大数据之Flume

Flume概述

一个高可用（稳定），高可靠（稳定），分布式的海量日志采集，聚合和传输的系统。Flume基于流式架构，灵活简单。日志文件即txt文件，不能传输音频，视频，office等其他文件。Flume最主要的作用是实时读取服务器本地磁盘的数据，将数据写入到HDFS。

• Web Server一般为java后台程序

• Agent

  • Source: 对接各种web server程序，从中读取数据
  • Channel：用来作为缓冲区，平衡读取和写入速度的不一致问题。
    • Memory Channel: 速度快，容易丢失
    • File Channel: 速度慢，不容易丢失
  • Sink: 对接各种传输终点，Sink不断轮询Channel中的事件且批量的移除它们到对应系统中

• 文件系统：比如HDFS，传输的终点

• Event： Flume数据传输的基本单元

安装部署

1. 官网下载：http://flume.apache.org/
2. 解压后修改文件名称为flume
3. 修改conf 下log4j2.xml确定打印的位置，日志会跟随运行路径放置flume日志。

<Properties>
    <Property name="LOG_DIR">/opt/module/flume/logsProperty>
  Properties>

入门案例

1. 监控端口数据官方案例

1. 安装netcat工具，该工具用于端口传话sudo yum install -y nc
2. 一个窗口使用nc -lk 端口号，监听端口
3. 另一个窗口使用nc localhost 44444 连接端口
4. 配置flume configuration文件

# 给组件命名，默认 agent 叫 a1
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# 配置 source 的类型、主机名、端口号
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# 配置 sink 
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000   # 1000个event
a1.channels.c1.transactionCapacity = 100  # 批次大小，达到该值就发送

# 绑定 the source and sink to the channel
a1.sources.r1.channels = c1 # source可以连多个channel
a1.sinks.k1.channel = c1  # sink不能连多个channel

4. 创建job目录，创建conf文件。命令时建议为 发送者_flume_接收者.conf
5. 运行Flume, bin/flume-ng agent -c conf/ -f-file job/nc_flume_log.conf -n a1
6. 配置log4j2.xml文件，添加一个属性让日志同时打印到控制台，方便查看。

2. 实时监控目录下的多个追加文件

1. 创建符合条件的flume配置文件
2. 执行配置文件taildir_flume_log.conf，开启监控
3. 向监控文件追加文件，echo >> file1.txt
4. 运行flume监听，bin/flume-ng agent -c conf/ -f-file job/taildir_flume_log.conf -n a1
5. 可以关闭该监听服务后，继续追加，然后重写开启监听，会发现之前添加的内容也可以查看到，这个就是断点续传。监听读取后会生成对应的监听日志taildir_position.json
6. 如果监控文件改名后仍然符合监控正则，该文件的数据会全部重传。这个机制在底层实现上不仅判断了inode的值，还判断了文件名是否改变。后期可以修改源码，改为只判断Inode即可。
7. HDFS sink存在小文件问题，每10个event一个文件，或者每30秒一个文件。可以通过修改sink的参数来解决改问题：
   • hdfs.rollinterval: 默认是30秒，置为0时表示不判断时间。一般企业中建议设置为3600秒
   • hdfs.rollSize: 一般设置为134217700，超过128M生成一个文件
   • hdfs.rollCount: 设置为0

Flume原理

1. 事务

put事务流程

在Source和Channel之间有事务来保证put操作的完整性。source能够保证数据没有提交成功时，不会修改当前发送数据的偏移量，只有当source成功将数据放到channel中时，source才会更新当前的偏移量。当channel内存空间不足时，即put失败，会回滚数据，即不更新当前数据的偏移量。

pull事务流程

在channel和sink节点之间进行的拉取操作也有可能失败，只有当数据成功放到sink中，才会将channl中的数据进行删除。否则，事务会将数据回滚到数据还未拉取前的状态，来保证数据的不丢失性。

2. Flume Agent内部原理

1. 拦截器清除数据，排除错误数据，添加解析部分数据，比如Header头信息
2. channel选择器：
   • 副本选择器，同一数据发送多份
   • 多路复用选择器, 同一数据拆分发送
3. sinkProcessor处理器：
   • 默认处理器：由于都在同一机器上运行，后两种处理器没有任何意义
   • 负载均衡处理器
   • 竞争失败处理器

如果有flume的连接传输，启动时需要先开启下游flume，再开启上游flume。关闭时需要先关闭上游flume，再关闭下游flume。