Flume 的基本介绍和安装部署

一、Flume 概述

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、聚合和传输的框架服务
Flume 基于流式架构，灵活简单，能够实时读取服务器本地磁盘的数据，将数据写入到 HDFS

在这里插入图片描述

二、Flume 基础架构

在这里插入图片描述

Agent：一个 JVM 进程，它以事件的形式将数据从源头送至目的，一个 Flume 集群有多个 Agent。Agent 主要有 3 个部分组成：Source、Channel、Sink
Source：负责接收数据到 Flume Agent 的组件。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、 taildir、sequence generator、syslog、http、legacy
Sink：不断地轮询 Channel 中的 Event 且批量地移除 Event，并将这些 Event 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
Channel：位于 Source 和 Sink 之间的缓冲区。Channel 允许 Source 和 Sink 运作在不同的速率上，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：内存中的队列，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
Event：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(byte array)，通过设置不同的 Header 可以让同一 Source 的 Event 进入不同的 Channel 和 Sink

三、Flume 安装部署

1. 下载

进入下载地址：http://archive.apache.org/dist/flume/
选择对应的版本点击进入
点击下载对应的 tar 安装包

2. 安装

将 apache-flume-1.9.0-bin.tar.gz 上传到 linux 的 /opt/software 目录下
解压 apache-flume-1.9.0-bin.tar.gz 到 /opt/module/ 目录下
```
tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/module/
```
将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3
```
rm -rf /opt/module/flume/lib/guava-11.0.2.jar
```
注意：系统中必须配置 Java 和 Hadoop 的环境变量

四、入门案例

1. 监控端口数据

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
思路：
- Flume 监控本机的 44444 端口，通过 Source 端读取数据
- 使用 netcat 工具向本机的 44444 端口发送数据
- Flume 将获取的数据通过 Sink 端打印到控制台

实现：

前期准备

# 安装 netcat 工具
sudo yum install -y nc

# 判断 44444 端口是否被占用
sudo netstat -nlp | grep 44444

Flume 配置

# 在 flume 安装目录下创建 job 文件夹
cd /opt/module/flume
mkdir job

# 在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf 并添加内容
vim job/flume-netcat-logger.conf

    # 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 = 1000
    a1.channels.c1.transactionCapacity = 100 

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

开启 flume 监听端口
```
# 语法一
bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

# 语法二
bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf 
-Dflume.root.logger=INFO,console
```
- --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
使用 netcat 工具向本机的 44444 端口发送内容
```
nc localhost 44444
hello 
```
在 Flume 监听页面观察接收数据情况

2. 实时监控单文件追加

需求：实时监控 Hive 日志，并上传到 HDFS 中
思路：
- Flume 通过 Source 端执行 tail -F 命令监控 Hive 日志文件
- 执行 Hive 操作命令生成日志信息
- Flume 通过 Sink 端将获取到的日志信息传输到 HDFS

实现：

确保系统中配置 Java 和 Hadoop 环境变量

Flume 配置

# 在 job 目录下创建 file-flume-hdfs.conf 文件并添加内容
cd /opt/module/flume

vim job/file-flume-hdfs.conf
    # 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/module/hive/logs/hive.log
    # Describe the sink
    a2.sinks.k2.type = hdfs
    a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/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
    #设置文件类型，可支持压缩
    a2.sinks.k2.hdfs.fileType = DataStream
    #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 = 1000
    a2.channels.c2.transactionCapacity = 100
    # Bind the source and sink to the channel
    a2.sources.r2.channels = c2
    a2.sinks.k2.channel = c2

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）

运行 Flume

bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

开启 Hadoop 和 Hive 并操作 Hive 产生日志
```
sbin/start-dfs.sh
sbin/start-yarn.sh
bin/hive
```
在 HDFS 上查看文件

总结：Exec source 适用于监控一个实时追加的文件，但不能实现断点续传

3. 实时监控目录新增文件

需求：使用 Flume 监听整个目录的文件，并上传至 HDFS
思路：
- Flume 通过 Source 端监控一个目录
- 向被监控的目录中添加文件，已经上传的后缀为 .completed，未上传的为 .tmp
- Flume 通过 Sink 端将目录中后缀为 .completed 的文件传输到 HDFS

