Flume

一、flume的背景

    hadoop使用flume的整体开发流程：

    从Hadoop的业务开发流程图可以看出，在大数据的业务处理过程中，数据采集是十分重要的一步，也是不可少的一步。

许多公司的平台每天会产生大量的日志（一般为流式数据，如：搜索引擎的pv、查询等），处理这些日志需要特定的日志系统，一般而言，这些系统需要具备以下几点：

    1.构建应用系统和分系统的桥梁，并将它们进行关联解耦；

    2.支持近实时的在线分析和类似于hadoop之类的离线分析系统；

    3.具有高扩展性，即:当数据量增加时，可以通过增加节点进行水平扩展。

常见的开源日志系统，如：Facebook的scribe，Apache的chukwa,linedin的kafka，cloudera的flume等。

二、Flume的简介

    flume作为cloudera开发的实时日志采集系统，受到业界的认可和广泛的应用。Flume初始的发行版本目前被称为Flume OG（original generation），属于cloudera。

    但随着 FLume 功能的扩展，Flume OG 代码工程臃肿、核心组件设计不合理、核心配置不标准等缺点暴露出来，尤其是在 Flume OG 的最后一个发行版本 0.9.4. 中，日

志传输不稳定的现象尤为严重，为了解决这些问题，2011 年 10 月 22 号，cloudera 完成了 Flume-728，对 Flume 进行了里程碑式的改动：重构核心组件、核心配置以

及代码架构，重构后的版本统称为 Flume NG（next generation）；改动的另一原因是将 Flume 纳入 apache 旗下，cloudera Flume 改名为 Apache Flume。

Flume是Apache的顶级项目，官方网站：http://flume.apache.org/

　Flume是一个分布式、可靠、高可用的海量日志聚合系统，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 在0.9.x and 1.x之间有较大的架构调整，1.x版本之后的改称Flume NG，0.9.x的称为Flume OG。

　　Flume目前只有Linux系统的启动脚本，没有Windows环境的启动脚本。

    3.1 Flume的特点

    flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输系统。支持在日志系统中定制各类数据发送方，用于收集数据；同时，flume提供对数据进行简单处理，并写到各种数据接收方，如（文本、hdfs、hbase的）的能力。

    flume的数据流由事件（Event）贯穿始终。事件是flume的基本数据单位，他携带日志数据（字节数据形式）兵器携带有头信息，这些event信息有agent外部的source生成，当source捕获时间后会进行特定的格式化，然后source会把事件推入（单个或者多个）channel中。可以把channel理解为一个缓冲区，它将保存事件直到sink处理完该事件，sink负责持久化日志或者把事件推向另一个source。

        1.flume的可靠性

        当节点出现故障时，日志能够被传送到其他节点上而不丢失。flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据的agent首先将event写到磁盘是上，当数据传送成功后，再删除；如果数据 发送失败，可以重新发送。）store on failure （也是scribe的策略，当数据接收crash时，将数据写入到本地，待回复后，继续发送），Besteffort（数据发送到接收方后，不会进行确认）。

        2.flume的可恢复性

            使用channel，使用filechannel把数据持久化到本地当中。

3.2　Flume的一些核心概念

　　Client：Client生产数据，运行在一个独立的线程。

Event： 一个数据单元，消息头和消息体组成。（Events可以是日志记录、 avro 对象等。）

Flow： Event从源点到达目的点的迁移的抽象。

Agent： 一个独立的Flume进程，包含组件Source、 Channel、 Sink。（Agent使用JVM 运行Flume。每台机器运行一个agent，但是可以在一个agent中包含

多个sources和sinks。）

Source： 数据收集组件。（source从Client收集数据，传递给Channel）

Channel： 中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接 sources 和 sinks ，这个有点像一个队列。）

Sink： 从Channel中读取并移除Event， 将Event传递到FlowPipeline中的下一个Agent（如果有的话）（Sink从Channel收集数据，运行在一个独立线程。）

