Flume快速入门

前言

在一个完整的离线大数据处理系统中，除了HDFS+MapReduce+Hive组成分析系统的核心之外，还需要数据采集、结果数据导出、任务调度等不可或缺的辅助系统，而这些辅助工具在Hadoop生态体系中都有便捷的开源框架，如图所示：

图：典型大规模离线数据处理平台

 

一、Flume日志采集框架

1.1    概述

1. Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。
2. Flume可以采集文件，socket数据包、文件、文件夹、kafka等各种形式源数据，又可以将采集到的数据(下沉sink)输出到HDFS、HBase、Hive、kafka等众多外部存储系统中
3. 一般的采集需求，通过对Flume的简单配置即可实现
4. Flume针对特殊场景也具备良好的自定义扩展能力，

因此，flume可以适用于大部分的日常数据采集场景。

 

1.2    Flume运行机制

1. Flume分布式系统中最核心的角色是agent，Flume采集系统就是由一个个agent所连接起来形成
2. 每一个agent相当于一个数据传递员 ，内部有三个组件：
   1. 1. Source：采集组件，用于跟数据源对接，以获取数据
      2. Sink：下沉组件，用于往下一级agent传递数据或者往最终存储系统传递数据
      3. Channel：传输通道组件，用于从source将数据传递到sink

Source 到Channel 到Sink之间传递数据的形式是Event事件；Event事件是一个数据流单元。

 

1.3   Flume采集系统结构图

单个agent采集数据：

多级agent之间串联：

Agent1-3上的avro sink【相当于socket客户端，需要有目标地址：agent4的ip地址:26666】、

Agent4上的avro source【相当于socket服务端，需要有监听端口，如监听端口为26666】

实际上avro是一种通用跨平台跨语言的序列化协议，类似于jdk中的Serializable、Hadoop的Writable

具体配置文件如下：

vi  tail-avro.conf

#从tail命令获取数据发送到avro端口
#另一个节点可配置一个avro源来中继数据，发送外部存储

##################
# 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 /root/log/access.log


# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hdp-01
a1.sinks.k1.port = 26666
a1.sinks.k1.batch-size = 100



# 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

后启动，应先启动avro-hdfs.conf，启动命令：

bin/flume-ng agent -c conf -f conf/tail-avro.conf -n a1 -Dflume.root.logger=INFO,console

 

vi  avro-hdfs.conf

# 充当服务端从avro-hdfs.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
##source中的avro组件是一个接收者服务
a1.sources.r1.type = avro
a1.sources.r1.bind = hdp-01
a1.sources.r1.port = 26666


# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/taildata/%y-%m-%d/
a1.sinks.k1.hdfs.filePrefix = tail-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 24
a1.sinks.k1.hdfs.roundUnit = hour
a1.sinks.k1.hdfs.rollInterval = 0
a1.sinks.k1.hdfs.rollSize = 0
a1.sinks.k1.hdfs.rollCount = 5000
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 = 1000
a1.channels.c1.transactionCapacity = 100

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

先启动avto-hdfs.conf【充当服务端的角色】

bin/flume-ng agent -c conf -f conf/avro-hdfs.conf -n a1 -Dflume.root.logger=INFO,console

原理图：

 

 

二、Flume安装配置与实战

2.1    Flume的安装部署

1、Flume的安装非常简单，只需要解压即可，当然，前提是已有hadoop环境
上传安装包到数据源所在节点上
然后解压  tar -zxvf apache-flume-1.6.0-bin.tar.gz
然后进入flume的目录，修改conf下的flume-env.sh，在里面配置JAVA_HOME

2、根据数据采集的需求配置采集方案，描述在配置文件中(文件名可任意自定义)

3、指定采集方案配置文件，在相应的节点上启动flume agent

 

1、先在flume的conf目录下新建一个配置文件（采集方案）
vi   netcat-logger.properties

# 定义这个agent中各组件的名字
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# 描述和配置source组件：r1
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# 描述和配置sink组件：k1
a1.sinks.k1.type = logger

# 描述和配置channel组件，此处使用是内存缓存的方式
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# 描述和配置source  channel   sink之间的连接关系
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

