Flume的概述

1、Flume定义

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。Flume基于流式架构，灵活简单。

说白了就是收集日志的小组件。采集日志的单位是一行一行的。MapReduce不是流式架构的，Spark底层不是流式架构的。Flink、Flume则是流式架构的。流式架构中处理数据的单位是很小的，比如Flume处理数据的单位是一行一行的。而mapReduce则是拿到一个文件才开始处理的。Spark也是一块一块处理的。如果是流式架构，则天生就可以处理数据的。Spark底层可以做Spark streaming，这是在线处理最多的一个模块，尽管底层不是流式架构，但它的转换处理更快，一样可以做在线。流式架构跟在线不是必然联系的，但流式架构做在线处理是有先天优势的。现在Flink上升的很快，因为Flink是纯流式架构的。

Flume在框架中大致的位置如下：

爬虫爬到的数据或者Java后台的数据进来后放到服务器上。还有网络端口数据等，经过Flume采集，然后交给HDFS和Kafka（注意不是直接写到HDFS上的）。它相当于一个全速度管道。

Flume最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到HDFS。

为什么数据不直接写到HDFS上？

​​​​​​​2、Flume的优点

Flume优点如下：

1.可以和任意存储进程集成。（就是灵活，跟什么都能混搭。注意默认情况下有很多数据源，不行还可以自己写）

2.输入的的数据速率大于写入目的存储的速率，flume会进行缓冲，减小hdfs的压力。（当两边流速不一致的时候，输入可能忽快忽慢，5分钟来了5G，接下来10分钟啥都没有。到了输出速度就可以降下来，起码波动少了很多。相反，如果不使用Flume缓冲，直接传递到HDFS上，效率反而降低了）

3.flume中的事务基于channel，使用了两个事务模型（sender + receiver），确保消息被可靠发送。

Flume使用两个独立的事务分别负责从soucrce到channel，以及从channel到sink的事件传递。一旦事务中所有的数据全部成功提交到channel，那么source才认为该数据读取完成。同理，只有成功被sink写出去的数据，才会从channel中移除。

Sender保证只要能成功提交进来的数据就绝对不会少，百分百进入管道。Receiver向输出提交，只要返回成功，就可以把数据移除管道。

Flume可以保证不丢数据，如此严格的事务管理，可能导致数据重复，而且慢。（事务的两个极端：要么是保证不会重复，但是可能丢数据。要么是保证不会丢数据，但是可能重复。 事务的两个管理的方法，一个是保证消息的不重复，一个是保证消息的可靠性）

​​​​​​​3、Flume组成架构

WebServer是数据的来源，HDFS是数据的去向。中间的部分就是Flume的Agent，分为三部分：Source、Channel、Sink（接收器）。Source是跟数据来源对接，Sink是跟数据去向对接，Channel就是蓄水的池子，可以缓存，起到一定的缓冲作用。

数据输入端会把日志一条一条发给Source。Source拿到数据后往Channel推。推的时候经过Put事务流程，它建立一个List(就是Transaction)，里面几条数据，然后尝试提交（doCommit）。如果提交成功了，则List会销掉。如果提交失败，则会尝试再提交。如果有个List有5条数据，3条成功了，2条失败了，这个也算失败了，需要再提交一次，以至于可能3条重复了。

数据在出去的时候，也要经过一个事务。需要把数据打包成takeList，再往sink输出。如果其中有一条失败了，takeList会重新写回channel，等待下一次重新takeList。

Source数据输入端的类型有：avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy等。但是目前在企业中使用最广泛的就是日志文件。

1. spooling directory。滚动目录。系统会盯着目录看，只要目录中任意文件有变化，就把数据收集上来，然后放到channel中。
2. exec：执行一条shell命令。这条shell命令的输出会写到source中。比如 tail -f file命令。只要文件有变化，就写到source中，并输出到channel。
3. syslog：追踪系统日志的变化。
4. avro：hadoop提供的一种序列化格式。用于Flume两极连接。Flume可以串联，从一个Flume出来，到另一个Flume，在Flume拓扑的时候常会出现这种情况。这样做中间连接的方式就是avro。一个avro出，另一个avro入。
5. netcat：网络端口的输出。（nc命令）

Channel是位于Source和Sink之间的缓冲区。

Flume自带两种Channel：Memory Channel（内存通道）和File Channel（文件通道）。内存快，文件安全且大。假如对数据的安全性要求非常高，则使用File；假如对速度的要求更高，则使用Memory。

Memory Channel是基于内存缓存，在不需要关心数据丢失的情景下适用。

File Channel是Flume的持久化Channel。系统宕机不会丢失数据。

Sink组件目的地包括hdfs、kafka、logger、avro、thrift、ipc、file、null、HBase、solr、自定义。但是目前在企业中使用最广泛的是HDFS和Kafka。

1. kafka。消息队列。可以把数据做成消息发给Kafka。
2. logger：日志。
3. avro：同上。
4. File：文件。
5. 自定义：如果都不满意，可以自己弄。

另外Put和Take事务着重体现的是可靠性而不是不重复。

下面我们来详细介绍一下Flume架构中的组件。

1 Agent

Agent是一个JVM进程，它以事件的形式将数据从源头送至目的。

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、jms、spooling directory、netcat、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索引系统、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、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。Event由可选的header和载有数据的一个byte array 构成。Header是容纳了key-value字符串对的HashMap。

Flume是流式架构的。就是处理数据的颗粒粒度很细，这里是以event为粒度来处理数据的。比如来了一个日志源头，tail file或spooling dir，这两个东西就是以行为单位监视的。一行数据会作为二进制数据放到Byte Payload中。

Header存放的数据的属性，一般的源头Header是空的，除非是一些特殊的东西，比如自定义的源，需要存放一些属性进Header。

​​​​​​​4、Flume拓扑结构

Flume的拓扑结构如图所示：

串联：

这种模式是将多个flume给顺序连接起来了（串联），从最初的source开始到最终sink传送的目的存储系统。这个实际上就是多级缓冲（好处）。此模式不建议桥接过多的flume数量， flume数量过多不仅会影响传输速率，而且一旦传输过程中某个节点flume宕机，会影响整个传输系统（坏处）。

复制和多路复用：

Flume支持将事件流向一个或者多个目的地（一个进入HDFS、一个进入JMS、一个进入多级缓冲）。这种模式将数据源复制到多个channel中，每个channel都有相同的数据，sink可以选择传送的不同的目的地。

负载均衡与故障转移：

Flume支持使用将多个sink逻辑上分到一个sink组，flume将数据发送到不同的sink，主要解决负载均衡和故障转移问题。注意发往三个地方的数据是不一样的。

这种模式是我们最常见的，也非常实用，日常web应用通常分布在上百个服务器，大者甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用flume的这种组合方式能很好的解决这一问题，每台服务器部署一个flume采集日志，传送到一个集中收集日志的flume，再由此flume上传到hdfs、hive、hbase、jms等，进行日志分析。

其实Flume这个东西是很占资源的，它是用Java写的，性能不高。

​​​​​​​5、Flume Agent内部原理​​​​​​​

Source进入Channel前，需要先进入Channel处理器。处理器会先把消息发给拦截器（inceptor），对消息进行预处理。消息拿来之后，不符合需要，可以简单做一个形式的转变，掐头去尾之类的。但是拦截器不能写太复杂的逻辑，否则性能影响太高，非常复杂的ETL显示就不合适。

数据发回来Channel处理器后会交给Channel选择器。顾名思义，就是选择这条消息应该去哪个Channel。注意，根据前面的拓扑图，一个Source可能对应多个不同的Channel。Channel选择器可以有：

1 群发。

2 Multiplexing。来一条消息时选择：这条消息只会去往一个Channel。这个好处是针对数据来源把数据分为若干份。不同的Channel接不同的Sink，不同的Sink去往不同的数据沉淀。相当于对数据进行分流。

Channel拿到数据后，经过Sink处理器，决定哪个Sink会从哪个Channel拿数据。一个Channel可以对应一个或多个Sink。比如Channel_1可以对应3个Sink，一条消息要么去1、要么去2、要么去3，但不是3个都去。可以轮询（轮流来）或负载均衡（看哪个比较闲）。

Flume的重点是要记住事务的处理方式。