大数据：数据采集平台之Apache Flume

  1. Apache Flume
    详情请看文章：《大数据：数据采集平台之Apache Flume》
  2. Fluentd
    详情请看文章：《大数据：数据采集平台之Fluentd》
  3. Logstash
    详情请看文章：《大数据：数据采集平台之Logstash》
  4. Apache Chukwa
    详情请看文章：《大数据：数据采集平台之Apache Chukwa 》
  5. Scribe
    详情请看文章：《大数据：数据采集平台之Scribe 》
  6. Splunk Forwarder
    详情请看文章：《大数据：数据采集平台之Splunk Forwarder》

官网： https://flume.apache.org/

Flume 是Apache旗下的一款开源、高可靠、高扩展、容易管理、支持客户扩展的数据采集系统。 Flume使用JRuby来构建，所以依赖Java运行环境。

Flume最初是由Cloudera的工程师设计用于合并日志数据的系统，后来逐渐发展用于处理流数据事件。

flume采集binlog日志 flume数据采集_Apache Flume


Flume设计成一个分布式的管道架构，可以看作在数据源和目的地之间有一个Agent的网络，支持数据路由。

flume采集binlog日志 flume数据采集_Apache Flume_02


每一个agent都由Source，Channel和Sink组成。

  1. Source：Source负责接收输入数据，并将数据写入管道。Flume的Source支持HTTP，JMS，RPC，NetCat，Exec，Spooling Directory。其中Spooling支持监视一个目录或者文件，解析其中新生成的事件。
  2. Channel：Channel 存储，缓存从source到Sink的中间数据。可使用不同的配置来做Channel，例如内存，文件，JDBC等。使用内存性能高但不持久，有可能丢数据。使用文件更可靠，但性能不如内存。
  3. Sink：Sink负责从管道中读出数据并发给下一个Agent或者最终的目的地。Sink支持的不同目的地种类包括：HDFS，HBASE，Solr，ElasticSearch，File，Logger或者其它的Flume Agent。

Flume在source和sink端都使用了transaction机制保证在数据传输中没有数据丢失。

flume采集binlog日志 flume数据采集_数据采集_03


Source上的数据可以复制到不同的通道上。每一个Channel也可以连接不同数量的Sink。这样连接不同配置的Agent就可以组成一个复杂的数据收集网络。通过对agent的配置，可以组成一个路由复杂的数据传输网络。

flume采集binlog日志 flume数据采集_大数据_04


配置如上图所示的agent结构，Flume支持设置sink的Failover和Load Balance，这样就可以保证即使有一个agent失效的情况下，整个系统仍能正常收集数据。Flume中传输的内容定义为事件(Event)，事件由Headers(包含元数据，Meta Data)和Payload组成。

flume采集binlog日志 flume数据采集_数据采集_05


Flume提供SDK，可以支持用户定制开发：

Flume客户端负责在事件产生的源头把事件发送给Flume的Agent。客户端通常和产生数据源的应用在同一个进程空间。常见的Flume 客户端有Avro，log4J，syslog和HTTP Post。另外ExecSource支持指定一个本地进程的输出作为Flume的输入。当然很有可能，以上的这些客户端都不能满足需求，用户可以定制的客户端，和已有的FLume的Source进行通信，或者定制实现一种新的Source类型。

同时，用户可以使用Flume的SDK定制Source和Sink。似乎不支持定制的Channel。

参考：https://mp.weixin.qq.com/s/emQ_94T0_Hw3ywQc0-4Dtg