使用Flume NG构建数据收集系统(第一部分 Flume介绍)

转载自：http://blog.csdn.net/xiaochawan/article/details/8986489

 好文章，留下备忘。

 

 

Flume是什么

 

• 收集、聚合事件流数据的分布式框架
• 通常用于log数据
• 采用ad-hoc方案，明显优点如下：
  • 可靠的、可伸缩、可管理、可定制、高性能
  • 声明式配置，可以动态更新配置
  • 提供上下文路由功能
  • 支持负载均衡和故障转移
  • 功能丰富
  • 完全的可扩展

核心概念

• Event
• Client
• Agent
  • Sources、Channels、Sinks
  • 其他组件：Interceptors、Channel Selectors、Sink Processor

核心概念：Event

Event是Flume数据传输的基本单元。flume以事件的形式将数据从源头传送到最终的目的。Event由可选的hearders和载有数据的一个byte array构成。

 

• 载有的数据对flume是不透明的
• Headers是容纳了key-value字符串对的无序集合，key在集合内是唯一的。
• Headers可以在上下文路由中使用扩展

 

public interface Event {
    public Map<String, String> getHeaders();
    public void setHeaders(Map<String, String> headers);
    public byte[] getBody();
    public void setBody(byte[] body);
}

 

核心概念：Client

 

Clinet是一个将原始log包装成events并且发送它们到一个或多个agent的实体。

 

• 例如
  • Flume log4j Appender
  • 可以使用Client SDK (org.apache.flume.api)定制特定的Client
• 目的是从数据源系统中解耦Flume
• 在flume的拓扑结构中不是必须的

 

核心概念：Agent

 

一个Agent包含Sources, Channels, Sinks和其他组件，它利用这些组件将events从一个节点传输到另一个节点或最终目的。

 

• agent是flume流的基础部分。
• flume为这些组件提供了配置、生命周期管理、监控支持。

 

核心概念：Source

 

Source负责接收events或通过特殊机制产生events，并将events批量的放到一个或多个Channels。有event驱动和轮询2种类型的Source

 

• 不同类型的Source:
  • 和众所周知的系统集成的Sources: Syslog, Netcat
  • 自动生成事件的Sources: Exec, SEQ
  • 用于Agent和Agent之间通信的IPC Sources: Avro
• Source必须至少和一个channel关联

核心概念：Channel

Channel位于Source和Sink之间，用于缓存进来的events，当Sink成功的将events发送到下一跳的channel或最终目的，events从Channel移除。

 

• 不同的Channels提供的持久化水平也是不一样的:
  • Memory Channel: volatile
  • File Channel: 基于WAL（预写式日志Write-Ahead Logging）实现
  • JDBC Channel: 基于嵌入Database实现
• Channels支持事务
• 提供较弱的顺序保证
• 可以和任何数量的Source和Sink工作

 

核心概念：Sink

 

Sink负责将events传输到下一跳或最终目的，成功完成后将events从channel移除。

 

• 不同类型的Sinks:
  • 存储events到最终目的的终端Sink. 比如: HDFS, HBase
  • 自动消耗的Sinks. 比如: Null Sink
  • 用于Agent间通信的IPC sink: Avro
• 必须作用与一个确切的channel

Flow可靠性

                      

 

               

 

• 可靠性基于:
  • Agent间事务的交换
  • Flow中，Channel的持久特性
• 可用性:
  • 内建的Load balancing支持
  • 内建的Failover支持

 

核心概念：Interceptor

 

用于Source的一组Interceptor，按照预设的顺序在必要地方装饰和过滤events。

 

• 内建的Interceptors允许增加event的headers比如：时间戳、主机名、静态标记等等
• 定制的interceptors可以通过内省event payload（读取原始日志），在必要的地方创建一个特定的headers。

核心概念：Channel Selector

Channel Selector允许Source基于预设的标准，从所有Channel中，选择一个或多个Channel

 

• 内建的Channel Selectors:
  • 复制Replicating: event被复制到相关的channel
  • 复用Multiplexing: 基于hearder，event被路由到特定的channel

 

核心概念：Sink Processor

 

多个Sink可以构成一个Sink Group。一个Sink Processor负责从一个指定的Sink Group中激活一个Sink。Sink Processor可以通过组中所有Sink实现负载均衡；也可以在一个Sink失败时转移到另一个。

 

• Flume通过Sink Processor实现负载均衡（Load Balancing）和故障转移（failover）
• 内建的Sink Processors:
  • Load Balancing Sink Processor – 使用RANDOM, ROUND_ROBIN或定制的选择算法
  • Failover Sink Processor 
  • Default Sink Processor（单Sink）
• 所有的Sink都是采取轮询（polling）的方式从Channel上获取events。这个动作是通过Sink Runner激活的
• Sink Processor充当Sink的一个代理
  
  

 

总结