Flume学习笔记（1）—— Flume入门

Flume 概述

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 基于流式架构，灵活简单

Flume最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到HDFS

基础架构

Agent

Agent 是一个 JVM 进程，它以事件的形式将数据从源头送至目的

Agent 主要有 3 个部分组成，Source、Channel、Sink

Source

Source 是负责接收数据到 Flume Agent 的组件。Source 组件可以处理各种类型、各种格式的日志数据，包括 avro、thrift、exec、jms、spooling directory、netcat、taildir、sequence generator、syslog、http、legacy

Sink

Sink 不断地轮询 Channel 中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个 Flume Agent

Sink 组件目的地包括 hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义

Channel

Channel 是位于 Source 和 Sink 之间的缓冲区。因此，Channel 允许 Source 和 Sink 运作在不同的速率上Channel 是线程安全的，可以同时处理几个 Source 的写入操作和几个Sink 的读取操作

---

Flume 自带两种 Channel：Memory Channel 和 File Channel

• Memory Channel 是内存中的队列。Memory Channel 在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么 Memory Channel 就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失。
• File Channel 将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据

Event

Flume 数据传输的基本单元，以 Event 的形式将数据从源头送至目的地

Event 由 Header 和 Body 两部分组成，Header 用来存放该 event 的一些属性，为 K-V 结构，Body 用来存放该条数据，形式为字节数组

Flume 安装部署

flume官网：Welcome to Apache Flume — Apache Flume

官方文档：Flume 1.11.0 User Guide — Apache Flume

下载：Index of /dist/flume

---

1.下载tar包：

版本：1.9.0

2.上传到服务器，解压至/opt/module/路径下；

3.重命名：mv /opt/module/apache-flume-1.9.0-bin/opt/module/flume

4.将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3：rm/opt/module/flume/lib/guava-11.0.2.jar

Flume入门案例

监控端口数据官方案例

需求：使用 Flume 监听一个端口，收集该端口数据，并打印到控制台

实现步骤：

1. 通过netcat工具向本机的44444端口发送数据
2. Flume监控本机的44444端口，通过Flume的source端读取数据
3. Flume将获取的数据通过Sink端写出到控制台

实现流程：

• 安装 netcat 工具：sudo yum install -y nc
• 判断 44444 端口是否被占用：netstat -nlp | grep 44444

netstat：显示网络状态；

相关参数说明：Linux netstat命令 | 菜鸟教程

• 在 flume 目录下创建 job 文件夹并进入 job 文件夹；
• 在 job 文件夹下创建 Flume Agent 配置文件net-flume-logger.conf
• 配置文件内容如下：

# example.conf: A single-node Flume configuration

# Name the components on this agent（source，channel，sink的名称）
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source（source的类型，绑定的ip）
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# Describe the sink（sink的类型）
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory（channel的类型，容量）
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel（将source、sink和channel绑定）
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

具体参数详解如下：

• 开启 flume 监听端口：bin/flume-ng agent --conf conf/ --name a1 --conf-file job/net-flume-logger.conf -Dflume.root.logger=INFO,console或者 bin/flume-ng agent -c conf/ -n a1 -f job/net-flume-logger.conf -Dflume.root.logger=INFO,console

参数说明：

--conf/-c：表示配置文件存储在 conf/目录

--name/-n：表示给 agent 起名为 a1

--conf-file/-f：flume 本次启动读取的配置文件是在 job 文件夹下的 flume-telnet.conf文件

-Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改 flume.root.logger参数属性值，并将控制台日志打印级别设置为 INFO 级别。日志级别包括:log、info、warn、error

• 使用 netcat 工具向本机的 44444 端口发送内容：nc localhost 44444

• 在 Flume 监听页面观察接收数据情况：

实时监控单个追加文件

需求：实时监控 Hive 日志，并上传到 HDFS 中

实现流程：

1.flume要想将数据上传到hadoop，需要依赖相关的jar包，所以需要确定hadoop及Java的环境变量已经配置好了：

2.创建配置文件（在job目录下）：flume-file-hdfs.conf

# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2

# Describe/configure the source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log

# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a2.sinks.k2.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 60
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a2.sinks.k2.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

