flume架构及应用介绍

2019独角兽企业重金招聘Python工程师标准>>>

在具体介绍本文内容之前&＃xff0c;先给大家看一下Hadoop业务的整体开发流程&＃xff1a;
这里写图片描述
从Hadoop的业务开发流程图中可以看出&＃xff0c;在大数据的业务处理过程中&＃xff0c;对于数据的采集是十分重要的一步&＃xff0c;也是不可避免的一步&＃xff0c;从而引出我们本文的主角—Flume。本文将围绕Flume的架构、Flume的应用(日志采集)进行详细的介绍。
&＃xff08;一&＃xff09;Flume架构介绍
1、Flume的概念
这里写图片描述
flume是分布式的日志收集系统&＃xff0c;它将各个服务器中的数据收集起来并送到指定的地方去&＃xff0c;比如说送到图中的HDFS&＃xff0c;简单来说flume就是收集日志的。
2、Event的概念
在这里有必要先介绍一下flume中event的相关概念&＃xff1a;flume的核心是把数据从数据源(source)收集过来&＃xff0c;在将收集到的数据送到指定的目的地(sink)。为了保证输送的过程一定成功&＃xff0c;在送到目的地(sink)之前&＃xff0c;会先缓存数据(channel),待数据真正到达目的地(sink)后&＃xff0c;flume在删除自己缓存的数据。
在整个数据的传输的过程中&＃xff0c;流动的是event&＃xff0c;即事务保证是在event级别进行的。那么什么是event呢&＃xff1f;—–event将传输的数据进行封装&＃xff0c;是flume传输数据的基本单位&＃xff0c;如果是文本文件&＃xff0c;通常是一行记录&＃xff0c;event也是事务的基本单位。event从source&＃xff0c;流向channel&＃xff0c;再到sink&＃xff0c;本身为一个字节数组&＃xff0c;并可携带headers(头信息)信息。event代表着一个数据的最小完整单元&＃xff0c;从外部数据源来&＃xff0c;向外部的目的地去。
为了方便大家理解&＃xff0c;给出一张event的数据流向图&＃xff1a;
这里写图片描述
一个完整的event包括&＃xff1a;event headers、event body、event信息(即文本文件中的单行记录)&＃xff0c;如下所以&＃xff1a;

