一、Flume簡介 Apache Flume 是一個分散式,高可用的數據收集系統。它可以從不同的數據源收集數據,經過聚合後發送到存儲系統中,通常用於日誌數據的收集。Flume 分為 NG 和 OG (1.0 之前) 兩個版本,NG 在 OG 的基礎上進行了完全的重構,是目前使用最為廣泛的版本。下麵的 ...
一、Flume簡介
Apache Flume 是一個分散式,高可用的數據收集系統。它可以從不同的數據源收集數據,經過聚合後發送到存儲系統中,通常用於日誌數據的收集。Flume 分為 NG 和 OG (1.0 之前) 兩個版本,NG 在 OG 的基礎上進行了完全的重構,是目前使用最為廣泛的版本。下麵的介紹均以 NG 為基礎。
二、Flume架構和基本概念
下圖為 Flume 的基本架構圖:
2.1 基本架構
外部數據源以特定格式向 Flume 發送 events
(事件),當 source
接收到 events
時,它將其存儲到一個或多個 channel
,channe
會一直保存 events
直到它被 sink
所消費。sink
的主要功能從 channel
中讀取 events
,並將其存入外部存儲系統或轉發到下一個 source
,成功後再從 channel
中移除 events
。
2.2 基本概念
1. Event
Evnet
是 Flume NG 數據傳輸的基本單元。類似於 JMS 和消息系統中的消息。一個 Evnet
由標題和正文組成:前者是鍵/值映射,後者是任意位元組數組。
2. Source
數據收集組件,從外部數據源收集數據,並存儲到 Channel 中。
3. Channel
Channel
是源和接收器之間的管道,用於臨時存儲數據。可以是記憶體或持久化的文件系統:
Memory Channel
: 使用記憶體,優點是速度快,但數據可能會丟失 (如突然宕機);File Channel
: 使用持久化的文件系統,優點是能保證數據不丟失,但是速度慢。
4. Sink
Sink
的主要功能從 Channel
中讀取 Evnet
,並將其存入外部存儲系統或將其轉發到下一個 Source
,成功後再從 Channel
中移除 Event
。
5. Agent
是一個獨立的 (JVM) 進程,包含 Source
、 Channel
、 Sink
等組件。
2.3 組件種類
Flume 中的每一個組件都提供了豐富的類型,適用於不同場景:
Source 類型 :內置了幾十種類型,如
Avro Source
,Thrift Source
,Kafka Source
,JMS Source
;Sink 類型 :
HDFS Sink
,Hive Sink
,HBaseSinks
,Avro Sink
等;Channel 類型 :
Memory Channel
,JDBC Channel
,Kafka Channel
,File Channel
等。
對於 Flume 的使用,除非有特別的需求,否則通過組合內置的各種類型的 Source,Sink 和 Channel 就能滿足大多數的需求。在 Flume 官網 上對所有類型組件的配置參數均以表格的方式做了詳盡的介紹,並附有配置樣例;同時不同版本的參數可能略有所不同,所以使用時建議選取官網對應版本的 User Guide 作為主要參考資料。
三、Flume架構模式
Flume 支持多種架構模式,分別介紹如下
3.1 multi-agent flow
Flume 支持跨越多個 Agent 的數據傳遞,這要求前一個 Agent 的 Sink 和下一個 Agent 的 Source 都必須是 Avro
類型,Sink 指向 Source 所在主機名 (或 IP 地址) 和埠(詳細配置見下文案例三)。
3.2 Consolidation
日誌收集中常常存在大量的客戶端(比如分散式 web 服務),Flume 支持使用多個 Agent 分別收集日誌,然後通過一個或者多個 Agent 聚合後再存儲到文件系統中。
3.3 Multiplexing the flow
Flume 支持從一個 Source 向多個 Channel,也就是向多個 Sink 傳遞事件,這個操作稱之為 Fan Out
(扇出)。預設情況下 Fan Out
是向所有的 Channel 複製 Event
,即所有 Channel 收到的數據都是相同的。同時 Flume 也支持在 Source
上自定義一個復用選擇器 (multiplexing selector) 來實現自定義的路由規則。
四、Flume配置格式
Flume 配置通常需要以下兩個步驟:
- 分別定義好 Agent 的 Sources,Sinks,Channels,然後將 Sources 和 Sinks 與通道進行綁定。需要註意的是一個 Source 可以配置多個 Channel,但一個 Sink 只能配置一個 Channel。基本格式如下:
<Agent>.sources = <Source>
<Agent>.sinks = <Sink>
<Agent>.channels = <Channel1> <Channel2>
# set channel for source
<Agent>.sources.<Source>.channels = <Channel1> <Channel2> ...
