最终目的，events从channel移除。
Sink：负责将events传输到吓一跳或最终目的，成功完成后将events从channel移除。
五．常见错误：
Could not configure sink sink1 due to:No channel configured for sink: sink1
org.apache.flume.conf.ConfigurationException: No channel configured for sink:sink1
则仔细查看配置文件，一个source可以对应多个channel，所以是channels，agent.sources.source1.channels = channel1，
但是一个sink对应一个channel，所以是channel，agent.sinks.sink1.channel =channel1，请注意。
六．常见各组件支持的类型：
Flume Source支持的类型：
| Source类型 |
说明 |
| Avro Source |
支持Avro协议（实际上是Avro RPC），内置支持 |
| Thrift Source |
支持Thrift协议，内置支持 |
|
|
Exec Source |
| JMS Source |
从JMS系统（消息、主题）中读取数据，ActiveMQ已经测试过 |
| Spooling Directory Source |
监控指定目录内数据变更 |
| Twitter 1% firehose Source |
通过API持续下载Twitter数据，试验性质 |
| Netcat Source |
监控某个端口，将流经端口的每一个文本行数据作为Event输入 |
| Sequence Generator Source |
序列生成器数据源，生产序列数据 |
| Syslog Sources |
读取syslog数据，产生Event，支持UDP和TCP两种协议 |
| HTTP Source |
基于HTTP POST或GET方式的数据源，支持JSON、BLOB表示形式 |
| Legacy Sources |
兼容老的Flume OG中Source（0.9.x版本） |
Flume Channel支持的类型：
| Channel类型 |
说明 |
| Memory Channel |
Event数据存储在内存中 |
| JDBC Channel |
Event数据存储在持久化存储中，当前Flume Channel内置支持Derby |
| File Channel |
Event数据存储在磁盘文件中 |
| Spillable Memory Channel |
Event数据存储在内存中和磁盘上，当内存队列满了，会持久化到磁盘文件（当前试验性的，不建议生产环境使用） |
| Pseudo Transaction Channel |
测试用途 |
| Custom Channel |
自定义Channel实现 |
Flume Sink支持的类型
| Sink类型 |
说明 |
| HDFS Sink |
数据写入HDFS |
| Logger Sink |
数据写入日志文件 |
| Avro Sink |
数据被转换成Avro Event，然后发送到配置的RPC端口上 |
| Thrift Sink |
数据被转换成Thrift Event，然后发送到配置的RPC端口上 |
| IRC Sink |
数据在IRC上进行回放 |
| File Roll Sink |
存储数据到本地文件系统 |
| Null Sink |
丢弃到所有数据 |
| HBase Sink |
数据写入HBase数据库 |
| Morphline Solr Sink |
数据发送到Solr搜索服务器（集群） |
| ElasticSearch Sink |
数据发送到Elastic Search搜索服务器（集群） |
| Kite Dataset Sink |
写数据到Kite Dataset，试验性质的 |
| Custom Sink |
自定义Sink实现 |
七各种组件的特性：
(1)可靠性
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。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不会进行确认）。
(2)可扩展性
Flume采用了三层架构，分别为agent，collector和storage，每一层均可以水平扩展。其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题。
(3)可管理性
所有agent和colletor由master统一管理，这使得系统便于维护。多master情况，Flume利用ZooKeeper和gossip，保证动态配置数据的一致性。用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。Flume提供了web和shell scriptcommand两种形式对数据流进行管理。
(4)功能可扩展性
用户可以根据需要添加自己的agent，collector或者storage。此外，Flume自带了很多组件，包括各种agent（file， syslog等），collector和storage（file，HDFS等）。