目录

  • 一、Flume概述
  • 1. Flume定义
  • 2. Flume基础架构
  • 2.1 Agent
  • 2.2 Source
  • 2.3 Sink
  • 2.4 Channel
  • 2.5 Event
  • 二、Flume快速入门
  • 1. Flume安装部署
  • 1.1 安装地址
  • 1.2 安装部署
  • 2. Flume入门案例
  • 2.1 监控端口数据案例
  • 2.2 实时监控单个文件案例
  • 2.3 监控多个新文件案例
  • 2.4 实时监控多个文件案例


一、Flume概述

1. Flume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. Flume基础架构

flume被淘汰了吗 flumet_hadoop

2.1 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。
  一个Source可以对应多个Channel，一个Sink只能对应一个Channel。

2.2 Source

avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、tailDir。

  exec：监控文件，能实时，不能实现断点续传
  spooling directory：监控目录，不能实时监控，能实现断点续传，
  netcat：收集某个端口的数据，测试用的比较多
  avro：Flume串联的时候才使用的到，实现Agent的串联。
  taildir：既能够实现断点续传，又可以保证数据不丢失，还能够进行实时监控

2.3 Sink

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。

  hdfs：
  logger：接收到的数据通过日志的形式打印出来，测试的时候使用比较多
  file：接收到的写到本地文件
  HBase：

2.4 Channel

解耦的作用，具有缓冲的作用.
  Flume 自带两重channel：Memory Channel和File Channel。

  Memory Channel：内存中的队列，速度快，在不需要关心数据丢失的情景下适用。
  File Channel：将所有事件写到磁盘，稳定性高。

2.5 Event

  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。

flume被淘汰了吗 flumet_HDFS_02

二、Flume快速入门

1. Flume安装部署

1.1 安装地址

（1） Flume官网地址
http://flume.apache.org/ （2）文档查看地址
http://flume.apache.org/FlumeUserGuide.html
（3）下载地址
http://archive.apache.org/dist/flume/

1.2 安装部署
  1. 将apache-flume-1.7.0-bin.tar.gz上传到linux的/opt/software目录下
  2. 解压apache-flume-1.7.0-bin.tar.gz到/opt/module/目录下
tar -zxf apache-flume-1.7.0-bin.tar.gz -C /opt/module/
  1. 我修改apache-flume-1.7.0-bin的名称为flume
  2. 将flume/conf下的flume-env.sh.template文件修改为flume-env.sh，并配置flume-env.sh文件
export JAVA_HOME=/opt/module/jdk1.8.0_144

2. Flume入门案例

2.1 监控端口数据案例
  1. 需求：
      使用Flume监听一个端口，收集该端口数据，并打印到控制台。
  2. 需求分析
    （1）通过netcat工具箱本机的某个端口（这里设为44444）发送数据
    （2）Flume监控本机的44444端口，通过Flume 的 source 端读取数据。
    （3）Flume将获取的数据通过 Sink 端写出到控制台。
  3. 实现步骤
    （1）安装 netcat 工具
sudo yum install -y nc

（2）判断 44444 端口是否被占用

sudo netstat -tunlp | grep 4444

（3）创建Flume Agent 配置文件 flume-netcat-logger.conf
  ①在 flume 目录下创建 job 文件夹并进入job 文件夹。
  ②在job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf
  在flume-netcat-logger.conf文件中添加如下内容：

# Name the components on this agent
# 给source、channel、sink命名
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
# 描述source
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop102
a1.sources.r1.port = 44444

# Describe the sink
# 描述sink
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
# 描述channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 1000

# Bind the source and sink to the channel
# 指定source 与 channel，sink 与 channel的关系
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

关于配置文件配置也可自行查看官方手册http://flume.apache.org/FlumeUserGuide.html

配置文件的解析如下：

flume被淘汰了吗 flumet_hadoop_03


（4）先开启flume 监听端口

第一种写法：

[fseast@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

第二种写法：

[fseast@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

参数说明：

--name/-n：表示给agent起名为a1
	--conf-file/-f：flume本次启动读取的配置文件是在job文件夹下的flume-telnet.conf文件。
	-Dflume.root.logger=INFO,console ：-D表示flume运行时动态修改flume.root.logger参数属性值，
		并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error。

