Hadoop生态圈（八）：Flume

最新推荐文章于 2024-09-04 23:05:17 发布

原创

最新推荐文章于 2024-09-04 23:05:17 发布 · 473 阅读

3 ·

CC 4.0 BY-SA版权

本文详细介绍了Apache Flume的用途、架构组成，并提供了从目录实时读取文件到HDFS、监控本地文件新增内容到HDFS、单数据源多出口以及多数据源汇总等案例，帮助理解Flume在日志管理和数据传输中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

3.1 Flume实时读取目录文件到HDFS

3.2 Flume实时读取本地文件新增内容到HDFS(常用)

3.3 单数据源多出口案例

3.4 多数据源汇总

1 Flume概述

1.1 Flume是什么

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。支持在系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据的简单处理，并写到各种数据接收方的能力。Flume基于流式架构，灵活简单。

Flume 在0.9.x and 1.x之间有较大的架构调整，0.9.x的称为Flume OG，1.x版本经过重构核心组件、核心配置及代码架构之后改称Flume NG，归为Apache旗下，目前是Apache的顶级项目。

1.2 Flume组成架构

Flume组成架构：

Flume中的组件：

1.Agent

Agent是一个JVM进程，它以时间的形式将数据源从源头送至目的地，是Flume数据传输的基本单元。Agent启动后，进程名称为Application

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（execute）、jms、spooling directory、netcat(读取端口数据)、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。

Memory 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。

File 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。

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(传递给下一个Flume)、thrift、ipc、file、null、HBase、solr、自定义。

5.Event

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。