Apache Flume 1.7.0 各个模块简介

Flume简介

Apache Flume是一个分布式、可靠、高可用的日志收集系统，支持各种各样的数据来源，如http，log文件，jms，监听端口数据等等，能将这些数据源的海量日志数据进行高效收集、聚合、移动，最后存储到指定存储系统中，如kafka、分布式文件系统、Solr搜索服务器等；

Apache Flume主要有以下几大模块组成：

1. 数据源采集（Source）
2. 数据拦截（Interceptor）
3. 通道选择器（Channel Selector）
4. 数据通道（Channel）
5. Sink处理器（Sink Processor）
6. Sink（Sink）
7. 事件序列化（Serialization）

模块组成图如下所示：

下面将对各个模块做个简单的介绍，在这之前，有必要先了解一下什么是事件？

在Flume中，所谓的事件指的是Flume数据流中的数据单位，包含header和body，用于存储日志数据，其中header是一个map结构，我们可以往header存放一些信息，如时间戳，appid等，以便后续对事件进行处理，body存放的是收集的日志内容字节流，结构如下图所示：

数据源采集（Source）

 先看下source模块在流程图中所处的位置，这里以最简单的架构图来作为示例，如下图所示：

Flume source主要功能是消费传递给它的事件；

Flume内置了各种类型的Source，用于处理各种类型的事件，如下所示，理论上Flume支持所有类型的事件，因为Flume支持自定义Source：

1. Avro Source：支持Avro协议（实际上是Avro RPC）
2. Thrift Source：支持Thrift协议
3. Exec Source：基于Unix的command在标准输出上生产数据
4. JMS Source：从JMS系统中读取数据
5. Spooling Directory Source：监控指定目录内数据变更
6. Twitter 1% firehose Source：通过API持续下载Twitter数据，试验性质
7. 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
8. Sequence Generator Source：序列生成器数据源，生产序列数据
9. Syslog Sources：读取syslog数据，产生Event，支持UDP和TCP两种协议
10. HTTP Source：基于HTTP POST或GET方式的数据源，支持JSON、BLOB表示形式(实际上支持任何形式，因为handle可以自定义)
11. Legacy Sources：兼容老的Flume OG中Source（0.9.x版本）

这里列举几个比较常用的source，

如Exec Source，通过它我们可以监听一个日志文件的变化，如下配置，

a1.sources = r1
a1.channels = c1
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /var/log/secure
a1.sources.r1.channels = c1

Avro Source，通过它，我们可以将两个Flume Agent关联起来（因为agent的source和sink都支持Avro），正是这个特性，大大提高了flume的灵活性，可用性...

a1.sources = r1
a1.channels = c1
a1.sources.r1.type = avro
a1.sources.r1.channels = c1
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 4141

HTTP Source，通过它，可以接收http请求上报的数据，如下是配置示例，监听5140端口的http请求，这里的handle是可以自定义的，也就是说我们可以接收任何类型的上报数据，如json格式、xml等等。

a1.sources = r1
a1.channels = c1
a1.sources.r1.type = http
a1.sources.r1.port = 5140
a1.sources.r1.channels = c1
a1.sources.r1.handler = org.example.rest.RestHandler
a1.sources.r1.handler.nickname = random props

数据拦截（Interceptor）

先看下interceptor模块在流程图中所处的位置，如下图所示：

拦截器主要的功能是对事件进行过滤，修改；

Flume内置支持的拦截器如下（主要两类：过滤和修改）：

1. Timestamp Interceptor：在事件头中插入以毫秒为单位的时间戳，如果在之前已经有这个时间戳，则保留原有的时间戳。
2. Host Interceptor：
3. Static Interceptor
4. UUID Interceptor
5. Morphline Interceptor
6. Search and Replace Interceptor
7. Regex Filtering Interceptor
8. Regex Extractor Interceptor

当然，flume是支持自定义拦截器的，如下是一个简单的配置示例：

#拦截器
a1.sources.r1.interceptors = i1
#a1.sources.r1.interceptors.i1.type = org.apache.flume.sw.interceptor.SignCheckInterceptor$Builder
a1.sources.r1.interceptors.i1.type = org.apache.flume.interceptor.RegexFilteringInterceptor$Builder
a1.sources.r1.interceptors.i1.regex = (\\d):(\\d):(\\d)
a1.sources.r1.interceptors.i1.serializers = s1 s2 s3
a1.sources.r1.interceptors.i1.serializers.s1.name = one
a1.sources.r1.interceptors.i1.serializers.s2.name = two
a1.sources.r1.interceptors.i1.serializers.s3.name = three

