【大数据】Flume-1.9.0安装➕入门案例

---

前言

大数据解决的无非是海量数据的采集、存储、计算，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能保证数据的可靠性，但不能保证数据的重复性

---

一、Flume概述

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

Flume基础架构

Flume组成架构如下图所示：

架构解读：

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
2. Source
   Source是负责接收数据到Flume Agent的组件。Source组件可以处理各种类型、各种格式的日志数据，包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy
3. Channel
   Channel是位于Source和Sink之间的缓冲区。因此，Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作。Flume自带两种Channel：Memory Channel和File Channel

1️⃣Memory Channel是内存中的队列。Memory Channel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么Memory Channel就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失
2️⃣File Channel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据，但是慢

4. Sink
   Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。Sink是完全事务性的。在从Channel批量删除数据之前，每个Sink用Channel启动一个事务。批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务。事务一旦被提交，该Channel从自己的内部缓冲区删除事件。Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定义

5. Event
   将数据封装成传输单元，Flume数据传输的基本单元，以事件的形式将数据从源头送至目的地。 Event由可选的header和载有数据的一个byte array 构成。Header是容纳了key-value字符串对的HashMap

二、Flume-1.9.0安装➕入门案例

官方详细文档.点击查看，后面的配置文件要根据自身情况酌情修改避免出bug!

1. 下载1.9.0解压

# 下载
cd /opt/software;wget https://archive.apache.org/dist/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz
# 解压
tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/module/;cd /opt/module/;ll
# 改名
mv apache-flume-1.9.0-bin/ flume-1.11.0;ll
# 删除guava-11.0.2.jar用来兼容Hadoop
cd lib;rm -rf flume-1.9.0/lib/guava-11.0.2.jar
# 修改文件，如下图
cd ../conf; vim log4j.properties
mv flume-env.sh.template flume-env.sh
vim flume-env.sh

2. 监控端口数据官方案例

前往查看官方案例及代码

案例详情如下图：

# 安装netcat工具
yum install -y nc
# 轻量的通讯工具，使用nc命令开启服务端
nc -lk 9999
# 再开一个终端开客户端，即可实现通讯
nc localhost 9999

netstat命令是一个监控TCP/IP网络的非常有用的工具，它可以显示路由表、实际的网络连接以及每一个网络接口设备的状态信息

netstat [选项]	描述
-t / –tcp	显示TCP传输协议的连线状况
-u / –udp	显示UDP传输协议的连线状况
-n / –numeric	直接使用ip地址，而不通过域名服务器
-l / –listening	显示监控中的服务器的Socket
-p / –programs	显示正在使用Socket的程序识别码（PID）和程序名称

# 判断44444端口是否被占用
netstat -tunlp | grep 44444
# 创建Flume Agent配置文件flume-netcat-logger.conf（flume目录下）
mkdir job;cd job;vim flume-netcat-logger.conf

添加以下内容：

# Name the components on this agent(a1)
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 = 44444

# 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
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

# 开启flume监听端口
bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
# 使用netcat工具向本机的44444端口发送内容
nc localhost 44444

如果你也报错，slf4j冲突！（hive也有这个问题出现过）

解决方案：

参数说明：
1️⃣–conf conf/：表示配置文件存储在conf/目录
2️⃣–name a1 ：表示给agent起名为a1
3️⃣–conf-file job/flume-netcat.conf：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。
4️⃣-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

3. 实时读取本地文件（hive.log）到HDFS案例

实时监控Hive日志，并上传到HDFS中（先启动Hdfs）

# 检查Hadoop、java环境变量/etc/profile.d/my_env.sh是否配置正确
# 创建job/flume-file-hdfs.conf文件
cd job;vim flume-file-hdfs.conf

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

# Describe the sink
a2.sinks.k2.type = hdfs
# 端口号一定要和core-site.xml配置的相同
a2.sinks.k2.hdfs.path = hdfs://hadoop102:8020/flume/%Y%m%d/%H
# 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(设置1000会报错，不能超过transactionCapacity的值，否则hdfs不给出现flume目录)
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(生产环境下3600s0)
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

# 执行语句后即可监听
bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

前往hdfs上查看

4. 实时读取目录文件到HDFS案例

使用Flume监听整个目录的文件，并上传到hdfs

# 创建配置文件及监视目录
vim job/flume-dir-hdfs.conf
mkdir upload

# ===============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/flume-1.9.0/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
#忽略所有以.tmp(以及.COMPLETED)结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload/%Y%m%d/%H
#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 = 1000
a3.channels.c3.transactionCapacity = 100

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

bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

不要传同一个名字的文件，不要在监控目录中创建并持续修改文件

5. 实时监控目录下多个追加文件

Exec source 适用于监控一个实时追加的文件，不能实现断点续传；Spooldir Source适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步；而 Taidir Source适合用于监听多个实时追加的文件，并且能够实现断点续传

案例详情如下图：

# 创建配置文件
vim job/flume-taildir-hdfs.conf
mkdir files files2
touch tail_dir.json

# ===============添加如下内容=====================
a3.sources = r3
a3.sinks = k3
a3.channels = c3

#configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /opt/module/flume-1.9.0	/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume-1.9.0/files/.*file.*
a3.sources.r3.filegroups.f2 = /opt/module/flume-1.9.0/files2/.*log.* 

#configure the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/test2/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = test-
#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

#configure the channel
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100

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

bin/flume-ng agent --name a3 --conf conf/ --conf-file job/flume-taildir-hdfs.conf

# 创建文本后在hdfs中查看实时改变的文本，超过一定时间后在hdfs后另外生成一个文件 
cd files;vim file1.txt
echo hello > file1.txt
mv file1.txt file2.txt

源码中通过inode值以及file目录地址名来确定文件是否是同一文件，flume配置修改无法解决需求，那就修改源码更改判断逻辑，使数据合理易采集

---

总结

✍出bug多看看flume目录下的flume`.log文件查看错误信息，问问al轻松解决！

罪魁祸首（-f）！

✍Flume日志数据采集：Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。

Flume可以采集文件，socket数据包、文件、文件夹、kafka等各种形式源数据，又可以将采集到的数据(下沉sink)输出到HDFS、hbase、hive、kafka等众多外部存储系统中

一般的采集需求，通过对flume的简单配置即可实现

Flume针对特殊场景也具备良好的自定义扩展能力，因此，flume可以适用于大部分的日常数据采集场景

✍flume不同source介绍：

• Exce Source：这个source的功能是可以使用一条Linux命令，来动态获取一个文件中的数据。
  适用场景：适用于监控一个实时追加的文件
  缺点：不能实现断点续传（宣告了不使用它）

• Spooling Directory Source：这个source的功能是可以动态的监听一个目录，如果目录中产生新的文件，就会将新的文件进行采集，被采集的文件会被打上一个标记，之后文件再发生变化时不会再进行同步。
  适用场景：适用于会产生多个文件的情况，且文件后续不会再发生变化
  缺点：不适合实时追加文件的监听

• TailDir Source（用的多）
  这个source可以实时监控一批文件，并记录每个文件的最新的消费问题，宕机重启后不会有重复消费问题。
  适用场景：监控多个数据源，可以是目录，可以是文件，每个数据源中的每个文件都可以动态变化。且可以实现断点续传，不会出现重复消费问题。
  其中，taildir_position.json这个文件保证了不会出现重复采集的功能。

• avro Source
  这个source主要用于网络协议，监听端口，实现采集端口的数据

• kafka Source
  这个source主要用于输入源是Kafka的情况

• 现在一般情况下，除去一些特殊的输入源，一般都使用TailDir Source这个类型

✍下一节，flume事务！