Flume快速入门+高级进阶+企业常用案例（超实用）

最新推荐文章于 2024-10-13 14:12:46 发布

原创

最新推荐文章于 2024-10-13 14:12:46 发布 · 280 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#flume

文章目录

第1章 Flume概述
第2章 Flume快速入门
第3章 Flume进阶

第1章 Flume概述

1.1 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。

1.2 Flume基础架构

Flume组成架构

下面我们来详细介绍一下Flume架构中的组件：

1.2.1 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。

1.2.2 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。

1.2.3 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组件目的地包括hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义。

1.2.4 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。

1.2.5 Event

传输单元，Flume数据传输的基本单元，以Event的形式将数据从源头送至目的地。Event由Header和Body两部分组成，Header用来存放该event的一些属性，为K-V结构，Body用来存放该条数据，形式为字节数组。

1.2.6 Interceptors

在Flume中允许使用拦截器对传输中的event进行拦截和处理！拦截器必须实现org.apache.flume.interceptor.Interceptor接口。拦截器可以根据开发者的设定修改甚至删除event！Flume同时支持拦截器链，即由多个拦截器组合而成！通过指定拦截器链中拦截器的顺序，event将按照顺序依次被拦截器进行处理！

1.2.7 Channel Selectors

Channel Selectors用于source组件将event传输给多个channel的场景。常用的有replicating（默认）和multiplexing两种类型。replicating负责将event复制到多个channel，而multiplexing则根据event的属性和配置的参数进行匹配，匹配成功则发送到指定的channel!

1.2.8 Sink Processors

用户可以将多个sink组成一个整体（sink组），Sink Processors可用于提供组内的所有sink的负载平衡功能，或在时间故障的情况下实现从一个sink到另一个sink的故障转移。

第2章 Flume快速入门

2.1 Flume安装部署

2.1.1 安装地址

1） Flume官网地址

http://flume.apache.org/

2）文档查看地址

http://flume.apache.org/FlumeUserGuide.html

3）下载地址

http://archive.apache.org/dist/flume/

2.1.2 安装部署

1）将flume-ng-1.6.0-cdh5.14.0.tar.gz上传到linux的/opt/目录下

2）解压flume-ng-1.6.0-cdh5.14.0.tar.gz到/opt/目录下

3）修改flume-ng-1.6.0-cdh5.14.0.tar.gz的名称为flume

4）将flume/conf下的flume-env.sh.template文件修改为flume-env.sh，并配置flume-env.sh文件

mv flume-env.sh.template flume-env.sh
vi flume-env.sh
export JAVA_HOME=/opt/jdk1.8.0_221

2.2 Flume入门案例

2.2.1 监控端口数据官方案例

1）案例需求：

使用Flume监听一个端口，收集该端口数据，并打印到控制台。

2）需求分析：

3）实现步骤：

1.安装netcat工具

sudo yum install -y nc

2.判断44444端口是否被占用

sudo netstat -tunlp | grep 44444

3.创建Flume Agent配置文件flume-netcat-logger.conf

在flume目录下创建job文件夹并进入job文件夹。

[root@hadoop100 flume]# mkdir job
[root@hadoop100 flume]# cd job/

在job文件夹下创建Flume Agent配置文件flume-netcat-logger.conf。

vi flume-netcat-logger.conf

在flume-netcat-logger.conf文件中添加如下内容。

# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# Describe the sink
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 1000

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

注：配置文件来源于官方手册http://flume.apache.org/FlumeUserGuide.html

4. 先开启flume监听端口

第一种写法：

bin/flume-ng agent -n a1 -c ./conf/ -f ./job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

第二种写法：

bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

参数说明：

--conf/-c：表示配置文件存储在conf/目录

--name/-n：表示给agent起名为a1

--conf-file/-f：flume本次启动读取的配置文件是在job文件夹下的flume-telnet.conf文件。

-Dflume.root.logger=INFO,console ：-D表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error。

5．使用netcat工具向本机的44444端口发送内容

telnet localhost 44444

6．在Flume监听页面观察接收数据情况

2.2.2 实时监控单个文件

1）案例需求：实时监控Hive日志，并上传到HDFS中

2）需求分析：

3）实现步骤：

1.Flume要想将数据输出到HDFS，必须持有Hadoop相关jar包

将

commons-configuration-1.6.jar、
hadoop-auth-2.7.2.jar、
hadoop-common-2.7.2.jar、
hadoop-hdfs-2.7.2.jar、
commons-io-2.4.jar、
htrace-core-3.1.0-incubating.jar

