Flume入门：简介、安装以及实践

- Flume简介

1. Apache Flume是一个分布式、可信任的弹性系统，用于高效收集、汇聚和移动 大规模日志信息从多种不同的数据源到一个集中的数据存储中心(HDFS、 HBase)
2. 支持各种接入资源数据的类型以及接出数据类型
3. 支持多路径流量，多管道接入流量，多管道接出流量，上下文路由等

---

- Flume外部架构

数据发生器(如:facebook,twitter)产生的数据被被单个的运行在数据发生器所在服务器上的agent所收集，之后数据收容器从各个agent上汇集数据并将采集到的数据存入到HDFS或者 HBase中

---

- Flume数据传输基本单位Event

• Flume使用Event对象来作为传递数据的格式，是内部数据传输的最基本单元
• 由两部分组成:转载数据的字节数组+可选头部
  
• Header 是 key/value 形式的，可以用来制造路由决策或携带其他结构化信息(如事件的时间戳或事件来源的服务器主机名)。你可以把它想象成和 HTTP 头一样提供相同的功能——通过该方法来传输正文之外的额外信息。Flume提供的不同source会给其生成的event添加不同的header
• Body是一个字节数组，包含了实际的内容

---

- Flume的核心Agent

Flume的核心是Agent，在Flume内部有一个或者多个Agent，每一个Agent是一个独立的守护进程。如上图所示，Agent由source、channel和sink三个组件组成：

• source
  source组件是专门用来收集数据的，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
  1）采用被动存储的形式，即通道会缓存该事件直到该事件被sink组件处理。所以Channel是一种短暂的存储容器，它将从source处接收到的event格式的数据缓存起来,直到它们被sinks消费掉,它在source和sink间起着一共桥梁的作用,channel是一个 完整的事务,这一点保证了数据在收发的时候的一致性。并且它可以和任意数量的source 和sink链接
  2）channel的缓存形式有： file、memory、jdbc等
  3）Flume通常选择FileChannel，而不使用Memory Channel
  –Memory Channel:内存存储事务，吞吐率极高，但存在丢数据风险
  –File Channel:本地磁盘的事务实现模式，保证数据不会丢失(WAL实现)
• sink
  1）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
  2）Sink成功取出Event后，将Event从Channel中移除
  3）Sink必须作用于一个确切的Channel

---

- Flume运行机制
flume的核心就是agent，agent对外有两个进行交互的地方，一个是接受数据的输入—source，一个是数据的输出sink，sink负责将数据发送到外部指定的目的地。source接收到数据之后，将数据发送给channel，channel作为一个数据缓冲区会临时存放这些数据，随后sink会将channel中的数据发送到指定的地方—例如HDFS、Hbase等。
注意： 只有在sink将channel中的数据成功发送出去之后，channel才会将临时数据进行删除，这种机制保证了数据传输的可靠性与安全性。

提到这里，来说一下Flume的可信任性体现在什么地方？

• 由于节点出现异常，导致数据传输过程中中断，通过数据回滚，或者数据重发，来弥补
• 对于同一节点，source向channel写数据，是一个一个批次的写，如果该批次内数据出现异常，则不会写入channel，同批次其他正常数据不会写入channel（但是，对于已经接受到的部分的数据直接抛弃），依靠上一节点重新发送数据。channel向sink写数据也是一样的，只有当数据真正被sink消费掉了，才会去删除channel中的数据。

---

- Agent Interceptor

• Interceptor用于Source的一组拦截器，按照预设的顺序必要地方对events进行过滤和自定义的 处理逻辑实现
• 在app(应用程序日志)和 source 之间的，对app日志进行拦截处理的。也即在日志进入到 source之前，对日志进行一些包装、清新过滤等等动作
• 官方上提供的已有的拦截器有:
  – Timestamp Interceptor:在event的header中添加一个key叫:timestamp,value为当前的时间戳
  – Host Interceptor:在event的header中添加一个key叫:host,value为当前机器的hostname或者ip
  – Static Interceptor:可以在event的header中添加自定义的key和value
  – Regex Filtering Interceptor:通过正则来清洗或包含匹配的events
  – Regex Extractor Interceptor:通过正则表达式来在header中添加指定的key,value则为正则匹配的部分
• flume的拦截器也是chain形式的，可以对一个source指定多个拦截器，按先后顺序依次处理

