大数据之flume（一）

分类:热门推荐日期:2024-04-14浏览:1评论:0

1、概述

flume是一个分布式、高可用、高可靠的海量日志采集、聚合、传输系统，支持在日志系统中定制各种数据发送方从而收集数据，并提供数据简单处理能力并传到各种数据接收方。flume设计原理是基于数据流的，能够将不同数据源的海量日志进行高效收集、聚合、移动、存储，能做到近似实时。

2、架构

2.1、Event

事件是flume内部数据传输的基本单元，将传输的文件进行封装。由存储数据的字节数据和头部信息组成。数据以事件的形式进行传递。

2.2、Agent

Agent是一个jvm进程，通过source、channel、sink三大组件将事件流从外部数据源发送到目的存储。

2.3、source

从数据发生器接收数据并将数据以Event形式传递给一个或多个通道。

2.4、channel

一种短暂的存储容器，连接source和sink。channel将event的数据缓存起来，当sink成功将event发送后，event从channel中移除。channe是一个完整的事务，从而保证数据收发的一致性，模型类似于队列。

  • memory channel：事件存储到内存中，队列容量为可存储的最大事件数量，适用于高吞吐场景，当agent出现错误时，数据可能丢失。
  • file channel：基于文件系统的持久化存储
    2.5、sink

    获取channel保存的数据并进行处理。sink从channel中移除事件并将其发送到下一个agent（即下一跳）或最终存储，如HDFS。

    2.6、可靠性

    事件在每个agent的channel中短暂存储，，之后事件被发送到下一个agent或者最终存储中。时间只有在存储在下一个agent或最终存储后才会从当前channel中删除。

    flume使用事务的办法来保证事件的可靠传递。source和sink分别被封装到事务中，事务一般有channel提供，从而保证数据传输的可靠。在多个agent（多跳）中，上一跳的sink和下一跳的source都运行事务来保证数据的可靠性。

    3、安装、使用(1.9.0版本)

    下载地址：https://flume.apache.org/download.html

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

    解压后删除lib目录下的guava-11.0.2.jar，防止和hadoop不兼容。

    3.1、监听数据

    步骤：

    1. 通过netcat向55555端口发送数据
    2. flume监控55555端口并通过source读取数据
    3. flume将读取到的数据通过sink写到控制台

    操作：

    1. 安装netcat

      sudo  yum install -y nc

    2. 查看端口占用

       netstat -nlp|grep 55555

    3. 新建job文件夹，编写flume-netcat-logger.conf文件

      [root@hadoop101 apache-flume-1.11.0-bin]# mkdir job
[root@hadoop101 apache-flume-1.11.0-bin]# mkdir job
 vim flume-netcat-logger.conf

      # Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 55555
# Describe the sink
a1.sinks.k1.type = logger
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000#channel总容量
a1.channels.c1.transactionCapacity = 100#单次事务的容量
# Bind the source and sink to the channel
a1.sources.r1.channels = c1#source可以绑定多个channel
a1.sinks.k1.channel = c1#一个sink只能绑定一个channel

      执行命令

      [root@hadoop101 apache-flume-1.9.0-bin] bin/flume-ng agent -n a1 -c conf/ -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

    在控制台查看消息日志

    3.2、监控单个文件

    步骤：

    1. 创建flume配置文件
    2. 执行配置文件并开启监控
    3. 开启Hive生成日志
    4. 查看HDFS上数据

    操作：

    1. 创建conf文件flume-file-hdfs.conf

       a2.sources = r2
 a2.sinks = k2
 a2.channels = c2
 # Describe/configure the source
 a2.sources.r2.type = exec
 a2.sources.r2.command = tail -F /tmp/root/hive.log
 a2.sources.r2.shell = /bin/bash -c
 # Describe the sink
 a2.sinks.k2.type = hdfs
 a2.sinks.k2.hdfs.path = hdfs://hadoop100:8020/flume/%Y%m%d/%H
 #上传文件的前缀
 a2.sinks.k2.hdfs.filePrefix = logs-
 #是否对时间戳取整
 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

      注意： a2.sources.r2.command中hive的日志路径和 a2.sinks.k2.hdfs.path要根据自己的环境来写，查看路径是否正确使用命令。

      hadoop fs -ls hdfs://hadoop100:8020/

      如果能看到HDFS的目录说明没问题，如下图。

      ​

    2. 运行命令

      bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

    3. 启动Hive，可使用命令监控Hive日志 tail -F /tmp/root/hive.log

    4. 查看HDFS是否有flume目录

    3.3、监控目录下的多个新文件

    步骤：

    1. 创建符合条件的flume配置文件
    2. 执行配置文件开启监控
    3. 向监控目录中添加文件
    4. 查看HDFS检查文件是否上传成功
    5. 查看监控目录中的文件是否已被标记