其中event信息就是flume收集到的日记记录。
3、flume架构介绍
flume之所以这么神奇&＃xff0c;是源于它自身的一个设计&＃xff0c;这个设计就是agent&＃xff0c;agent本身是一个java进程&＃xff0c;运行在日志收集节点—所谓日志收集节点就是服务器节点。
agent里面包含3个核心的组件&＃xff1a;source—->channel—–>sink,类似生产者、仓库、消费者的架构。
source&＃xff1a;source组件是专门用来收集数据的&＃xff0c;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、自定义。
channel&＃xff1a;source组件把数据收集来以后&＃xff0c;临时存放在channel中&＃xff0c;即channel组件在agent中是专门用来存放临时数据的——对采集到的数据进行简单的缓存&＃xff0c;可以存放在memory、jdbc、file等等。
sink&＃xff1a;sink组件是用于把数据发送到目的地的组件&＃xff0c;目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定义。
4、flume的运行机制
flume的核心就是一个agent&＃xff0c;这个agent对外有两个进行交互的地方&＃xff0c;一个是接受数据的输入——source&＃xff0c;一个是数据的输出sink&＃xff0c;sink负责将数据发送到外部指定的目的地。source接收到数据之后&＃xff0c;将数据发送给channel&＃xff0c;chanel作为一个数据缓冲区会临时存放这些数据&＃xff0c;随后sink会将channel中的数据发送到指定的地方—-例如HDFS等&＃xff0c;注意&＃xff1a;只有在sink将channel中的数据成功发送出去之后&＃xff0c;channel才会将临时数据进行删除&＃xff0c;这种机制保证了数据传输的可靠性与安全性。
5、flume的广义用法
flume之所以这么神奇—-其原因也在于flume可以支持多级flume的agent&＃xff0c;即flume可以前后相继&＃xff0c;例如sink可以将数据写到下一个agent的source中&＃xff0c;这样的话就可以连成串了&＃xff0c;可以整体处理了。flume还支持扇入(fan-in)、扇出(fan-out)。所谓扇入就是source可以接受多个输入&＃xff0c;所谓扇出就是sink可以将数据输出多个目的地destination中。
这里写图片描述
&＃xff08;二&＃xff09;flume应用—日志采集
对于flume的原理其实很容易理解&＃xff0c;我们更应该掌握flume的具体使用方法&＃xff0c;flume提供了大量内置的Source、Channel和Sink类型。而且不同类型的Source、Channel和Sink可以自由组合—–组合方式基于用户设置的配置文件&＃xff0c;非常灵活。比如&＃xff1a;Channel可以把事件暂存在内存里&＃xff0c;也可以持久化到本地硬盘上。Sink可以把日志写入HDFS, HBase&＃xff0c;甚至是另外一个Source等等。下面我将用具体的案例详述flume的具体用法。
其实flume的用法很简单—-书写一个配置文件&＃xff0c;在配置文件当中描述source、channel与sink的具体实现&＃xff0c;而后运行一个agent实例&＃xff0c;在运行agent实例的过程中会读取配置文件的内容&＃xff0c;这样flume就会采集到数据。
配置文件的编写原则&＃xff1a;
1>从整体上描述代理agent中sources、sinks、channels所涉及到的组件

# Name the components on this agenta1.sources &＃61; r1a1.sinks &＃61; k1a1.channels &＃61; c1

2>详细描述agent中每一个source、sink与channel的具体实现&＃xff1a;即在描述source的时候&＃xff0c;需要
指定source到底是什么类型的&＃xff0c;即这个source是接受文件的、还是接受http的、还是接受thrift
的&＃xff1b;对于sink也是同理&＃xff0c;需要指定结果是输出到HDFS中&＃xff0c;还是Hbase中啊等等&＃xff1b;对于channel
需要指定是内存啊&＃xff0c;还是数据库啊&＃xff0c;还是文件啊等等。

# Describe/configure the sourcea1.sources.r1.type &＃61; netcata1.sources.r1.bind &＃61; localhosta1.sources.r1.port &＃61; 44444# Describe the sinka1.sinks.k1.type &＃61; logger# Use a channel which buffers events in memorya1.channels.c1.type &＃61; memorya1.channels.c1.capacity &＃61; 1000a1.channels.c1.transactionCapacity &＃61; 100

3>通过channel将source与sink连接起来

# Bind the source and sink to the channela1.sources.r1.channels &＃61; c1a1.sinks.k1.channel &＃61; c1

启动agent的shell操作&＃xff1a;

flume-ng agent -n a1 -c ../conf -f ../conf/example.file -Dflume.root.logger&＃61;DEBUG,console

参数说明&＃xff1a; -n 指定agent名称(与配置文件中代理的名字相同)
-c 指定flume中配置文件的目录
-f 指定配置文件
-Dflume.root.logger&＃61;DEBUG,console 设置日志等级

具体案例&＃xff1a;
案例1&＃xff1a; NetCat Source&＃xff1a;监听一个指定的网络端口&＃xff0c;即只要应用程序向这个端口里面写数据&＃xff0c;这个source组件就可以获取到信息。其中 Sink&＃xff1a;logger Channel&＃xff1a;memory
flume官网中NetCat Source描述&＃xff1a;

