大数据组件之数据采集工具FLume介绍/快速入门

大数据组件之数据采集工具FLume介绍/快速入门

1 背景

在一个完整的离线大数据处理系统中，除了hdfs+mapreduce+hive组成分析系统的核心之外，还需要数据采集、结果数据导出、任务调度等不可或缺的辅助系统，而这些辅助工具在hadoop生态体系中都有便捷的开源框架，如图所示：
图：典型大规模离线数据处理平台

2 Flume日志采集框架

2.1 Flume介绍

1）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。
2）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。
3）一般的采集需求，通过对flume的简单配置即可实现
4）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

2.2 运行机制

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传递数据或者往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

2.3 Flume采集系统结构图

2.3.1 简单结构

单个agent采集数据

2.3.2 复杂结构

多级agent之间串联

3 安装Flume

3.1 安装步骤

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,如果未安装HDFS集群，详细见我的另一篇博客《零基础搭建Hadoop分布式集群》。

2 解压 tar -zxvf apache-flume-1.6.0-bin.tar.gz
3 进入flume的目录，修改conf下的flume-env.sh，在里面配置JAVA_HOME
4 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)
5 指定采集方案配置文件，在相应的节点上启动flume agent
先用一个最简单的例子来测试一下程序环境是否正常

3.2 案例

1、先在flume的conf目录下新建一个配置文件（采集方案）
vi netcat-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

# 描述和配置sink组件：k1
a1.sinks.k1.type = logger

# 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

# 描述和配置source  channel   sink之间的连接关系
a1.sources.r1.channels = c1
a1.sinks.k1