2、启动agent去采集数据

bin/flume-ng agent -c conf -f conf/netcat-logger.conf -n a1  -Dflume.root.logger=INFO,console

-c conf   指定flume自身的配置文件所在目录
-f conf/netcat-logger.con  指定我们所描述的采集方案
-n a1  指定我们这个agent的名字

3、测试
先要往agent的source所监听的端口上发送数据，让agent有数据可采
随便在一个能跟agent节点联网的机器上
telnet anget-hostname  port   （telnet localhost 44444）

 

2.2    采集日志目录中的文件到HDFS

结构示意图：

采集需求：某服务器的某特定目录下，会不断产生新的文件，每当有新文件出现，就需要把文件采集到HDFS中
根据需求，首先定义以下3大要素：数据源组件，即source --监控文件目录 :  spooldir
spooldir特性：
   1、监视一个目录，只要目录中出现新文件，就会采集文件中的内容
   2、采集完成的文件，会被agent自动添加一个后缀：COMPLETED
   3、所监视的目录中不允许重复出现相同文件名的文件
     下沉组件，即sink--HDFS文件系统  :  hdfs sink
     通道组件，即channel--可用file channel 也可以用内存channel

配置文件编写：

在flume目录下创建文件  vi dir-hdfs.conf(名称可随意)

#定义三大组件的名称
agent1.sources = source1
agent1.sinks = sink1
agent1.channels = channel1

# 配置source组件
agent1.sources.source1.type = spooldir
agent1.sources.source1.spoolDir = /root/log/
agent1.sources.source1.fileSuffix=.FINISHED
agent1.sources.source1.deserializer.maxLineLength=5120

# 配置sink组件
agent1.sinks.sink1.type = hdfs
agent1.sinks.sink1.hdfs.path =hdfs://hdp-01:9000/access_log/%y-%m-%d/%H-%M
agent1.sinks.sink1.hdfs.filePrefix = app_log
agent1.sinks.sink1.hdfs.fileSuffix = .log
agent1.sinks.sink1.hdfs.batchSize= 600
agent1.sinks.sink1.hdfs.fileType = DataStream
agent1.sinks.sink1.hdfs.writeFormat =Text

## roll：滚动切换：控制写文件的切换规则
## 按文件体积（字节）切分
agent1.sinks.sink1.hdfs.rollSize = 512000
## 按event条数切
agent1.sinks.sink1.hdfs.rollCount = 1000000
## 按时间间隔切换文件
agent1.sinks.sink1.hdfs.rollInterval = 60

## 控制生成目录的规则(10分钟换一次目录)
agent1.sinks.sink1.hdfs.round = true
agent1.sinks.sink1.hdfs.roundValue = 10
agent1.sinks.sink1.hdfs.roundUnit = minute

#使用本地时间戳来获取时间
agent1.sinks.sink1.hdfs.useLocalTimeStamp = true

# channel组件配置
agent1.channels.channel1.type = memory
## event条数
agent1.channels.channel1.capacity = 500000
agent1.channels.channel1.keep-alive = 120
##flume事务控制所需要的缓存容量600条event
agent1.channels.channel1.transactionCapacity = 600

# 绑定source、channel和sink之间的连接
agent1.sources.source1.channels = channel1
agent1.sinks.sink1.channel = channel1

Channel参数解释：
capacity：默认该通道中最大的可以存储的event数量
trasactionCapacity：每次最大可以从source中拿到或者送到sink中的event数量
keep-alive：event添加到通道中或者移出的允许时间

测试阶段，启动flume agent的命令：

bin/flume-ng  agent  -c  ./conf  -f ./dir-hdfs.conf -n  agent1 -Dflume.root.logger=DEBUG,console

-D后面跟的是log4j的参数，用于测试观察

生产中，启动flume，应该把flume启动在后台：

nohup bin/flume-ng  agent  -c  ./conf  -f ./dir-hdfs.conf -n  agent1 1>/dev/null 2>&1 &

 

2.3    采集文件到HDFS

与前一种不同：spooldir采集的是静态文件，log4j打印的是动态文件

access.log
access.log.1
access.log.2
access.log.3
......