    操作：

    1. 创建conf文件flume-dir-hdfs.conf

       a2.sources = r2
 a2.sinks = k2
 a2.channels = c2
 # Describe/configure the source
 a2.sources.r2.type = spooldir
 a2.sources.r2.spoolDir=/export/soft/apache-flume-1.9.0-bin/upload
 a2.sources.r2.fileSuffix=.COMPLETED#上传完成后修改文件后缀名进行标记
 a2.sources.r2.fileHeader=true
 a2.sources.r2.ignorePattern=([^ ]*\.tmp)#忽略该类型文件
 # Describe the sink
 a2.sinks.k2.type = hdfs
 a2.sinks.k2.hdfs.path = hdfs://hadoop100:8020/flume/upload/%Y%m%d/%H
 #上传文件的前缀
 a2.sinks.k2.hdfs.filePrefix = logs-
 #是否对时间戳取整
 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. 创建upload文件夹

    3. 运行flume

       bin/flume-ng agent -n a2 -c conf/ -f job/flume-dir-hdfs.conf

    4. 查看HDFS和文件标记

      注意：上传的文件不能重名，flume会报错！虽然会上传成功，但重名文件无法进行标记。

    3.4、监控目录下的多个追加的文件

    Exec Source适合监控一个实时追加的文件，不能实现断点续传；Spooldir Source适合同步新文件，不适合对实时追加的日志进行监听和同步；而Taildir Source适合用于监听多个实时追加的文件并能实现断点续传。

    步骤：

    1. 创建flume配置文件
    2. 执行配置文件开启监控
    3. 向监控文件中追加内容
    4. 查看HDFS上的数据是否同步追加

    操作：

    1. 创建配置文件

       a2.sources = r2
 a2.sinks = k2
 a2.channels = c2
 # Describe/configure the source
 a2.sources.r2.type = TAILDIR
 a2.sources.r2.positionFile=/export/soft/apache-flume-1.9.0-bin/job/tail_dir.json
 a2.sources.r2.filegroups=f1 f2
 a2.sources.r2.filegroups.f1=/export/soft/apache-flume-1.9.0-bin/job/f1/.*file.*
 a2.sources.r2.filegroups.f2=/export/soft/apache-flume-1.9.0-bin/job/f2/.*log.*
 # Describe the sink
 a2.sinks.k2.type = hdfs
 a2.sinks.k2.hdfs.path = hdfs://hadoop100:8020/flume/upload2/%Y%m%d/%H
 #上传文件的前缀
 a2.sinks.k2.hdfs.filePrefix = logs-
 #是否对时间戳取整
 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 = 20
 #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. 创建上传文件夹f1和f2

    3. 运行flume

       bin/flume-ng agent -n a2 -c conf/ -f job/flume-taildir-hdfs.conf

    4. 创建测试文件file.txt和log.txt，并使用echo追加内容

      cd /export/soft/apache-flume-1.9.0-bin/job/f1
vim file.txt
echo nihao  >>file.txt
cd /export/soft/apache-flume-1.9.0-bin/job/f2
 vim log.txt
echo nihao  >>log.txt

    5. 查看HDFS中追加的内容是否记录

    6. 查看记录位置文件tail_dir.json

    4、进阶

    4.1、事务
    4.2、内部原理
    4.3、拓扑结构

    1. 简单串联

      将多个flume顺序连起来，不建议连接过多flume，会影响传输速度和稳定性。

    2. 复制和多路复用

      将事件流向一个或多个目的地，这种模式可以将相同的数据复制到多个channel中并分发到其他channel中。

    3. 负载均衡和故障转移

      flume支持使用多个sink逻辑上分成一组，sink组配合不同的SinkProcessor来实现负载均衡和故障转移。

    4. 聚合

      生产环境中较为常见，使用flume将所有日志进行聚合

    4.4、自定义（待续）
    1. 自定义拦截器
    2. 自定义source
    3. 自定义sink

    5、监控工具Ganglia（待续）

    5.1、下载安装
    5.2、启动使用

相关推荐

关于我们常见问题广告服务免责声明联系我们
Powered By Z-BlogPHP 1.7.3 Theme By 优美主题
Copyright Your WebSite.Some Rights Reserved. 浙ICP备2023018783号