1）采集目录到 HDFS
采集需求：服务器的某特定目录下，会不断产生新的文件，每当有新文件出现， 就需要把文件采集到 HDFS 中去 根据需求，首先定义以下 3 大要素 采集源，即 source——监控文件目录 : spooldir 下沉目标，即 sink——HDFS 文件系统 : hdfs sink source 和 sink 之间的传递通道——channel，可用 file channel 也可以用内存 channel 配置文件编写：
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /root/logs
a1.sources.r1.fileHeader = true
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
a1.sinks.k1.hdfs.rollInterval = 3
a1.sinks.k1.hdfs.rollSize = 20
a1.sinks.k1.hdfs.rollCount = 5
a1.sinks.k1.hdfs.batchSize = 1
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件类型，默认是 Sequencefile，可用 DataStream，则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
roll控制写入hdfs文件 以何种方式进行滚动 a1.sinks.k1.hdfs.rollInterval = 3 以时间间隔 a1.sinks.k1.hdfs.rollSize = 20 以文件大小 a1.sinks.k1.hdfs.rollCount = 5 以event个数 如果三个都配置 谁先满足谁触发滚动 如果不想以某种属性滚动 设置为0即可
是否开启时间上的舍弃 控制文件夹以多少时间间隔滚动 以下述为例：就会每10分钟生成一个文件夹 a1.sinks.k1.hdfs.round = true a1.sinks.k1.hdfs.roundValue = 10 a1.sinks.k1.hdfs.roundUnit = minute
Channel 参数解释： capacity：默认该通道中最大的可以存储的 event 数量 trasactionCapacity：每次最大可以从 source 中拿到或者送到 sink 中的 event数量
启动命令：bin/flume-ng agent -c ./conf -f ./conf/spool-hdfs.conf -n a1 -Dflume.root.logger=INFO,console
测试： 往/root/logs2放文件，但是不要在里面生成文件
- 注意其监控的文件夹下面不能有同名文件的产生
- 如果有 报错且罢工 后续就不再进行数据的监视采集了
- 在企业中通常给文件追加时间戳命名的方式保证文件不会重名
2）采集文件到 HDFS
采集需求：比如业务系统使用 log4j 生成的日志，日志内容不断增加，需要把追加到日志文件中的数据实时采集到 hdfs
根据需求，首先定义以下 3 大要素 采集源，即 source——监控文件内容更新 : exec ‘tail -F file’ 下沉目标，即 sink——HDFS 文件系统 : hdfs sink Source 和 sink 之间的传递通道——channel，可用 file channel 也可以用 内存 channel
配置文件编写：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /root/logs/test.log
a1.sources.r1.channels = c1
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/tailout/%y-%m-%d/%H%M/
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
a1.sinks.k1.hdfs.rollInterval = 3
a1.sinks.k1.hdfs.rollSize = 20
a1.sinks.k1.hdfs.rollCount = 5
a1.sinks.k1.hdfs.batchSize = 1
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件类型，默认是 Sequencefile，可用 DataStream，则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
启动命令：bin/flume-ng agent -c conf -f conf/tail-hdfs.conf -n a1 -Dflume.root.logger=INFO,console
使用该脚本模拟数据实时变化的过程：while true; do date >> /root/logs/test.log;done exec source 可以执行指定的linux command 把命令的结果作为数据进行收集
3）参数解析
rollInterval 默认值：30 hdfs sink 间隔多长将临时文件滚动成最终目标文件，单位：秒； 如果设置成 0，则表示不根据时间来滚动文件； 注：滚动（roll）指的是，hdfs sink 将临时文件重命名成最终目标文 件，并新打开一个临时文件来写入数据； rollSize 默认值：1024 当临时文件达到该大小（单位：bytes）时，滚动成目标文件； 如果设置成 0，则表示不根据临时文件大小来滚动文件； rollCount 默认值：10 当 events 数据达到该数量时候，将临时文件滚动成目标文件； 如果设置成 0，则表示不根据 events 数据来滚动文件； round 默认值：false 是否启用时间上的“舍弃”，这里的“舍弃”，类似于“四舍五入”。 roundValue 默认值：1 时间上进行“舍弃”的值；
roundUnit 默认值：seconds 时间上进行“舍弃”的单位，包含：second,minute,hour 示例： a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/%S a1.sinks.k1.hdfs.round = true a1.sinks.k1.hdfs.roundValue = 10 a1.sinks.k1.hdfs.roundUnit = minute 当时间为 2015-10-16 17:38:59 时候，hdfs.path 依然会被解析为： /flume/events/20151016/17:30/00 因为设置的是舍弃 10 分钟内的时间，因此，该目录每 10 分钟新生成一个。
