Flume学习记录

目录

一、Flume概论

1. 定义

​ 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。

2.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。

  • 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。

  • 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。

  • Event

    传输单元，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。

二、Flume的使用

1.官方案例

  1. 创建配置文件flume-netcat-logger.conf

    vim flume-netcat-logger.conf

  2. 添加以下信息

    # Name the components on this agent
a1.sources = r1    //r1:表示a1的Source的名称
a1.sinks = k1	   //k1:表示a1的Sink的名称
a1.channels = c1   //c1:表示a1的Channel的名称

# Describe/configure the source
a1.sources.r1.type = netcat    //表示a1的输入源类型为netcat端口类型
a1.sources.r1.bind = localhost //表示a1的监听主机
a1.sources.r1.port = 44444     //表示a1的监听的端口号

# Describe the sink
a1.sinks.k1.type = logger      //表示a1的输出目的地是控制台logger类型

# Use a channel which buffers events in memory
a1.channels.c1.type = memory              //表示a1的channel类型是memory内存型
a1.channels.c1.capacity = 1000            //表示a1的channel总容量1000个event
//表示a1的channel传输时收集到了100条event以后再去提交事务
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a1.sources.r1.channels = c1   //表示将r1和c1连接起来
a1.sinks.k1.channel = c1      //表示将k1和c1连接起来

  3. 开启flume监听端口

    • 第一种写法

       bin/flume-ng agent --conf conf/ --name a1 --conf-file flume-netcat-logger.conf -Dflume.root.logger=INFO,console

    • 第二种写法

       bin/flume-ng agent -c conf/ -n a1 -f flume-netcat-logger.conf -Dflume.root.logger=INFO,console

  4. 使用netcat工具向本机44444端口发送内容

    nc localhost 44444
hello
OK

2、其他使用方式

  1. 实时监控单个追加文件

    # 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

  2. 实时监控目录下多个新文件

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

# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume/upload
#定义文件上传完，后缀
a3.sources.r3.fileSuffix = .COMPLETED
#是否有文件头
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://hadoop102:9820/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

  • 在使用 Spooling Directory Source 时，不要在监控目录中创建并持续修改文

    件；上传完成的文件会以.COMPLETED 结尾；被监控文件夹每 500 毫秒扫描一次文件变动。

  1. 实时监控目录下的多个追加文件

    ​ 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；而 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。

    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/.*file.*
a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = 
hdfs://hadoop102:9820/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

    • Taildir Source 维护了一个 json 格式的 position File，其会定期的往 position File

      中更新每个文件读取到的最新的位置，因此能够实现断点续传。

      Position File 的格式如下：

      {
    "inode":2496272,
    "pos":12,
    "file":"/opt/module/flume/files/file1.txt"
}
{
	"inode":2496275,
	"pos":12,
	"file":"/opt/module/flume/files/file2.txt"
}

    注：Linux 中储存文件元数据的区域就叫做 inode，每个 inode 都有一个号码，操作系统

    用 inode 号码来识别不同的文件，Unix/Linux 系统内部不使用文件名，而使用 inode 号码来识别文件。

三、Flume进阶

1.事务

2.Agent内部原理

  • ChannelSelector

    ​ ChannelSelector 的作用就是选出 Event 将要被发往哪个 Channel。其共有两种类型，

    分别是 Replicating（复制）和 Multiplexing（多路复用）。

    ​ ReplicatingSelector 会将同一个 Event 发往所有的 Channel，Multiplexing 会根据相

    应的原则，将不同的 Event 发往不同的 Channel。

  • SinkProcessor

    SinkProcessor 共 有 三 种 类 型 ， 分 别 是 DefaultSinkProcessor、LoadBalancingSinkProcessor 和 FailoverSinkProcessor

    ​ DefaultSinkProcessor 对 应 的 是 单 个 的 Sink ， LoadBalancingSinkProcessor 和

    FailoverSinkProcessor 对应的是 Sink Group，LoadBalancingSinkProcessor 可以实现负

    载均衡的功能，FailoverSinkProcessor 可以错误恢复的功能。

posted @ 2021-10-04 19:43  Yuutmoo  阅读(92)  评论(0)    收藏  举报