Property Name Default Description channels – type – The component type name, needs to be netcat bind – 日志需要发送到的主机名或者Ip地址&＃xff0c;该主机运行着netcat类型的source在监听 port – 日志需要发送到的端口号&＃xff0c;该端口号要有netcat类型的source在监听

a) 编写配置文件&＃xff1a;

b) 启动flume agent a1 服务端

flume-ng agent -n a1 -c ../conf -f ../conf/netcat.conf -Dflume.root.logger&＃61;DEBUG,console

c) 使用telnet发送数据

telnet 192.168.80.80 44444 big data world&＃xff01;&＃xff08;windows中运行的&＃xff09;

d) 在控制台上查看flume收集到的日志数据&＃xff1a;
这里写图片描述

案例2&＃xff1a;NetCat Source&＃xff1a;监听一个指定的网络端口&＃xff0c;即只要应用程序向这个端口里面写数据&＃xff0c;这个source组件就可以获取到信息。其中 Sink&＃xff1a;hdfs Channel&＃xff1a;file (相比于案例1的两个变化)
flume官网中HDFS Sink的描述&＃xff1a;
这里写图片描述
a) 编写配置文件&＃xff1a;

# Name the components on this agent a1.sources &＃61; r1 a1.sinks &＃61; k1 a1.channels &＃61; c1# Describe/configure the source a1.sources.r1.type &＃61; netcat a1.sources.r1.bind &＃61; 192.168.80.80 a1.sources.r1.port &＃61; 44444# Describe the sink a1.sinks.k1.type &＃61; hdfs a1.sinks.k1.hdfs.path &＃61; hdfs://hadoop80:9000/dataoutput a1.sinks.k1.hdfs.writeFormat &＃61; Text a1.sinks.k1.hdfs.fileType &＃61; DataStream a1.sinks.k1.hdfs.rollInterval &＃61; 10 a1.sinks.k1.hdfs.rollSize &＃61; 0 a1.sinks.k1.hdfs.rollCount &＃61; 0 a1.sinks.k1.hdfs.filePrefix &＃61; %Y-%m-%d-%H-%M-%S a1.sinks.k1.hdfs.useLocalTimeStamp &＃61; true# Use a channel which buffers events in file a1.channels.c1.type &＃61; file a1.channels.c1.checkpointDir &＃61; /usr/flume/checkpoint a1.channels.c1.dataDirs &＃61; /usr/flume/data# Bind the source and sink to the channel a1.sources.r1.channels &＃61; c1 a1.sinks.k1.channel &＃61; c1

b) 启动flume agent a1 服务端

flume-ng agent -n a1 -c ../conf -f ../conf/netcat.conf -Dflume.root.logger&＃61;DEBUG,console

c) 使用telnet发送数据

telnet 192.168.80.80 44444 big data world&＃xff01;&＃xff08;windows中运行的&＃xff09;

d) 在HDFS中查看flume收集到的日志数据&＃xff1a;
这里写图片描述
案例3&＃xff1a;Spooling Directory Source&＃xff1a;监听一个指定的目录&＃xff0c;即只要应用程序向这个指定的目录中添加新的文件&＃xff0c;source组件就可以获取到该信息&＃xff0c;并解析该文件的内容&＃xff0c;然后写入到channle。写入完成后&＃xff0c;标记该文件已完成或者删除该文件。其中 Sink&＃xff1a;logger Channel&＃xff1a;memory
flume官网中Spooling Directory Source描述&＃xff1a;

Property Name Default Description channels – type – The component type name, needs to be spooldir. spoolDir – Spooling Directory Source监听的目录 fileSuffix .COMPLETED 文件内容写入到channel之后&＃xff0c;标记该文件 deletePolicy never 文件内容写入到channel之后的删除策略: never or immediate fileHeader false Whether to add a header storing the absolute path filename. ignorePattern ^$ Regular expression specifying which files to ignore (skip) interceptors – 指定传输中event的head(头信息)&＃xff0c;常用timestamp

Spooling Directory Source的两个注意事项&＃xff1a;

