Flume概述
Flume在大数据中扮演着数据收集的角色，收集到数据以后在通过计算框架进行处理。Flume是Cloudera提供的一个高可用的，高可靠的，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；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。
Flume架构和核心组件
Event的概念
在这里有必要先介绍一下flume中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。
Flume架构
flume之所以这么神奇，是源于它自身的一个设计，这个设计就是agent，agent本身是一个java进程，运行在日志收集节点—所谓日志收集节点就是服务器节点。
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。
flume的运行机制
flume的核心就是一个agent，这个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，chanel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。
flume的广义用法
flume可以支持多级flume的agent，即flume可以前后相继，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。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destination中。
值得注意的是，Flume提供了大量内置的Source、Channel和Sink类型。不同类型的Source,Channel和Sink可以自由组合。组合方式基于用户设置的配置文件，非常灵活。比如：Channel可以把事件暂存在内存里，也可以持久化到本地硬盘上。Sink可以把日志写入HDFS, HBase，甚至是另外一个Source等等。Flume支持用户建立多级流，也就是说，多个agent可以协同工作，并且支持Fan-in、Fan-out、Contextual Routing、Backup Routes。如下图所示:
Flume环境搭建
前置条件
- Flume需要Java 1.7及以上(推荐1.8)。
- 足够的内存和磁盘空间。
- 对Agent监控目录的读写权限。
搭建
- 下载flume-ng-1.6.0-cdh5.7.0.tar.gz(下载地址http://archive.cloudera.com/cdh5/cdh/5/
)，因为在前面大数据入门章节中(https://www.jianshu.com/p/10700514e3e0
)我们选择的是cdh5.7.0版本，所以现在也选择这个版本。 - 上传到服务器，并解压。
tar -zxvf flume-ng-1.6.0-cdh5.7.0.tar.gz -C ../apps/
- 配置环境变量。
vi ~/.bash_profile
//在文件中配置Flume的路径，根据自己安装的路径进行修改
export FLUME_HOME=/root/apps/apache-flume-1.6.0-cdh5.7.0-bin
export PATH=$FLUME_HOME/bin:$PATH
//使配置文件生效
source ~/.bash_profile
- 在flume-env.sh中配置Java JDK的路径。
cd $FLUME_HOME/conf
// 复制模板
cp flume-env.sh.template flume-env.sh
vi flume-env.sh
// 配置为安装的Java目录
export JAVA_HOME=/usr/jdk1.8.0_181
- 检测,在flume的bin目录下执行flume-ng version可查看版本。
cd $FLUME_HOME/bin
flume-ng version
出现以下内容，说明安装成功
Flume实战
使用flume的关键就是写配置文件。主要是以下四步：
- 配置Source
- 配置Channel
- 配置Sink
- 把以上三个组件串起来。
需求1：从指定网络端口采集数据输出到控制台
- 配置agent
#example.conf: A single-node Flume configuration
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# a1: agent名称 r1: source的名称 k1：sink的名称 c1:channel的名称
# Describe/configure the source
a1.sources.r1.type = netcat #source的类型
a1.sources.r1.bind = localhost #source绑定的主机
a1.sources.r1.port = 44444 #source绑定的主机端口
# Describe the sink
a1.sinks.k1.type = logger #sink的类型
# Use a channel which buffers events in memory
a1.channels.c1.type = memory #channel的类型
a1.channels.c1.capacity = 1000 #通道中存储的最大event数
a1.channels.c1.transactionCapacity = 100 # 通道从源或提供给接收器的最大event数
# Bind the source and sink to the channel
a1.sources.r1.channels = c1 #把source和channel做关联，其中属性是channels，说明sources可以和多个channel做关联。
a1.sinks.k1.channel = c1 #sink和channel做关联，只能输出到一个channel
- 在flume的conf目录下新建example.conf文件(目录和文件名可自定义，在后续启动agent时需要用到)。
vi example.conf
把配置好的agent配置复制到文件中
- 启动agent
flume-ng agent \
-- name a1 \ #指定agent的名称，在上面配置中我们配置的是a1
-- conf $FLUME_HOME/conf \ # flume的配置目录
-- conf-file $FLUME_HOME/conf/example.conf \ # agent配置的文件全路径
-- Dflume.root.logger=INFO,console #日志级别和输出形式
- 测试，可使用telnet到source关联的主机，在对应端口下输入字符，在控制台可以看到输入的字符。
案例2：监控一个文件实时采集新增的数据输出到控制台
- agent的选型：
exec source+memory channel +logger sink
agent配置:
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec #source的类型
a1.sources.r1.command= tail -F /root/data/data.log #执行的命令
a1.sources.r1.shell = /bin/sh -c
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
- 启动agent
flume-ng agent --name a1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/exec-memory-logger.conf -Dflume.root.logger=INFO,console
- 测试:往监听的文件中输入数据，在控制台会打印event数据
echo hello >> data.log
如图可见Event = 可选的header + byte array
这里把数据输出到控制台没有任何意义，实际需求可能需要输出到hdfs之上，只需要改agent配置，把sink的类型改为hdfs，然后指定hdfs的url和写入的路径。
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec #source的类型
a1.sources.r1.command= tail -F /root/data/data.log #执行的命令
a1.sources.r1.shell = /bin/sh -c
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://192.168.30.130:8020/root/flume/hive-logs/
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.writeFormat = Text
a1.sinks.k1.hdfs.batchSize = 10
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
需求三：从服务器A收集数据到服务器B
重点：服务器A的Sink 类型是AVRO， 而 服务器 B的Source 是AVRO
流程：
- 机器A监控一个文件，把日志记录到data.log中
- avro sink把新产生的日志输出到指定的hostname和port上
- 通过avro source对应的agent将日志输出到控制台|Kafka|hdfs等
机器A配置
agentA.sources = r1
agentA.sinks = k1
agentA.channels = c1
# Describe/configure the source
agentA.sources.r1.type = exec
agentA.sources.r1.command= tail -F /root/data/data.log
agentA.sources.r1.shell = /bin/sh -c
# Describe the sink
agentA.sinks.k1.type = avro
agentA.sinks.k1.hostname = localhost
agentA.sinks.k1.port = 44444
# Use a channel which buffers events in memory
agentA.channels.c1.type = memory
# Bind the source and sink to the channel
agentA.sources.r1.channels = c1
agentA.sinks.k1.channel = c1
机器B配置
# Name the components on this agent
agentB.sources = avro-source
agentB.sinks = logger-sink
agentB.channels = memory-channel
# Describe/configure the source
agentB.sources.avro-source.type = avro
agentB.sources.avro-source.bind = localhost
agentB.sources.avro-source.port = 44444
# Describe the sink
agentB.sinks.logger-sink.type = logger
# Use a channel which buffers events in memory
agentB.channels.memory-channel.type = memory
# Bind the source and sink to the channel
agentB.sources.avro-source.channels = memory-channel
agentB.sinks.logger-sink.channel = memory-channel