Flume 三大组件 & 逻辑结构

Flume 主要由三个重要的组件构成：
Source ：完成对日志数据的收集，分成transtion 和 even 打入到 channel 中。
Channel ：主要提供一个队列的功能，对 source 提供中的数据进行简单的缓存。
Sink：取出 channel 中的数据，进行相应的存储文件系统，数据库，或者提交到远程服务器。

简单点：
Source：收集信息
Channel：传递信息
Sink：存储信息

关于什么是 flume：http://www.aboutyun.com/thread-7949-1-1.html
关于什么是 flume 三组件：http://www.aboutyun.com/thread-7415-1-1.html

---

Flume 是一个分布式、可靠、高可用的海量日志采集、聚合和传输的系统
Flume 的逻辑结构

Flume 逻辑上分三层架构：
Agent，collector，storage

Agent
用于采集数据，agent 是 flume 中存储数据流的地方，同时 agent 会将产生的数据传输到 collector
Coolector
Collector 的作用是坚多个 agent 的数据汇总后，加载到 storage 中，多个 collector 之间遵循负载均衡规则
Storage
Storage 是存储系统，可以是一个普通 file，也可以是 HDFS，HIVE，Hbase 等。

Master
Master 是管理协调 agent 和 collector 的配置等信息，是 flume 集群的控制器。
在 flume 中，最重要的抽象是 data flow （数据流），data flow 描述了数据从生产，传输、处理并追踪写入目标的一条路径。

补充说明
多个 collector 能够增加日志收集的吞吐量，提高 collector 的有效性能够提高数据的传输速度，数据的收集是可并行的，此外，来自多个 agent 的数据能够分配到多个 collector 上加载。

多collector下agent的划分
前 面的图展示flume节点典型的拓扑结构和数据流，为了可靠的传输，当collector停止运行或是失去与agents的联系的时候，agents将会 存储他们的events在各自的本地硬盘上，这些agents试图重新连接collector，因为collector的宕机，任何处理和分析的数据流都 被阻塞。

当你有多个collector如上图所示，即使在collector宕机的情况下，数据处理仍然能够进行下去，如果 collector b 宕机了，agent a，agent b，ageng e，和agentf会分别继续传送events通过collector a 和collector c，agent c 和agent d 的不得不排在其他agent的后面等待日志的处理直到collector b重新上线。
接下来的配置划分agents在多collector，这个例子是每一个collector由同一个输出的dfs路径和文件的前缀名，聚合所有的日志到同一个目录下

agentA : src |agentE2ESink("collectorA",35853);
agentB : src |agentE2ESink("collectorA",35853);
agentC : src |agentE2ESink("collectorB",35853);
agentD : src |agentE2ESink("collectorB",35853);
agentE : src |agentE2ESink("collectorC",35853);
agentF : src |agentE2ESink("collectorC",35853);
collectorA : collectorSource(35853) |collectorSink("hdfs://...","src");
collectorB : collectorSource(35853) |collectorSink("hdfs://...","src");
collectorC : collectorSource(35853) |collectorSink("hdfs://...","src");

当多个collector写入到相同的存储位置时，你可以设置agent c agent d 当他们的collector出现错误时转向其他的collector，可以分别设置agent c 和agent d 转移到collectora 和collector c 上。

用agents的failover chains。和指向单独的collector（agentSink）类似，failover chains也有三个可靠性的级别agentE2EChain,agentDFOChain, and agentBEChain.
下 面的例子，手动设置失败转移链表用agentE2EChain，有多个失败转移collector的agent的end-to-end的可靠性级 别，agentA默认的将数据发送到collectorAd端口35853，第二个参数在agentA ‘s sink是指定备用的collector。你可以定义任意数量的collector，（至少一个以上）。

agentA : src |agentE2EChain("collectorA:35853","collectorB:35853");
agentB : src |agentE2EChain("collectorA:35853","collectorC:35853");
agentC : src |agentE2EChain("collectorB:35853","collectorA:35853");
agentD : src | agentE2EChain("collectorB:35853","collectorC:35853");
agentE : src |agentE2EChain("collectorC:35853","collectorA:35853");
agentF : src |agentE2EChain("collectorC:35853","collectorB:35853");
collectorA : collectorSource(35853) |collectorSink("hdfs://...","src");
collectorB : collectorSource(35853) |collectorSink("hdfs://...","src");
collectorC : collectorSource(35853) |collectorSink("hdfs://...","src");

注意：这章中，agent[A-F] 和 collector[A-B] 是物理节点的名字
注意：自动失败转移链表功能还不能用在多master的集群。

---

Flume的特性
•         Reliability：Flume提供3中数据可靠性选项，包括End-to-end、Store on failure和Best effort。其中End-to-end使用了磁盘日志和接受端Ack的方式，保证Flume接受到的数据会最终到达目的，但是效率是最差的。Store on failure在目的不可用的时候，数据会保持在本地硬盘，效率会比end-to-end高，但是会出现日志丢失的情况。Best effort不做任何QoS保证，效率最高，日志记录没有保证。
 
•         Scalability：Flume的3大组件：collector、master和storage tier都是可伸缩的。需要注意的是，Flume中对事件的处理不需要带状态，它的Scalability可以很容易实现。
 
•         Manageability：master能够动态管理flume集群节点，多master情况，Flume利用ZooKeeper和gossip，保证配置数据的一致性。
 
•         Extensibility：基于Java，用户可以为Flume添加各种新的功能，如通过继承Source，用户可以实现自己的数据接入方式，实现 Sink的子类，用户可以将数据写往特定目标，同时，通过SinkDecorator，用户可以对数据进行一定的预处理。
 
注：Flume框架对hadoop和zookeeper的依赖只是在jar包上，并不要求flume启动时必须将hadoop和zookeeper服务也启动。
 
参考：
http://www.cnblogs.com/yepei/p/4764012.html
Flume 配置文件的参考文档：
http://www.cnblogs.com/zhangmiao-chp/archive/2011/05/18/2050443.html
http://www.cnblogs.com/zhangmiao-chp/archive/2011/05/18/2050461.html