①If a file is written to after being placed into the spooling directory, Flume will print an error to its log file and stop processing. 即&＃xff1a;拷贝到spool目录下的文件不可以再打开编辑 ②If a file name is reused at a later time, Flume will print an error to its log file and stop processing. 即&＃xff1a;不能将具有相同文件名字的文件拷贝到这个目录下

a) 编写配置文件&＃xff1a;

b) 启动flume agent a1 服务端

flume-ng agent -n a1 -c ../conf -f ../conf/spool.conf -Dflume.root.logger&＃61;DEBUG,console

c) 使用cp命令向Spooling Directory 中发送数据

cp datafile /usr/local/datainput (注&＃xff1a;datafile中的内容为&＃xff1a;big data world&＃xff01;)

d) 在控制台上查看flume收集到的日志数据&＃xff1a;
这里写图片描述
从控制台显示的结果可以看出event的头信息中包含了时间戳信息。
同时我们查看一下Spooling Directory中的datafile信息—-文件内容写入到channel之后&＃xff0c;该文件被标记了&＃xff1a;

[root&＃64;hadoop80 datainput]# ls datafile.COMPLETED

案例4&＃xff1a;Spooling Directory Source&＃xff1a;监听一个指定的目录&＃xff0c;即只要应用程序向这个指定的目录中添加新的文件&＃xff0c;source组件就可以获取到该信息&＃xff0c;并解析该文件的内容&＃xff0c;然后写入到channle。写入完成后&＃xff0c;标记该文件已完成或者删除该文件。其中 Sink&＃xff1a;hdfs Channel&＃xff1a;file (相比于案例3的两个变化)

a) 编写配置文件&＃xff1a;

# Name the components on this agent a1.sources &＃61; r1 a1.sinks &＃61; k1 a1.channels &＃61; c1# Describe/configure the source a1.sources.r1.type &＃61; spooldir a1.sources.r1.spoolDir &＃61; /usr/local/datainput a1.sources.r1.fileHeader &＃61; true a1.sources.r1.interceptors &＃61; i1 a1.sources.r1.interceptors.i1.type &＃61; timestamp# Describe the sink # Describe the sink a1.sinks.k1.type &＃61; hdfs a1.sinks.k1.hdfs.path &＃61; hdfs://hadoop80:9000/dataoutput a1.sinks.k1.hdfs.writeFormat &＃61; Text a1.sinks.k1.hdfs.fileType &＃61; DataStream a1.sinks.k1.hdfs.rollInterval &＃61; 10 a1.sinks.k1.hdfs.rollSize &＃61; 0 a1.sinks.k1.hdfs.rollCount &＃61; 0 a1.sinks.k1.hdfs.filePrefix &＃61; %Y-%m-%d-%H-%M-%S a1.sinks.k1.hdfs.useLocalTimeStamp &＃61; true# Use a channel which buffers events in file a1.channels.c1.type &＃61; file a1.channels.c1.checkpointDir &＃61; /usr/flume/checkpoint a1.channels.c1.dataDirs &＃61; /usr/flume/data# Bind the source and sink to the channel a1.sources.r1.channels &＃61; c1 a1.sinks.k1.channel &＃61; c1

b) 启动flume agent a1 服务端

flume-ng agent -n a1 -c ../conf -f ../conf/spool.conf -Dflume.root.logger&＃61;DEBUG,console

c) 使用cp命令向Spooling Directory 中发送数据

cp datafile /usr/local/datainput (注&＃xff1a;datafile中的内容为&＃xff1a;big data world&＃xff01;)

d) 在控制台上可以参看sink的运行进度日志&＃xff1a;
这里写图片描述
d) 在HDFS中查看flume收集到的日志数据&＃xff1a;