 通道选择器（Channel Selector）

先看下interceptor模块在流程图中所处的位置，如下图所示：

通道选择器的主要功能是对事件流进行复制和分流；

Flume内置了两种类型的通道选择器：

1. 复制（Replicating Channel Selector），使用该选择器，我们可以同时让同一事件传递到多个channel中，最后流入多个sink；
2. 分流（Multiplexing Channel Selector），使用该选择器，我们可以让特定的事件流入到特定的channel中，如不同项目产生的日志事件，交由不同的sink处理；

如下是一个分流的配置示例：

a1.sources = r1
a1.channels = c1 c2 c3 c4
a1.sources.r1.selector.type = multiplexing
a1.sources.r1.selector.header = state
a1.sources.r1.selector.mapping.CZ = c1
a1.sources.r1.selector.mapping.US = c2 c3
a1.sources.r1.selector.default = c4

当然，通道选择器是支持自定义的，我们可以自己实现通道选择器，并做如下配置：

a1.sources = r1
a1.channels = c1
a1.sources.r1.selector.type = org.example.MyChannelSelector

数据通道（Channel）

先看下channel模块在流程图中所处的位置，如下图所示：

通道Channel的主要功能是缓存日志事件；

Flume内置的Channel如下：

1. Memory Channel：内存通道
2. JDBC Channel：存储在持久化存储中，当前Flume Channel内置支持Derby
3. File Channel：存储在磁盘文件中
4. Spillable Memory Channel：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）
5. Pseudo Transaction Channel：测试用途

 同样，Flume支持自定义通道；

如下是一个内存通道的配置示例：

a1.channels = c1
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
a1.channels.c1.byteCapacityBufferPercentage = 20
a1.channels.c1.byteCapacity = 800000

Sink处理器

 先看下Sink处理器在流程图中所处的位置，如下图所示：

Sink处理器的主要功能是让一组sink groups支持负载均衡和灾难转移功能，我觉得跟通道选择器有点类似通过自定义的方式，我觉得是可以实现通道选择器的功能的；

Flume内置的sink处理器如下：

1. load_balance：负载均衡
2. failover：主备（灾难转移）

同样的，也支持自定义sink处理器；

如下是一个负载均衡的例子，使用随机选择算法：

a1.sinkgroups = g1
a1.sinkgroups.g1.sinks = k1 k2
a1.sinkgroups.g1.processor.type = load_balance
a1.sinkgroups.g1.processor.backoff = true
a1.sinkgroups.g1.processor.selector = random

Sink（Sink）

 先看下Sink模块在流程图中所处的位置，如下图所示：

Sink的主要功能是将事件输出到下一个agent的source或其它存储系统如，分布式文件系统、kafka、本地文件系统、日志等；

Flume内置的sink如下：

1. HDFS Sink：数据写入HDFS
2. Logger Sink：数据写入日志文件
3. Avro Sink：数据被转换成Avro Event，然后发送到配置的RPC端口上
4. Thrift Sink：数据被转换成Thrift Event，然后发送到配置的RPC端口上
5. IRC Sink：数据在IRC上进行回放
6. File Roll Sink：存储数据到本地文件系统
7. Null Sink：丢弃到所有数据
8. HBase Sink：数据写入HBase数据库
9. Morphline Solr Sink：数据发送到Solr搜索服务器（集群）
10. ElasticSearch Sink：数据发送到Elastic Search搜索服务器（集群）
11. Kite Dataset Sink：写数据到Kite Dataset，试验性质的

当然，flume也是支持自定义的；

我们举个本地文件系统的例子，配置如下即可：

a1.channels = c1
a1.sinks = k1
a1.sinks.k1.type = file_roll
a1.sinks.k1.channel = c1
a1.sinks.k1.sink.directory = /var/log/flume

事件序列化（Serialization）

序列化在流程图中所处的位置与Sink一样，这里就不画了，简单地说，Sink负责将事件输出到外部，那么以何种形式输出（直接文本形式还是其它形式），需要包含哪些东西（body还是header还是其它内容...），就是由事件序列化来完成的；

Flume内置的事件序列化如下：

1. Body Text Serializer：看名字就知道，直接将事件的body作为文本形式输出，事件header将被忽略
2. Avro Event Serializer：Avro序列化，包含事件全部信息

Flume同样支持自定义事件序列化，需要实现EventSerializer接口；

下面举个Body Text Serializer的配置示例：

a1.sinks = k1
a1.sinks.k1.type = file_roll
a1.sinks.k1.channel = c1
a1.sinks.k1.sink.directory = /var/log/flume
a1.sinks.k1.sink.serializer = text
a1.sinks.k1.sink.serializer.appendNewline = false

 结语

上面对flume各个模块，或者说组件，做了一个简短的介绍，基本知道了Flume是个怎么回事，接下来将对各个组件做个介绍，并开发各个组件的自定义实现。

参考资料

http://flume.apache.org/FlumeUserGuide.html

http://shiyanjun.cn/archives/915.html