---

- Agent Selector
channel selectors 有两种类型:

• Replicating Channel Selector (default):将source过来的events发往所有channel。类似广播
• Multiplexing Channel Selector:而Multiplexing 可以选择该发往哪些channel

---

- Flume安装

1. 下载安装包

wget http://www.apache.org/dist/flume/stable/apache-flume-1.9.0-bin.tar.gz
tar -zxvf apache-flume-1.9.0-bin.tar.gz

2. 设置环境变量

vim .bash_profile

添加flume环境变量

export FLUME_HOME=/app/apache-flume-1.9.0-bin
export PATH=$PATH:$FLUME_HOME/bin

保存文件后，source一下使配置文件生效

source .bash_profile

4. 配置java_home

cp flume-env.sh.template flume-env.sh
vim flume-env.sh

5. 将flume安装包分发到各个从节点，并依次完成如上配置

scp -r apache-flume-1.9.0-bin/ hongqiang@slaver1:/app/
scp -r apache-flume-1.9.0-bin/ hongqiang@slaver2:/app/

---

- Flume实践

1. netcat

vim flume_netcat.conf

# Name the components on this agent
#首先定义了一个Agent，命名为a1
a1.sources = r1          #a1里面的source组件命名为r1
a1.sinks = k1            #a1里面的sink组件命名为k1
a1.channels = c1         #a1里面的channel命名为c1

# Describe/configure the source
#source输入源配置
a1.sources.r1.type = netcat           #信息输入的方式，netcat代表网络的形式灌入数据
a1.sources.r1.bind = master           #从master节点上监听数据
a1.sources.r1.port = 44444            #设置的端口号

# Describe the sink
#sink输出方式的设置，这里是输出logger的形式
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
#缓存方式设置
a1.channels.c1.type = memory                      #缓存方式，memory channel
a1.channels.c1.capacity = 1000                    #设置channel中最大的消息（Event）容量
a1.channels.c1.transactionCapacity = 100          #一次最多从source获取的消息容量

# Bind the source and sink to the channel
#连接方式设置
a1.sources.r1.channels = c1                #a1中的source（r1）连接channel （c1）
a1.sinks.k1.channel = c1                   #a1中的sink （k1）连接channel （c1）

执行命令

flume-ng agent --conf conf --conf-file ./flume_netcat.conf  --name a1 - Dflume.root.logger=INFO,console

效果如下：

2. exec

vim flume_exec.conf

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

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /app/apache-flume-1.9.0-bin/test_data/1.log

# Describe the sink
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

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

执行命令

flume-ng agent --conf conf --conf-file ./flume_exec.conf  --name a1 - Dflume.root.logger=INFO,console

效果如下：

3. sink输出数据到hdfs存储

vim flume_hdfs_webpy.conf

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

# Describe/configure the source
## exec表示flume回去调用给的命令，然后从给的命令的结果中去拿数据
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /app/apache-flume-1.9.0-bin/test_data/1.log
a1.sources.r1.channels = c1

# Describe the sink
## 表示下沉到hdfs，类型决定了下面的参数
a1.sinks.k1.type = hdfs
a1.sinks.k1.channel = c1
## 下面的配置告诉用hdfs去写文件的时候写到什么位置，下面的表示不是写死的，而是可以动态的变化的。
表示输出的目录名称是可变的
a1.sinks.k1.hdfs.path = /flume/tailout/%y-%m-%d/%H%M/
## 使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件类型，默认是Sequencefile，可用DataStream：为普通文本
a1.sinks.k1.hdfs.fileType = DataStream

# Use a channel which buffers events in memory
##使用内存的方式
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

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

执行命令

flume-ng agent --conf conf --conf-file ./flume_hdfs_webpy.conf  --name a1 - Dflume.root.logger=INFO,console

效果如下：

当监听到1.log数据有改变时，会将1.log中最后10条数据输出存储到hdfs相应的位置

4. 故障转移failover（实现一种高可用），sink输出数据存入主从两个节点，当主节点故障时，将自动切换到从节点，实现高可用
   
   master节点flume配置文件为：

vim flume-client.properties_failover

# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /app/apache-flume-1.9.0-bin/test_data/1.log

# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = slaver1
a1.sinks.k1.port = 52020

a1.sinks.k2.type = avro
a1.sinks.k2.hostname = slaver2
a1.sinks.k2.port = 52020

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c1

a1.sinkgroups = g1
a1.sinkgroups.g1.sinks = k1 k2
a1.sinkgroups.g1.processor.type = failover
a1.sinkgroups.g1.processor.priority.k1 = 10        #谁的值大，谁就是主节点，因此此时slaver1为主节点
a1.sinkgroups.g1.processor.priority.k2 = 1
a1.sinkgroups.g1.processor.priority.maxpenality = 10000

slaver1节点flume配置文件为

vim flume-server-failover.conf

# agent1 name
a1.channels = c1
a1.sources = r1
a1.sinks = k1

#set channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# other node, slave to master
a1.sources.r1.type = avro
a1.sources.r1.bind = slaver1      #此时监听节点为slaver1
a1.sources.r1.port = 52020

# set sink to hdfs
a1.sinks.k1.type = logger
# a1.sinks.k1.type = hdfs
# a1.sinks.k1.hdfs.path=/flume_data_pool
# a1.sinks.k1.hdfs.fileType=DataStream
# a1.sinks.k1.hdfs.writeFormat=TEXT
# a1.sinks.k1.hdfs.rollInterval=1
# a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d

a1.sources.r1.channels = c1
a1.sinks.k1.channel=c1

slaver2节点flume配置文件为

vim flume-server-failover.conf

# agent1 name
a1.channels = c1
a1.sources = r1
a1.sinks = k1

#set channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# other node, slave to master
a1.sources.r1.type = avro
a1.sources.r1.bind = slaver2      #此时监听节点为slaver2
a1.sources.r1.port = 52020

# set sink to hdfs
a1.sinks.k1.type = logger
# a1.sinks.k1.type = hdfs
# a1.sinks.k1.hdfs.path=/flume_data_pool
# a1.sinks.k1.hdfs.fileType=DataStream
# a1.sinks.k1.hdfs.writeFormat=TEXT
# a1.sinks.k1.hdfs.rollInterval=1
# a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d

a1.sources.r1.channels = c1
a1.sinks.k1.channel=c1

配置完成后，首先启动slaver1和slaver2上的flume，然后启动master节点上的flume。当我们向1.log文件中写入数据时，主节点slaver1将接收到数据，当手动关掉slaver1上的flume时，再次发送消息，从节点slaver2将收到数据，当再次重启slaver1上的flume时，slaver1上将再次接收到数据。

5. Agent Selector
   – replicating（广播的形式）
   master节点配置

vim flume_client_replicating.conf

# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2

# Describe/configure the source
a1.sources.r1.type = syslogtcp
a1.sources.r1.port = 50000
a1.sources.r1.host = master
a1.sources.r1.selector.type = replicating
a1.sources.r1.channels = c1 c2

# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.channel = c1
a1.sinks.k1.hostname = slaver1
a1.sinks.k1.port = 50000

a1.sinks.k2.type = avro
a1.sinks.k2.channel = c2
a1.sinks.k2.hostname = slaver2
a1.sinks.k2.port = 50000

# Use a channel which buffers events inmemory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100

slaver1、slaver2节点配置参考实践4

– multiplexing（根据Event中的header信息进行选择分发到哪个节点）

vim flume_client_multiplexing.conf

# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2

# Describe/configure the source
a1.sources.r1.type= org.apache.flume.source.http.HTTPSource
a1.sources.r1.port= 50000
a1.sources.r1.host= master
a1.sources.r1.selector.type= multiplexing
a1.sources.r1.channels= c1 c2

a1.sources.r1.selector.header= areyouok
a1.sources.r1.selector.mapping.OK = c1
a1.sources.r1.selector.mapping.NO = c2
a1.sources.r1.selector.default= c1

# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.channel = c1
a1.sinks.k1.hostname = slaver1
a1.sinks.k1.port = 50000

a1.sinks.k2.type = avro
a1.sinks.k2.channel = c2
a1.sinks.k2.hostname = slaver2
a1.sinks.k2.port = 50000

# Use a channel which buffers events inmemory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100

slaver1、slaver2节点配置参考实践4

---

更多相关示例可参考flume官网：http://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html
如有问题，欢迎留言指正！