从案例1与案例2、案例3与案例4的对比中我们可以发现&＃xff1a;flume的配置文件在编写的过程中是非常灵活的。

案例5&＃xff1a;Exec Source&＃xff1a;监听一个指定的命令&＃xff0c;获取一条命令的结果作为它的数据源
常用的是tail -F file指令&＃xff0c;即只要应用程序向日志(文件)里面写数据&＃xff0c;source组件就可以获取到日志(文件)中最新的内容。其中 Sink&＃xff1a;hdfs Channel&＃xff1a;file
这个案列为了方便显示Exec Source的运行效果&＃xff0c;结合Hive中的external table进行来说明。

a) 编写配置文件&＃xff1a;

# Name the components on this agent a1.sources &＃61; r1 a1.sinks &＃61; k1 a1.channels &＃61; c1# Describe/configure the source a1.sources.r1.type &＃61; exec a1.sources.r1.command &＃61; tail -F /usr/local/log.file# Describe the sink a1.sinks.k1.type &＃61; hdfs a1.sinks.k1.hdfs.path &＃61; hdfs://hadoop80:9000/dataoutput a1.sinks.k1.hdfs.writeFormat &＃61; Text a1.sinks.k1.hdfs.fileType &＃61; DataStream a1.sinks.k1.hdfs.rollInterval &＃61; 10 a1.sinks.k1.hdfs.rollSize &＃61; 0 a1.sinks.k1.hdfs.rollCount &＃61; 0 a1.sinks.k1.hdfs.filePrefix &＃61; %Y-%m-%d-%H-%M-%S a1.sinks.k1.hdfs.useLocalTimeStamp &＃61; true# Use a channel which buffers events in file a1.channels.c1.type &＃61; file a1.channels.c1.checkpointDir &＃61; /usr/flume/checkpoint a1.channels.c1.dataDirs &＃61; /usr/flume/data# Bind the source and sink to the channel a1.sources.r1.channels &＃61; c1 a1.sinks.k1.channel &＃61; c1

b)在hive中建立外部表—–hdfs://hadoop80:9000/dataoutput的目录&＃xff0c;方便查看日志捕获内容

hive> create external table t1(infor string)> row format delimited> fields terminated by &＃39;\t&＃39;> location &＃39;/dataoutput/&＃39;; OK Time taken: 0.284 seconds

c) 启动flume agent a1 服务端

flume-ng agent -n a1 -c ../conf -f ../conf/exec.conf -Dflume.root.logger&＃61;DEBUG,console

d) 使用echo命令向/usr/local/datainput 中发送数据

echo big data > log.file

d) 在HDFS和Hive分别中查看flume收集到的日志数据&＃xff1a;
这里写图片描述

hive> select * from t1; OK big data Time taken: 0.086 seconds

e)使用echo命令向/usr/local/datainput 中在追加一条数据

echo big data world! >> log.file

d) 在HDFS和Hive再次分别中查看flume收集到的日志数据&＃xff1a;
这里写图片描述

hive> select * from t1; OK big data big data world! Time taken: 0.511 seconds

总结Exec source&＃xff1a;Exec source和Spooling Directory Source是两种常用的日志采集的方式&＃xff0c;其中Exec source可以实现对日志的实时采集&＃xff0c;Spooling Directory Source在对日志的实时采集上稍有欠缺&＃xff0c;尽管Exec source可以实现对日志的实时采集&＃xff0c;但是当Flume不运行或者指令执行出错时&＃xff0c;Exec source将无法收集到日志数据&＃xff0c;日志会出现丢失&＃xff0c;从而无法保证收集日志的完整性。

案例6&＃xff1a;Avro Source&＃xff1a;监听一个指定的Avro 端口&＃xff0c;通过Avro 端口可以获取到Avro client发送过来的文件。即只要应用程序通过Avro 端口发送文件&＃xff0c;source组件就可以获取到该文件中的内容。其中 Sink&＃xff1a;hdfs Channel&＃xff1a;file
(注&＃xff1a;Avro和Thrift都是一些序列化的网络端口–通过这些网络端口可以接受或者发送信息&＃xff0c;Avro可以发送一个给定的文件给Flume&＃xff0c;Avro 源使用AVRO RPC机制)
Avro Source运行原理如下图&＃xff1a;
这里写图片描述
flume官网中Avro Source的描述&＃xff1a;

