大数据理论与实践7 分布式数据采集工具Flume

Flume简介

Flume是一个分布式海量数据采集、聚合和传输系统。可以看做一个管道系统，从数据源到数据目的地。数据源可以是文件、日志、传感器等，目的地可以是HDFS、NoSQL等等。
数据流模型：Source → Channel（暂存） → Sink（取数据并交给目的地）。套件组配很灵活，随意组配。
在Channel这块，支持事务，支持重读重写，保证消息传递的可靠性。
支持高可用，Agent（Source+Channel+Sink=Agent）主备切换。
主要用于非关系型数据采集。

原理

基本概念

• Event：事件，最小数据传输单元，由Header和Body组成
• Agent：代理，JVM进程，最小运行单元，由Source、Channel和Sink三个基本组件构成，负责将外部数据源产生的数据以Event的形式传输到目的地
  Source：负责对接各种外部数据源，将采集到的数据封装成Event，然后写入Channel
  Channel：Event暂存容器，负责保存Source发送的Event，直至被Sink成功读取
  Sink：负责从Channel读取Event，然后将其写入外部存储，或传输给下一阶段的Agent
  映射关系：1个Source → 多个Channel，1个Channel → 多个Sink，1个Sink → 1个Channel
  

组件

Source组件

对接各种外部数据源，将采集到的数据封装成Event，然后写入Channel。
一个Source可向多个Channel发送Event。Flume内置类型丰富的Source，同时用户可自定义Source。

类型	Type（参数）	说明
Exec Source	exec	监听Linux命令的标准输出
Spooling Directory Source	spooldir	监听目录下的新文件，不支持断点续传和嵌套目录
Taildir Source	TAILDIR	监听目录或文件，支持断点续传
Avro Source	avro	启动Avro Server，通过RPC接收Avro数据，可与上一级Agent连接
HTTP Source	http	启动Http Server，通过Http Post接收数据
Kafka Source	org.apache.flume.source.kafka.KafkaSource	从Kafka中读取数据
JMS Source	jms	从JMS源中读取数据

Channel组件

Event中转暂存区，存储Source采集但未被Sink读取的Event。
为了平衡Source采集、Sink读取的速度，可视为Flume内部的消息队列。线程安全并具有事务性，支持Source写失败重写和Sink读失败重读。

类型	Type（参数）	说明
Memory Channel	memory	内存作为Channel，读写速度快，但存储容量小，数据易丢失
File Channel	file	本地磁盘文件作为Channel，存储容量大，数据较安全，但读写速度较慢
JDBC Channel	jdbc	关系数据库作为Channel，内置Derby，数据安全可恢复
Kafka Channel	org.apache.flume.channel.kafka.KafkaChannel	Kafka作为Channel，读写速度快，存储容量大，容错能力强（生产中常用）

Sink组件

从Channel读取Event，将其写入外部存储，或传输到下一阶段的Agent。
一个Sink只能从一个Channel中读取Event。Sink成功读取Event后，向Channel提交事务，Event被删除，否则Channel会等待Sink重新读取。

类型	Type（参数）	说明
Avro Sink	avro	常用于对接下一阶段的Avro Source，通过RPC实现端到端的批量压缩数据传输
HDFS Sink	hdfs	将Event写入HDFS，可生成文本文件，支持数据压缩
Kafka Sink	org.apache.flume.sink.kafka.KafkaSink	将Event写入Kafka指定主题
File	Roll Sink file_roll	将Event写入本地文件系统

数据流

最基本的数据流：直接落盘
多个Agent相连：

一个source分成多个Channel：
一个Agent分多个Agent：
典型的双层架构，中间架一层做聚合，不会产生那么多小文件：

Flume架构

单层架构

优点：架构简单，使用方便，占用资源较少
缺点：

• 如果采集的数据源或Agent较多，将Event写入到HDFS会产生很多小文件
• 外部存储升级维护或发生故障，需对采集层的所有Agent做处理，人力成本较高，系统稳定性较差
• 系统安全性较差（数据源到目的地直接联系，权限需要在里面直接写明）
• 数据源管理较混乱

多层架构

优点：

• 各类日志数据分层处理，架构清晰，运维高效，降低人工误操作风险
• 避免产生过多小文件，提高系统稳定性和处理能力
• 对外不会暴露系统关键信息，降低攻击风险，显著提升安全性（不直接连，权限分开）
• 各关联系统易于升级维护（更换外部存储时修改很少）

缺点：
部署相对复杂，占用资源较多

使用

安装

需要JDK1.7及以上版本。
安装验证：在Flume安装目录下，运行命令./bin/flume-ng version，查看Flume版本信息

Agent配置

示例：

/* 定义Agent组件名 */
a1.sources = r1
a1.sinks = k1
a1.channels = c1
/* 配置Souce */
a1.sources.r1.type = netcat // Source类型为netcat，监听指定的Socket端口
a1.sources.r1.bind = localhost //主机名
a1.sources.r1.port = 44444
/* 配置Sink */
a1.sinks.k1.type = logger // Sink类型为logger，将Event输出到控制台
/* 配置Channel */
a1.channels.c1.type = memory // Channel类型为memory，Event缓存在内存中
a1.channels.c1.capacity = 1000 //总共允许放1000条
a1.channels.c1.transactionCapacity = 100 //一次写入channel的事务数目
/* 设置Source、Sink和Channel的关系 */
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1 // 一个Sink只能连接一个Channel

Flume运行

1. 编写Agent配置文件（*.conf）
2. 在命令行运行Agent、进入Flume安装目录、运行以下命令

bin/flume-ng agent --conf conf --conf-file example.conf
--name a1 -D flume.root.logger = INFO, console

Command Options	Description
–conf	Agent配置文件目录
–conf-file	Agent配置文件名（*.conf）
–name	Agent名称
-D	JVM参数

参考

课程内容来自：南京大学+星环科技课程，大数据大数据理论与实践课程