采集需求：比如业务系统使用log4j生成的日志，日志内容不断增加，需要把追加到日志文件中的数据实时采集到HDFS

思路：我们只需要采集access.log文件即可，每增加一行采集一行，这样数据就不会丢失，那么Flume中是否有这样的组件，即可以读取某个文件不断新增的行？source exec组件  ，且必须使用tail -F

科普：

#等同于--follow=descriptor，根据文件描述符进行追踪，当文件改名或被删除，追踪停止
tail -f

#等同于--follow=name  --retry，根据文件名进行追踪，并保持重试，即该文件被删除或改名后，如果再次创建相同的文件名，会继续追踪
tail -F

#等同于tail -f -n 10（貌似tail -f或-F默认也是打印最后10行，然后追踪文件），与tail -f不同的是，
#如果文件不增长，它不会去访问磁盘文件，所以tailf特别适合那些便携机上跟踪日志文件，因为它减少了磁盘访问，可以省电
tailf      

根据需求，首先定义以下3大要素

•      采集源，即source--监控文件内容更新 :  exec  'tail -F file'
•      下沉目标，即sink--HDFS文件系统  :  hdfs sink
•      Source和sink之间的传递通道--channel，可用file channel 也可以用 内存channel

配置文件编写：  vi  tail-hdfs.conf

#定义三大组件的名称
agent1.sources = source1
agent1.sinks = sink1
agent1.channels = channel1

# 配置source组件
agent1.sources.source1.type = exec
agent1.sources.source1.command = tail -F /root/log/access.log

# 配置sink组件
agent1.sinks.sink1.type = hdfs
agent1.sinks.sink1.hdfs.path =hdfs://hdp-01:9000/access_log/%y-%m-%d/%H-%M
agent1.sinks.sink1.hdfs.filePrefix = app_log
agent1.sinks.sink1.hdfs.fileSuffix = .log
agent1.sinks.sink1.hdfs.batchSize= 100
agent1.sinks.sink1.hdfs.fileType = DataStream
agent1.sinks.sink1.hdfs.writeFormat =Text

## roll：滚动切换：控制写文件的切换规则
## 按文件体积（字节）切分
agent1.sinks.sink1.hdfs.rollSize = 512000
## 按event条数切
agent1.sinks.sink1.hdfs.rollCount = 1000000
## 按时间间隔切换文件
agent1.sinks.sink1.hdfs.rollInterval = 60

## 控制生成目录的规则(10分钟换一次目录)
agent1.sinks.sink1.hdfs.round = true
agent1.sinks.sink1.hdfs.roundValue = 10
agent1.sinks.sink1.hdfs.roundUnit = minute

#使用本地时间戳来获取时间
agent1.sinks.sink1.hdfs.useLocalTimeStamp = true

# channel组件配置
agent1.channels.channel1.type = memory
## event条数
agent1.channels.channel1.capacity = 500000
agent1.channels.channel1.keep-alive = 120
##flume事务控制所需要的缓存容量600条event
agent1.channels.channel1.transactionCapacity = 600

# 绑定source、channel和sink之间的连接
agent1.sources.source1.channels = channel1
agent1.sinks.sink1.channel = channel1

如果想测试可以书写一个shell脚本

[root@hdp-02 log]# while true
> do
> echo `date` >> access.log
> sleep 0.1
> done

执行：

[root@hdp-02 flume-1.6.0]# bin/flume-ng agent -c conf -f tail-hdfs.conf -n agent1 -Dflume.root.logger=INFO,console

 

三、常见的坑【The channel is full...】

3.1    The channel is full  , and cannot write data now....

 

agent1.sinks.sink1.hdfs.batchSize 为sink每次写的批次大小，如果为100，则100条一批，一次拿100条写

agent1.channels.channel1.transactionCapacity表示flume事务控制所需要的缓存容量，sink在写的时候是有事务控制的，如值为100表示100条为一个事务，写成功100条则提交事务，100条有1条失败都需要重新回滚事务。

底层是阻塞队列。

 

解决办法：

agent1.channels.channel1.transactionCapacity 需要大于或等于 agent1.sinks.sink1.hdfs.batchSize(批次大小)

 

3.2    文件滚动太频繁

滚动写入太频繁，也是配置的问题，解决方法：

agent1.sinks.sink1.hdfs.rollSize = 5120000 

该配置是5M一个文件，可以适当调大。