Flum超详细教程.docx
《Flum超详细教程.docx》由会员分享，可在线阅读，更多相关《Flum超详细教程.docx（22页珍藏版）》请在冰豆网上搜索。
Flum超详细教程
Flume进阶
1.前言
flume是由cloudera软件公司产出的可分布式日志收集系统，后与2009年被捐赠了apache软件基金会，为hadoop相关组件之一。
尤其近几年随着flume的不断被完善以及升级版本的逐一推出，特别是flume-ng;同时flume内部的各种组件不断丰富，用户在开发的过程中使用的便利性得到很大的改善，现已成为apachetop项目之一.
2.概述
2.1.什么是flume?
ApacheFlume是一个从可以收集例如日志，事件等数据资源，并将这些数量庞大的数据从各项数据资源中集中起来存储的工具/服务，或者数集中机制。
flume具有高可用，分布式，配置工具，其设计的原理也是基于将数据流，如日志数据从各种网站服务器上汇集起来存储到HDFS，HBase等集中存储器中。
其结构如下图所示：
2.2.Flume特性
◆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
3.Flume原理
3.1.Flume组件详解
对于每一个Agent来说,它就是一个独立的守护进程（JVM）,它从客户端接收数据，如下图所示flume的基本模型
1、Flume分布式系统中最核心的角色是agent，flume采集系统就是由一个个agent所连接起来形成
2、每一个agent相当于一个数据（被封装成Event对象）传递员，内部有三个组件：
a）Source：
采集组件，用于跟数据源对接，以获取数据
b）Sink：
下沉组件，用于往下一级agent传递数据或者向最终存储系统传递数据
c）Channel：
传输通道组件，用于从source将数据传递到sink
首先来看一下flume官网中对Event的定义
一行文本内容会被反序列化成一个event（序列化是将对象状态转换为可保持或传输的格式的过程。
与序列化相对的是反序列化，它将流转换为对象。
这两个过程结合起来，可以轻松地存储和传输数据），event的最大定义为2048字节，超过，则会切割，剩下的会被放到下一个event中，默认编码是UTF-8。
Flume中处理的内容，称为event
主要有两部分：
Headers和Body
Header是一个集合Map[String,String]
Boby：
具体内容
2018-11-0318:
44:
44,913（SinkRunner-PollingRunner-DefaultSinkProcessor）[INFO-org.apache.flume.sink.LoggerSink.process（LoggerSink.java:
94）]Event:
{headers:
{}body:
612061206161612061200Daaaaaa.}
3.2.Flume采集结构图
3.2.1.简单结构
单个agent采集数据
3.2.2.复杂结构
多级agent之间串联
4.Flume实战案例
4.1.Flume的安装部署
1、Flume的安装非常简单，只需要解压即可，当然，前提是已有hadoop环境
上传安装包到数据源所在节点上
然后解压tar-zxvfapache-flume-1.6.0-bin.tar.gz
然后进入flume的目录，修改conf下的flume-env.sh，在里面配置JAVA_HOME
2、根据数据采集的需求配置采集方案，描述在配置文件中（文件名可任意自定义）
3、指定采集方案配置文件，在相应的节点上启动flumeagent
4.2.示例程序
先用一个最简单的例子来测试一下程序环境是否正常
1、先在flume的conf目录下新建一个配置文件（采集方案）
vinetcat-logger.properties
#定义这个agent中各组件的名字
a1.sources=r1
a1.sinks=k1
a1.channels=c1
#描述和配置source组件：
r1
a1.sources.r1.type=netcat
a1.sources.r1.bind=localhost
a1.sources.r1.port=44444
#source和channel关联
a1.sources.r1.channels=c1
#描述和配置sink组件：
k1
a1.sinks.k1.type=logger
#sink也要关联channel
a1.sinks.k1.channel=c1
#描述和配置channel组件，此处使用是内存缓存的方式
a1.channels.c1.type=memory
a1.channels.c1.capacity=1000
a1.channels.c1.transactionCapacity=100
2、启动agent去采集数据
bin/bin/flume-ngagent-cconf-fconf/netcat-logger.conf-na1-Dflume.root.logger=INFO,console
-cconf指定flume自身的配置文件所在目录
-fconf/netcat-logger.conf指定我们所描述的采集方案
-na1指定我们这个agent的名字
3、测试
先要往agent的source所监听的端口上发送数据，让agent有数据可采
随便在一个能跟agent节点联网的机器上
telnetanget-hostnameport（telnetlocalhost44444）
4.2.1.把收集到的时候sink写入到file中
增加FileRollSink。
增加配置如下：
a1.channels=c1
a1.sinks=k1
a1.sinks.k1.type=file_roll
a1.sinks.k1.channel=c1
a1.sinks.k1.sink.directory=/root/flumelog
注意：
指定的目录需要先创建。
真实工作中，不需要输出日志到控制台，而且会以后台进程启动：
nohupbin/bin/flume-ngagent-cconf-fconf/netcat-logger.conf-na11>dev/null2>&1&
4.3.采集案例
4.3.1.采集目录到HDFS
结构示意图：
采集需求：
某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
●数据源组件，即source——监控文件目录:
spooldir
spooldir特性：
1、监视一个目录，只要目录中出现新文件，就会采集文件中的内容
2、采集完成的文件，会被agent自动添加一个后缀：
COMPLETED
3、所监视的目录中不允许重复出现相同文件名的文件
●下沉组件，即sink——HDFS文件系统:
hdfssink
●通道组件，即channel——可用filechannel也可以用内存channel
配置文件编写：
各种参数的配置：
#定义三大组件的名称
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1
#配置source组件
agent1.sources.source1.type=spooldir
agent1.sources.source1.spoolDir=/root/logs/
agent1.sources.source1.fileHeader=false
#配置拦截器
agent1.sources.source1.interceptors=i1
agent1.sources.source1.interceptors.i1.type=host
agent1.sources.source1.interceptors.i1.hostHeader=hostname
#配置sink组件
agent1.sinks.sink1.type=hdfs
agent1.sinks.sink1.hdfs.path=hdfs:
//hdp-01:
9000/logs/flume-log/%y-%m-%d/%H-%M
agent1.sinks.sink1.hdfs.filePrefix=access_log
agent1.sinks.sink1.hdfs.maxOpenFiles=5000
agent1.sinks.sink1.hdfs.batchSize=100
agent1.sinks.sink1.hdfs.fileType=DataStream
agent1.sinks.sink1.hdfs.writeFormat=Text
agent1.sinks.sink1.hdfs.rollSize=102400
agent1.sinks.sink1.hdfs.rollCount=1000000
agent1.sinks.sink1.hdfs.rollInterval=60
#agent1.sinks.sink1.hdfs.round=true
#agent1.sinks.sink1.hdfs.roundValue=10
#agent1.sinks.sink1.hdfs.roundUnit=minute
agent1.sinks.sink1.hdfs.useLocalTimeStamp=true
#Useachannelwhichbufferseventsinmemory
agent1.channels.channel1.type=memory
agent1.channels.channel1.keep-alive=120
agent1.channels.channel1.capacity=500000
agent1.channels.channel1.transactionCapacity=600
#Bindthesourceandsinktothechannel
agent1.sources.source1.channels=channel1
agent1.sinks.sink1.channel=channel1
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
keep-alive：
event添加到通道中或者移出的允许时间
##控制生成目录的时间
a1.sinks.k1.hdfs.round=true
a1.sinks.k1.hdfs.roundValue=10
a1.sinks.k1.hdfs.roundUnit=minute
##滚动切换，控制写文件的切换
升级会员 