# set channel for sink
<Agent>.sinks.<Sink>.channel = <Channel1>
- 分別定義 Source,Sink,Channel 的具體屬性。基本格式如下:
<Agent>.sources.<Source>.<someProperty> = <someValue>
# properties for channels
<Agent>.channel.<Channel>.<someProperty> = <someValue>
# properties for sinks
<Agent>.sources.<Sink>.<someProperty> = <someValue>
五、Flume的安裝部署
為方便大家後期查閱,本倉庫中所有軟體的安裝均單獨成篇,Flume 的安裝見:
六、Flume使用案例
介紹幾個 Flume 的使用案例:
- 案例一:使用 Flume 監聽文件內容變動,將新增加的內容輸出到控制台。
- 案例二:使用 Flume 監聽指定目錄,將目錄下新增加的文件存儲到 HDFS。
- 案例三:使用 Avro 將本伺服器收集到的日誌數據發送到另外一臺伺服器。
6.1 案例一
需求: 監聽文件內容變動,將新增加的內容輸出到控制台。
實現: 主要使用 Exec Source
配合 tail
命令實現。
1. 配置
新建配置文件 exec-memory-logger.properties
,其內容如下:
#指定agent的sources,sinks,channels
a1.sources = s1
a1.sinks = k1
a1.channels = c1
#配置sources屬性
a1.sources.s1.type = exec
a1.sources.s1.command = tail -F /tmp/log.txt
a1.sources.s1.shell = /bin/bash -c
#將sources與channels進行綁定
a1.sources.s1.channels = c1
#配置sink
a1.sinks.k1.type = logger
#將sinks與channels進行綁定
a1.sinks.k1.channel = c1
#配置channel類型
a1.channels.c1.type = memory
2. 啟動
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/exec-memory-logger.properties \
--name a1 \
-Dflume.root.logger=INFO,console
3. 測試
向文件中追加數據:
控制台的顯示:
6.2 案例二
需求: 監聽指定目錄,將目錄下新增加的文件存儲到 HDFS。
實現:使用 Spooling Directory Source
和 HDFS Sink
。
1. 配置
#指定agent的sources,sinks,channels
a1.sources = s1
a1.sinks = k1
a1.channels = c1
#配置sources屬性
a1.sources.s1.type =spooldir
a1.sources.s1.spoolDir =/tmp/logs
a1.sources.s1.basenameHeader = true
a1.sources.s1.basenameHeaderKey = fileName
#將sources與channels進行綁定
a1.sources.s1.channels =c1
#配置sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H/
a1.sinks.k1.hdfs.filePrefix = %{fileName}
#生成的文件類型,預設是Sequencefile,可用DataStream,則為普通文本
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#將sinks與channels進行綁定
a1.sinks.k1.channel = c1
#配置channel類型
a1.channels.c1.type = memory
2. 啟動
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/spooling-memory-hdfs.properties \
--name a1 -Dflume.root.logger=INFO,console
3. 測試
拷貝任意文件到監聽目錄下,可以從日誌看到文件上傳到 HDFS 的路徑:
# cp log.txt logs/
查看上傳到 HDFS 上的文件內容與本地是否一致:
# hdfs dfs -cat /flume/events/19-04-09/13/log.txt.1554788567801
6.3 案例三
需求: 將本伺服器收集到的數據發送到另外一臺伺服器。
實現:使用 avro sources
和 avro Sink
實現。
1. 配置日誌收集Flume
新建配置 netcat-memory-avro.properties
,監聽文件內容變化,然後將新的文件內容通過 avro sink
發送到 hadoop001 這台伺服器的 8888 埠:
#指定agent的sources,sinks,channels
a1.sources = s1
a1.sinks = k1
a1.channels = c1
#配置sources屬性
a1.sources.s1.type = exec
a1.sources.s1.command = tail -F /tmp/log.txt
a1.sources.s1.shell = /bin/bash -c
a1.sources.s1.channels = c1
#配置sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop001
a1.sinks.k1.port = 8888
a1.sinks.k1.batch-size = 1
a1.sinks.k1.channel = c1
#配置channel類型
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
2. 配置日誌聚合Flume
使用 avro source
監聽 hadoop001 伺服器的 8888 埠,將獲取到內容輸出到控制台:
#指定agent的sources,sinks,channels
a2.sources = s2
a2.sinks = k2
a2.channels = c2
#配置sources屬性
a2.sources.s2.type = avro
a2.sources.s2.bind = hadoop001
a2.sources.s2.port = 8888
#將sources與channels進行綁定
a2.sources.s2.channels = c2
#配置sink
a2.sinks.k2.type = logger
#將sinks與channels進行綁定
a2.sinks.k2.channel = c2
#配置channel類型
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
3. 啟動
啟動日誌聚集 Flume:
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/avro-memory-logger.properties \
--name a2 -Dflume.root.logger=INFO,console
在啟動日誌收集 Flume:
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/netcat-memory-avro.properties \
--name a1 -Dflume.root.logger=INFO,console
這裡建議按以上順序啟動,原因是 avro.source
會先與埠進行綁定,這樣 avro sink
連接時才不會報無法連接的異常。但是即使不按順序啟動也是沒關係的,sink
會一直重試,直至建立好連接。
4.測試
向文件 tmp/log.txt
中追加內容:
可以看到已經從 8888 埠監聽到內容,併成功輸出到控制台:
更多大數據系列文章可以參見 GitHub 開源項目: 大數據入門指南