03Flume日志采集/构建大数据平台

数据采集是大数据应用的基础，数据源通常包括日志数据（如埋点日志，服务器日志），业务数据库，外部数据（如通过爬虫主动采集的公开数据）等。

本文的主要内容：

• Flume简介

• 常见的拓扑结构

• 传输到HDFS/Kafka

---

**01 Flume简介
**

Apach Flume（https://flume.apache.org/）是分布式、高可靠、高可用的海量日志采集、聚合、传输系统。Flume能将多种类型的数据源转移到中心化的数据存储，Flume可以用作实时日志的数据采集引擎。

Agent

Agent是Flume最小的运行单元，一个Agent就是一个JVM进程。它包含三个核心组件，分别是Source、 Channel、 Sink。通过这些组件， Event可以从一个地方流向另一个地方，如下图所示：

图片来源于Flume官方

Event

Flume中数据传输的基本单元，由消息头和消息体组成。

Source

Source是数据的收集端，负责将数据封装到Event里，然后推入绑定的Channel中。支持avro，netcat，thrift，exec，spooldir，TAILDIR，syslog等数据源。

Channel

Channel是连接Source和Sink的组件，可以将它看做数据缓冲区（队列）。常用的Channel是MemoryChannel和FileChannel。

Sink

Sink不断地轮询Channel中的事件且批量地移除它们，但在移除之前Sink会确保这些事件成功被写入到存储或索引系统、或者被发送到另一个Flume Agent，支持HDFS，Kafka等

---

**02 常见的拓扑结构
**

• 每个Agent可以有多个Source、Channel、Sink

.sources =

.sinks =

.channels =

• 利用Channel将Source、Sink进行连接

.sources.<Source1>.channels = <Channel1> <Channel2>

.sinks..channel =

.sinks..channel =

1 串型模式（图片来源于Flume官方）

将多个Agent顺序（avro）串连起来，一般不建议桥接过多的Agent，会影响速度和系统的稳定性。

2 聚合模式（图片来源于Flume官方）

最常见的拓扑结构，WEB应用通常分布在上百个服务器，甚至上千个、上万个服务器。每台服务器部署一个Agent，将日志统一传送到另一个Agent，再由此Agent上传到HDFS或者消息队列中。

3 复制模式（图片来源于Flume官方）

分为replicating和multiplexing，replicating（默认模式）Event将被发往与Source关联的所有Channel中；multiplexing模式下，可以根据头部信息进行路由控制。

---

**03 传输到HDFS/Kafka
**

采集nginx日志文件(access.log)并上传HDFS和Kafka，Flume Agent组件结构如下图：

nginx-hdfs-kafka.conf

# Agent a1的source,channel,sink组件定义

a1.sources = r1

a1.channels = c1 c2

_a1.sinks = s1 s2
_

_# nginx 日志文件（access.log）数据源
_

a1.sources.r1.type = TAILDIR

_a1.sources.r1.filegroups.f1 = /path/to/nginx/access.log
_

a1.sources.r1.headers.f1.headerKey1 = value1

a1.sources.r1.fileHeader = true

# s1, hdfs

a1.sinks.s1.type = hdfs

a1.sinks.s1.hdfs.path = hdfs://ip:port/nginx/%Y-%m-%d/%H-%M

# s2, kafka

a1.sinks.s2.type = org.apache.flume.sink.kafka.KafkaSink

a1.sinks.s2.kafka.topic = nginx-log

a1.sinks.s2.kafka.bootstrap.servers = ip:port

# 通过channel 关联source和sink

_a1.sources.r1.channels = c1 c2
_

a1.sinks.s1.channel = c1

a1.sinks.s2.channel = c2

Flume还支持拦截器（Source和Channel之间，对事件进行修改或者过滤），自定义Source，Sink，高可用配置等。更加详细的配置，可参考Flume官方文档：

https://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html