Flume

flume简介

flume是一个分布式、可靠、和高可用的海量日志采集、和传输的系统。支持子啊日志系统
中定制各类数据发送方，用于收集数据；同时，flume提供对数据进行简单处理，并写道各种
数据接收方（比如文本、HDFS、Hbase等）的能力，flume的数据流由事件(Event)贯穿始终。
事件是flume的基本数据单位，它携带日志数据（字节数组形式）并且携带有头信息，这些
Event由Agent外部的source生成，当source捕获事件后会进行特定的格式化，然后，source会把事件推入（单个或多个）channel中。你可以把channel看作是一个缓冲区，它将保存事件直到sink处理完该事件。sink负责持久化日志或者把事件推向另一个source。

flume架构

flume 运行的核心是Agent。flume以agent为最小的独立运行单位，一个agent就是一个JVM。它是一个完整的数据数据收集工具，含有三个核心组件，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

flume各组件的作用

Client:

Client生产数据，运行在一个独立的线程

Event:

一个数据单元，消息头和消息体组成，（Event可以是日志记录、avro对象等）

Flow:

event从源点到达目的点的迁移的抽象

Agent：

一个独立的flume进程，包含组件source、channel、sink。(agent使用JVM运行flume.每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks)

Source:

数据收集组件，(source从Client收集数据，传递给channel)
Source是数据的收集端，负责将数据捕获后进行特殊的格式化，将数据封装到事件（event） 里，然后将事件推入Channel中。 Flume提供了很多内置的Source， 支持 Avro， log4j， syslog 和 http post(body为json格式)。可以让应用程序同已有的Source直接打交道，如AvroSource

如果内置的Source无法满足需要， Flume还支持自定义Source。

Channel:

中转event的一个临时存储，保存由source组件传递过来的event。（channel连接source和sink，这个有点像一个队列）。

Channel是连接Source和Sink的组件，大家可以将它看做一个数据的缓冲区（数据队列），它可以将事件暂存到内存中也可以持久化到本地磁盘上， 直到Sink处理完该事件。介绍两个较为常用的Channel， MemoryChannel和FileChannel。

Sink：

从channel中读取并移除event，将event传递到flowPipline中的下一个agent(如果有的话)(sink从channel收集数据，运行在一个独立的线程)。
Sink从Channel中取出事件，然后将数据发到别处，可以向文件系统、数据库、 hadoop存数据， 也可以是其他agent的Source。在日志数据较少时，可以将数据存储在文件系统中，并且设定一定的时间间隔保存数据。

Flume数据流

Flume 的核心是把数据从数据源收集过来，再送到目的地。为了保证输送一定成功，在送到目的地之前，会先缓存数据，待数据真正到达目的地后，删除自己缓存的数据

Flume 传输的数据的基本单位是 Event，如果是文本文件，通常是一行记录，这也是事务的基本单位。 Event 从 Source，流向 Channel，再到 Sink，本身为一个 byte 数组，并可携带 headers 信息。 Event 代表着一个数据流的最小完整单元，从外部数据源来，向外部的目的地去。

值得注意的是，Flume提供了大量内置的Source、Channel和Sink类型。不同类型的Source,Channel和Sink可以自由组合。组合方式基于用户设置的配置文件，非常灵活。

比如：Channel可以把事件暂存在内存里，也可以持久化到本地硬盘上。Sink可以把日志写入HDFS, HBase，甚至是另外一个Source等等。Flume支持用户建立多级流，

也就是说，多个agent可以协同工作。