（5）再开一个hadoop102的窗口，使用netcat工具向本机的4444端口发送内容

[fseast@hadoop102 ~]$ nc hadoop102 44444
hello 
test

（6）在Flume 监听页面观察接收数据情况：

flume被淘汰了吗 flumet_hdfs_04

2.2 实时监控单个文件案例
  1. 案例需求：实时监控某个文件，并上传到HDFS 中
  2. 分析：
      使用Exec Source，要想读取Linux系统中的文件，就得按照Linux命令的规则执行命令。由于Hive日志在Linux系统中所以读取文件的类型选择：exec即execute执行的意思。表示执行Linux命令来读取文件。
      使用Memory Channel
      使用HDFS Sink
    （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）追加数据到/opt/module/datas/hive/hive.log
    （4）查看HDFS上数据
  3. 步骤
    （1）Flume要想将数据输出到HDFS，必须持有Hadoop相关jar包（如果已经装hadoop并配了HADOOP_HOME的，可以不用导jar包，如果在业务服务器上（没有装hadoop的），就需要导下面的jar包）
    将：
commons-configuration-1.6.jar、
hadoop-auth-2.7.2.jar、
hadoop-common-2.7.2.jar、
hadoop-hdfs-2.7.2.jar、
commons-io-2.4.jar、
htrace-core-3.1.0-incubating.jar

拷贝到flume安装目录下的lib文件夹下。

（2）创建 flume-file-hdfs.conf文件
添加如下内容：

# 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/datas/hive/hive.log
a2.sources.r2.shell = /bin/bash -c

# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:9000/flume/%Y%m%d/%H%M
#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
#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 = 10000
a2.channels.c2.transactionCapacity = 1000

# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

注意：

对于所有与时间相关的转义序列，Event Header中必须存在以 “timestamp”的key（除非hdfs.useLocalTimeStamp设置为true，此方法会使用TimestampInterceptor自动添加timestamp）。

a2.sinks.k2.hdfs.useLocalTimeStamp = true

配置文件解析：

flume被淘汰了吗 flumet_Flume_05


（3）运行Flume（因为要上传到HDFS，所以先启动hadoop）

[fseast@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

（4）向 /opt/module/datas/hive/hive.log追加文件

（5）在HDFS上查看文件：

flume被淘汰了吗 flumet_hadoop_06

2.3 监控多个新文件案例
  1. 案例需求：使用Flume 监听整个目录的文件，并上传至HDFS
  2. 需求分析：
    （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）向被监控目录添加文件
    （4）查看HDFS上数据
    （5）查看/opt/module/datas/flume目录中上传的文件是否已经标记为.COMPLETED结尾。.tmp后缀结尾文件没有上传。
  3. 实现步骤：
    （1）创建配置文件 flume-dir-hdfs.conf
    并添加如下内容：
a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/datas/flume
a3.sources.r3.fileSuffix = .COMPLETED
#忽略所有以.tmp结尾的文件，不上传
a3.sources.r3.ignorePattern = \\S*\\.tmp

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:9000/flume/upload/%Y%m%d/%H%M
#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 = 10000
a3.channels.c3.transactionCapacity = 1000

# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

配置分析：

flume被淘汰了吗 flumet_flume被淘汰了吗_07

（2）启动监控文件夹命令

[fseast@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

（3）在目录外创建几个文件，并移动到/opt/module/datas/flume目录下

（4）查看HDFS上的数据

flume被淘汰了吗 flumet_hdfs_08

（5）查看监控文件/opt/module/datas/flume

flume被淘汰了吗 flumet_HDFS_09

2.4 实时监控多个文件案例

  Exec source适用于监控一个实时追加的文件，但不能保证数据不丢失；Spooldir Source能够保证数据不丢失，且能够实现断点续传，但延迟较高，不能实时监控；而Taildir Source既能够实现断点续传，又可以保证数据不丢失，还能够进行实时监控。

  1. 案例需求：使用Flume监听整个目录的实时追加文件，并上传至HDFS
  2. 需求分析：
    （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）向监控文件追加内容
    （4）查看HDFS上数据
  3. 实现步骤：
    （1）创建配置文件 flume-taildir-hdfs.conf
    并添加如下内容：
a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /opt/module/datas/tail_dir.json
a3.sources.r3.filegroups = f1
a3.sources.r3.filegroups.f1 = /opt/module/datas/flume2/file.*

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:9000/flume/upload/%Y%m%d/%H%M
#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 = 10000
a3.channels.c3.transactionCapacity = 1000

# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

配置分析：

flume被淘汰了吗 flumet_flume被淘汰了吗_10

（2）启动架空文件夹命令

[fseast@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-taildir-hdfs.conf

（3）向flume2文件夹中追加内容
在/opt/module/datas/目录下创建flume2文件夹
向文件夹中添加文件

[fseast@hadoop102 files]$ echo hello >> file1.txt

（4）查看HDFS上的数据

flume被淘汰了吗 flumet_hdfs_11


Taildir 简要了解：

  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。