参数说明：

①source为exec source：Flume 1.11.0 User Guide — Apache Flume

• exec及execute的意思，执行给定的Uxin系统指令；
• 相应的command即需要执行的指令，在本示例中即读取Hive日志文件中的内容

tail -F：循环读取

Linux tail 命令 | 菜鸟教程

②sind为hdfs sinkFlume 1.11.0 User Guide — Apache Flume

path即hdfs上文件的路径，hdfs sink允许使用一些转义序列，如下：

---

根据官网描述：

The files can be rolled (close current file and create a new one) periodically based on the elapsed time or size of data or number of events

文件的滚动可以通过时间、文件、events的数量来控制；

• 时间：主要是round——是否开启时间控制；roundUnit——时间单位；roundValue——时间值

• 文件：主要是rollInterval——生成新文件的间隔（设置为0表示不按照时间滚动）；rollSize——单个文件的最大大小（单位：bytes）；rollCount——新文件生成时必须满足的events数量；

• events数量：通过batchSize来设置

③对于所有与时间相关的转义序列，Event Header 中必须存在以 “timestamp”的key（除非 hdfs.useLocalTimeStamp 设置为 true，此方法会使用 TimestampInterceptor 自动添加 timestamp）

3.执行指令：bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

4.执行hive指令，生成日志文件；为了简单测试这里直接向hive.log文件中写内容：

echo "test.2023.11.17" > hive.log

到hdfs中去查看，可以看到对应的文件：

实时监控目录下多个新文件

需求：使用 Flume 监听整个目录的文件，并上传至 HDFS

实现流程：
1.创建配置文件 flume-dir-hdfs.conf

配置文件内容如下：

a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = spooldir
#定义监控目录
a3.sources.r3.spoolDir = /opt/module/flume/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
#忽略所有以.tmp 结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a3.sinks.k3.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

参数说明：
source类型是spooldir：Flume 1.11.0 User Guide — Apache Flume

根据官网的描述：This source will watch the specified directory for new files, and will parse events out of new files as they appear

该类型的source会监控特定目录，当目录下出现新文件的时候，会进行文件的上传

• spoolDir：文件监控的目录
• fileSuffix：默认值.COMPLETED，文件后缀
• fileHeader：是否添加文件头
• ignorePattern：定义忽略的文件；ignorePattern = ([^ ]*\.tmp)：忽略所有以tmp结尾的文件而不上传

2.启动指令： bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

3.在/opt/module/flume/upload文件夹中上传文件：

touch why.txt
touch why.tmp
touch why.log

可以看到添加了文件后缀：

hdfs中也有了对应的文件：

实时监控目录下的多个追加文件（断点续传）

• Exec source 适用于监控一个实时追加的文件，不能实现断点续传
• Spooldir Source适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步
• Taildir Source适合用于监听多个实时追加的文件，并且能够实现断点续传

需求：使用 Flume 监听整个目录的实时追加文件（向文件中写入新的内容），并上传至 HDFS

实现流程：

1.创建配置文件 flume-taildir-hdfs.conf

文件内容如下：

a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume/files/.*txt.*
a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload2/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a3.sinks.k3.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

参数说明：

source类型为taildir：Flume 1.11.0 User Guide — Apache Flume

• positionFile：默认值：~/.flume/taildir_position.json；根据官方的解释，该文件是用于记录inode的值的，inode即linux中储存文件元数据的区域，linux中可以通过inode来识别不同的文件，因此taildir source通过维护positionFile即可记录每个文件读取到的最新的位置，从而实现断点续传；
• filegroups ＆ filegroups.：定义一个或多个需要监控的目录；

.*txt.*即表示所有以txt结尾的文件

3.执行指令： bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-taildir-hdfs.conf

4.向/opt/module/flume/files目录下的文件中写入内容：

echo hello1 >> file1.txt
echo hello2 >> file2.txt
echo hello3 >> file3.txt
echo hello4 >> file4.txt

在files2中：

echo log1 >> log1.log

hdfs中出现相应的文件：

内容如下：

继续在files中执行：echo log2 >> log1.log

可以看到已经同步更新：