3.3　Flume NG的体系结构

　Flume 运行的核心是 Agent。Flume以agent为最小的独立运行单位。一个agent就是一个JVM。它是一个完整的数据收集工具，含有三个核心组件，分别是

　source、 channel、 sink。通过这些组件， Event 可以从一个地方流向另一个地方，如下图所示。

3.4　Source

　　Source是数据的收集端，负责将数据捕获后进行特殊的格式化，将数据封装到事件（event） 里，然后将事件推入Channel中。

　　Flume提供了各种source的实现，包括Avro Source、Exce Source、Spooling Directory Source、NetCat Source、Syslog Source、Syslog TCP Source、Syslog UDP Source、HTTP Source、HDFS Source，etc。如果内置的Source无法满足需要， Flume还支持自定义Source。

3.5　Channel

　　Channel是连接Source和Sink的组件，大家可以将它看做一个数据的缓冲区（数据队列），它可以将事件暂存到内存中也可以持久化到本地磁盘上， 直到Sink处理完该事件。

Flume对于Channel，则提供了Memory Channel、JDBC Chanel、File Channel，etc。

　　MemoryChannel可以实现高速的吞吐，但是无法保证数据的完整性。

　　MemoryRecoverChannel在官方文档的建议上已经建义使用FileChannel来替换。

　　FileChannel保证数据的完整性与一致性。在具体配置不现的FileChannel时，建议FileChannel设置的目录和程序日志文件保存的目录设成不同的磁盘，以便提高效率。

3.6　Sink

　　Flume Sink取出Channel中的数据，进行相应的存储文件系统，数据库，或者提交到远程服务器。

　　Flume也提供了各种sink的实现，包括HDFS sink、Logger sink、Avro sink、File Roll sink、Null sink、HBase sink，etc。

　　Flume Sink在设置存储数据时，可以向文件系统中，数据库中，hadoop中储数据，在日志数据较少时，可以将数据存储在文件系中，并且设定一定的时间间隔保存数据。在日志数据较多时，可以将相应的日志数据存储到Hadoop中，便于日后进行相应的数据分析。

四、Flume的部署类型

4.1　单一流程

4.2　多代理流程（多个agent顺序连接）

可以将多个Agent顺序连接起来，将最初的数据源经过收集，存储到最终的存储系统中。这是最简单的情况，一般情况下，应该控制这种顺序连接的Agent的数量，因为数据流经的路径变长了，如果不考虑failover的话，出现故障将影响整个Flow上的Agent收集服务。 

4.3　流的合并（多个Agent的数据汇聚到同一个Agent ）

这种情况应用的场景比较多，比如要收集Web网站的用户行为日志，Web网站为了可用性使用的负载集群模式，每个节点都产生用户行为日志，可以为每 个节点都配置一个Agent来单独收集日志数据，然后多个Agent将数据最终汇聚到一个用来存储数据存储系统，如HDFS上。

4.4　多路复用流（多级流）

Flume还支持多级流，什么多级流？来举个例子，当syslog，java，nginx、tomcat等混合在一起的日志流开始流入一个agent后，可以agent中将混杂的日志流分开，然后给每种日志建立一个自己的传输通道。

4.5　load balance功能

下图Agent1是一个路由节点，负责将Channel暂存的Event均衡到对应的多个Sink组件上，而每个Sink组件分别连接到一个独立的Agent上 。

五、Flume的安装

5.1　Flume的下载

下载地址：

http://mirrors.hust.edu.cn/apache/

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

5.2　Flume的安装

　　Flume框架对hadoop和zookeeper的依赖只是在jar包上，并不要求flume启动时必须将hadoop和zookeeper服务也启动。

（1）将安装包上传到服务器并解压

[hadoop@hadoop1 ~]$tar -zxvf apache-flume-1.8.0-bin.tar.gz -C apps/

（2）创建软连接

[hadoop@hadoop1 ~]$ln -s apache-flume-1.8.0-bin/ flume

（3）修改配置文件

/home/hadoop/apps/apache-flume-1.8.0-bin/conf

[hadoop@hadoop1 conf]$cp flume-env.sh.template flume-env.sh

（4）配置环境变量

[hadoop@hadoop1 conf]$vi ~/.bashrc

#FLUME

export FLUME_HOME=/home/hadoop/apps/flume

export PATH=$PATH:$FLUME_HOME/bin

保存使其立即生效

[hadoop@hadoop1 conf]$source ~/.bashrc

（5）查看版本

[hadoop@hadoop1 ~]$flume-ng version