拷贝到/opt/flume/lib文件夹下。

2.创建flume-file-hdfs.conf文件

创建文件

vi flume-file-hdfs.conf

注：要想读取Linux系统中的文件，就得按照Linux命令的规则执行命令。由于Hive日志在Linux系统中所以读取文件的类型选择：exec即execute执行的意思。表示执行Linux命令来读取文件。

添加如下内容

# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2

# Describe/configure the source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /opt/hive/logs/hive.log
a2.sources.r2.shell = /bin/bash -c

# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:9000/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 100
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 60
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 10000
a2.channels.c2.transactionCapacity = 1000

# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

注意：

对于所有与时间相关的转义序列，Event Header中必须存在以 “timestamp”的key（除非hdfs.useLocalTimeStamp设置为true，此方法会使用TimestampInterceptor自动添加timestamp）。

a2.sinks.k2.hdfs.useLocalTimeStamp = true

3.运行Flume

bin/flume-ng agent -n a2 -c ./conf/ -f ./job/flume-file-hdfs.conf -Dflume.root.logger=INFO,console

4.开启Hadoop和Hive并操作Hive产生日志

5.在HDFS上查看文件

2.2.3 监控多个新文件

1）案例需求：使用Flume监听整个目录的文件，并上传至HDFS

2）需求分析：

3）实现步骤：

1．创建配置文件flume-dir-hdfs.conf

创建一个文件

vi flume-dir-hdfs.conf

添加如下内容

a3.sources=r3
a3.sinks=k3
a3.channels=c3

a3.sources.r3.type=spooldir
a3.sources.r3.spoolDir=/opt/flume/upload
a3.sources.r3.fileSuffix=.COMPLETED
#忽略所有以.tmp结尾的文件，不上传
a3.sources.r3.ignorePattern=\\S*\\.tmp

a3.sinks.k3.type=hdfs
a3.sinks.k3.hdfs.path=hdfs://192.168.83.100:9000/flume/upload/%Y-%m-%d
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix=upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round=true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue=1
#重新定义时间单位
a3.sinks.k3.hdfs.rountUnit=hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp=true
#积攒多少个Event才flush到HDFS一次
a3.sinks.k3.hdfs.batchSize=100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType=DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval=30
#设置每个文件的滚动大小大概是128M
a3.sinks.k3.rollSize=134217700
#文件的滚动与Event数量无关
a3.sinks.k3.hdfs.rollCount=0

a3.channels.c3.type=memory
a3.channels.c3.capacity=10000
a3.channels.c3.transactionCapacity=1000

a3.sources.r3.channels=c3
a3.sinks.k3.channel=c3

2.启动监控文件夹命令

bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

说明：在使用Spooling Directory Source时

不要在监控目录中创建并持续修改文件

上传完成的文件会以.COMPLETED结尾

被监控文件夹每500毫秒扫描一次文件变动

3.向upload文件夹中添加文件

在/opt/flume目录下创建upload文件夹

mkdir upload

向upload文件夹中添加文件

touch hello.txt

4.查看HDFS上的数据

5.等待1s，再次查询upload文件夹

[root@hadoop100 upload]# touch hello.txt
[root@hadoop100 upload]# ls
hello.txt.COMPLETED

2.2.4 实时监控多个文件

Exec source适用于监控一个实时追加的文件，但不能保证数据不丢失；Spooldir Source能够保证数据不丢失，且能够实现断点续传，但延迟较高，不能实时监控；而Taildir Source既能够实现断点续传，又可以保证数据不丢失，还能够进行实时监控。

1）案例需求：使用Flume监听整个目录的实时追加文件，并上传至HDFS

2）需求分析：

3）实现步骤：

1．创建配置文件flume-taildir-hdfs.conf

创建一个文件

[root@hadoop100 flume]# vi ./job/flume-taildr-hdfs.conf

添加如下内容

a3.sources=r3
a3.sinks=k3
a3.channels=c3

a3.sources.r3.type=TAILDIR
a3.sources.r3.positionFile=/opt/flume/tail_dir.json
a3.sources.r3.filegroups=f1
a3.sources.r3.filegroups.f1=/opt/flume/files/file.*

a3.sinks.k3.type=hdfs
a3.sinks.k3.hdfs.path=hdfs://192.168.83.100:9000/flume/upload/%Y-%m-%d
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix=upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round=true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue=1
#重新定义时间单位
a3.sinks.k3.hdfs.rountUnit=hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLo