19.大数据学习之旅——flume介绍

flume介绍

概述
Flume最早是Cloudera提供的日志收集系统，后贡献给Apache。所以目前是Apache下的项目，Flume支持在日志
系统中定制各类数据发送方，用于收集数据。
Flume是一个高可用的，高可靠的鲁棒性（robust 健壮性），分布式的海量日志采集、聚合和传输的系统，
Flume支持在日志系统中定制各类数据发送方，用于收集数据(source);同时，Flume提供对数据进行简单处理，
并写到各种数据接受方(可定制)的能力(sink)。
当前Flume有两个版本Flume 0.9X版本的统称Flume-og，老版本的flume需要引入zookeeper集群管理，性能
也较低（单线程工作）。老版本的flume对于zookeeper依赖过高，此外也会对Zookeeper造成一定
的负载压力。
Flume1.X版本的统称Flume-ng。新版本需要引入zookeerper。
由于Flume-ng经过重大重构，与Flume-og有很大不同，使用时请注意区分。

系统需求
jdk1.6以上。推荐1.7或1.8

下载地址
flume.apache.org

flume基本概念
flume总体架构

flume是分布式的日志收集系统，它将各个服务器中的数据收集起来并送到指定的地方去，比
如说送到图中的HDFS，简单来说flume就是收集日志的。
event 事件
event的相关概念：flume的核心是把数据从数据源(source)收集过来，在将收集到的数据送
到指定的目的地(sink)。为了保证输送的过程一定成功，在送到目的地(sink)之前，会先缓存
数据(channel),待数据真正到达目的地(sink)后，flume在删除自己缓存的数据。
在整个数据的传输的过程中，流动的是event，即事务保证是在event级别进行的。那么什么
是event呢？—–event将传输的数据进行封装，是flume传输数据的基本单位，如果是文本文
件，通常是一行记录，event也是事务的基本单位。event从source，流向channel，再到
sink，本身为一个字节数组，并可携带headers(头信息)信息。event代表着一个数据的最小完
整单元，从外部数据源来，向外部的目的地去。
一个完整的event包括：event headers、event body、event信息(即文本文件中的单行记
录)，如下所以：

其中event信息就是flume收集到的日记记录。
flume的运行机制
flume运行的核心就是agent，agent本身是一个Java进程，
agent里面包含3个核心的组件：source—->channel—–>sink,类似生产者、仓库、消费者的
架构。
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：source组件把数据收集来以后，临时存放在channel中，即channel组件在agent中是
专门用来存放临时数据的——对采集到的数据进行简单的缓存，可以存放在
memory、jdbc、file等等。
sink：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。
一个完整的工作流程：source不断的接收数据，将数据封装成一个一个的event，然后将
event发送给channel，chanel作为一个缓冲区会临时存放这些event数据，随后sink会将
channel中的event数据发送到指定的地方—-例如HDFS等。
注：只有在sink将channel中的数据成功发送出去之后，channel才会将临时event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。

flume的用法
flume之所以这么神奇—-其原因也在于flume可以支持多级flume的agent，即flume可以前后相
继形成多级的复杂流动，例如sink可以将数据写到下一个agent的source中，这样的话就可以
连成串了，可以整体处理了。

此外，flume还支持扇入(fan-in)、扇出(fan-out)。所谓扇入就是source可以接受多个输入，
所谓扇出就是sink可以将数据输出多个目的地中。
置多个 agent的数据流（多级流动）

数据流合并（扇入流）
在做日志收集的时候一个常见的场景就是，大量的生产日志的客户端发送数据到少量的附属于
存储子系统的消费者agent。例如，从数百个web服务器中收集日志，它们发送数据到十几个负
责将数据写入HDFS集群的agent。

这个可在Flume中可以实现，需要配置大量第一层的agent，每一个agent都有一个avro sink，
让它们都指向同一个agent的avro source（强调一下，在这样一个场景下你也可以使用thrift
source/sink/client）。在第二层agent上的source将收到的event合并到一个channel中，
event被一个sink消费到它的最终的目的地。
数据流复用（扇出流）
Flume支持多路输出event流到一个或多个目的地。这是靠定义一个多路数据流实现的，它可以
实现复制和选择性路由一个event到一个或者多个channel。

上面的例子展示了agent foo中source扇出数据流到三个不同的channel，这个扇出可以是复制
或者多路输出。在复制数据流的情况下，每一个event被发送所有的三个channel；在多路输出
的情况下，一个event被发送到一部分可用的channel中，它们是根据event的属性和预先配置
的值选择channel的。 这些映射关系应该被填写在agent的配置文件中。
Flume的特性
可靠性
事务型的数据传递，保证数据的可靠性
一个日志交给flume来处理，不会出现此日志丢失或未被处理的情况。

可恢复性
通道可以以内存或文件的方式实现，内存更快，但不可恢复。文件较慢但提供了可恢复性。

上一篇 18.大数据学习之旅——Kafka(Kafka配置)