Property Name Default Description channels – type – The component type name, needs to be avro bind – 日志需要发送到的主机名或者ip&＃xff0c;该主机运行着ARVO类型的source port – 日志需要发送到的端口号&＃xff0c;该端口要有ARVO类型的source在监听

1)编写配置文件

# Name the components on this agent a1.sources &＃61; r1 a1.sinks &＃61; k1 a1.channels &＃61; c1# Describe/configure the source a1.sources.r1.type &＃61; avro a1.sources.r1.bind &＃61; 192.168.80.80 a1.sources.r1.port &＃61; 4141# Describe the sink a1.sinks.k1.type &＃61; hdfs a1.sinks.k1.hdfs.path &＃61; hdfs://hadoop80:9000/dataoutput a1.sinks.k1.hdfs.writeFormat &＃61; Text a1.sinks.k1.hdfs.fileType &＃61; DataStream a1.sinks.k1.hdfs.rollInterval &＃61; 10 a1.sinks.k1.hdfs.rollSize &＃61; 0 a1.sinks.k1.hdfs.rollCount &＃61; 0 a1.sinks.k1.hdfs.filePrefix &＃61; %Y-%m-%d-%H-%M-%S a1.sinks.k1.hdfs.useLocalTimeStamp &＃61; true# Use a channel which buffers events in file a1.channels.c1.type &＃61; file a1.channels.c1.checkpointDir &＃61; /usr/flume/checkpoint a1.channels.c1.dataDirs &＃61; /usr/flume/data# Bind the source and sink to the channel a1.sources.r1.channels &＃61; c1 a1.sinks.k1.channel &＃61; c1

b) 启动flume agent a1 服务端

flume-ng agent -n a1 -c ../conf -f ../conf/avro.conf -Dflume.root.logger&＃61;DEBUG,console

c)使用avro-client发送文件

flume-ng avro-client -c ../conf -H 192.168.80.80 -p 4141 -F /usr/local/log.file

注&＃xff1a;log.file文件中的内容为&＃xff1a;

[root&＃64;hadoop80 local]# more log.file big data big data world!

d) 在HDFS中查看flume收集到的日志数据&＃xff1a;
这里写图片描述

通过上面的几个案例&＃xff0c;我们可以发现&＃xff1a;flume配置文件的书写是相当灵活的—-不同类型的Source、Channel和Sink可以自由组合&＃xff01;

最后对上面用的几个flume source进行适当总结&＃xff1a;
① NetCat Source&＃xff1a;监听一个指定的网络端口&＃xff0c;即只要应用程序向这个端口里面写数据&＃xff0c;这个source组件
就可以获取到信息。
②Spooling Directory Source&＃xff1a;监听一个指定的目录&＃xff0c;即只要应用程序向这个指定的目录中添加新的文
件&＃xff0c;source组件就可以获取到该信息&＃xff0c;并解析该文件的内容&＃xff0c;然后写入到channle。写入完成后&＃xff0c;标记
该文件已完成或者删除该文件。
③Exec Source&＃xff1a;监听一个指定的命令&＃xff0c;获取一条命令的结果作为它的数据源
常用的是tail -F file指令&＃xff0c;即只要应用程序向日志(文件)里面写数据&＃xff0c;source组件就可以获取到日志(文件)中最新的内容。
④Avro Source&＃xff1a;监听一个指定的Avro 端口&＃xff0c;通过Avro 端口可以获取到Avro client发送过来的文件。即只要应用程序通过Avro 端口发送文件&＃xff0c;source组件就可以获取到该文件中的内容。

如有问题&＃xff0c;欢迎留言指正&＃xff01;