实现：

Flume 配置

# 在 job 目录下创建配置文件 dir-flume-hdfs.conf 并添加内容
cd /opt/module/flume

vim job/dir-flume-hdfs.conf
	# Name the components on this agent
	a3.sources = r3
    a3.sinks = k3
    a3.channels = c3
    # Describe/configure the source
    a3.sources.r3.type = spooldir
    a3.sources.r3.spoolDir = /opt/module/flume/upload
    a3.sources.r3.fileSuffix = .COMPLETED
    a3.sources.r3.fileHeader = true
    #忽略所有以.tmp 结尾的文件，不上传
    a3.sources.r3.ignorePattern = ([^ ]*\.tmp)
    # Describe the sink
    a3.sinks.k3.type = hdfs
    a3.sinks.k3.hdfs.path = hdfs://hadoop102:9820/flume/upload/%Y%m%d/%H
    #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.roundUnit = 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 = 60
    #设置每个文件的滚动大小大概是 128M
    a3.sinks.k3.hdfs.rollSize = 134217700
    #文件的滚动与 Event 数量无关
    a3.sinks.k3.hdfs.rollCount = 0
    # Use a channel which buffers events in memory
    a3.channels.c3.type = memory
    a3.channels.c3.capacity = 1000
    a3.channels.c3.transactionCapacity = 100
    # Bind the source and sink to the channel
    a3.sources.r3.channels = c3
    a3.sinks.k3.channel = c3

启动 Flume

bin/flume-ng agent -n a3 -c conf/ -f job/dir-flume-hdfs.conf

在被监控的目录下创建新文件
```
touch hello.txt
```
查看 HDFS 上的数据

总结：Spooldir Source 适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步

4. 实时监控目录多文件追加

需求：使用 Flume 监听整个目录的实时追加文件，并上传至 HDFS

实现：

Flume 配置

# 在 job 目录下创建 taildir-flume-hdfs.conf 配置文件并添加内容
cd /opt/module/flume

vim job/taildir-flume-hdfs.conf
    a3.sources = r3
    a3.sinks = k3
    a3.channels = c3
    # Describe/configure the source
    a3.sources.r3.type = TAILDIR
    a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
    a3.sources.r3.filegroups = f1 f2
    a3.sources.r3.filegroups.f1 = /opt/module/flume/files/.*file.*
    a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*
    # Describe the sink
    a3.sinks.k3.type = hdfs
    a3.sinks.k3.hdfs.path = hdfs://hadoop102:9820/flume/upload2/%Y%m%d/%H
    #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.roundUnit = 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 = 60
    #设置每个文件的滚动大小大概是 128M
    a3.sinks.k3.hdfs.rollSize = 134217700
    #文件的滚动与 Event 数量无关
    a3.sinks.k3.hdfs.rollCount = 0
    # Use a channel which buffers events in memory
    a3.channels.c3.type = memory
    a3.channels.c3.capacity = 1000
    a3.channels.c3.transactionCapacity = 100
    # Bind the source and sink to the channel
    a3.sources.r3.channels = c3
    a3.sinks.k3.channel = c3

启动 Flume

bin/flume-ng agent -n a3 -c conf/ -f job/taildir-flume-hdfs.conf

向被监控的目录中添加文件并追加内容

echo hello >> file1.txt
echo flume >> file2.txt

查看 HDFS 上的数据

说明：
- Taildir Source 维护了一个 json 格式的 position File，其会定期的往 position File 中更新每个文件读取到的最新的位置，因此能够实现断点续传
- Position File 的格式：
```
{"inode":2496272,"pos":12,"file":"/opt/module/flume/files/file1.txt"}
{"inode":2496275,"pos":12,"file":"/opt/module/flume/files/file2.txt"}
```
- Linux 中储存文件元数据的区域就叫做 inode，每个 inode 都有一个号码，操作系统用 inode 号码来识别不同的文件，Unix/Linux 系统内部不使用文件名，而使用 inode 号码来识别文件
问题：
- Taildir Source 是通过 inode 和 fileName 共同监控一个文件的，只要其中一个发生改变，Flume 即认为文件发生变化，就会同步上传数据到 HDFS
- 很多程序使用的日志框架为 log4j，其特点是当天生成的日志文件名为 xxx.log，第二天将前一天的日志文件更名为 xxx.log-yyyy-MM-dd，所以 Flume 会重复上传日志数据
- 解决：
  - 更换日志框架为 logback
  - 修改源码
    1. 下载源码包 src (flume-taildir-source)
    2. 修改 TailFile 类的 updatePos 方法和 RliableTaildirEventReader 类的 256 行
    3. 重新打包源码
    4. 将修改后的源码包上传到 flume 安装目录下的 lib 目录中替换原来的 jar 包
总结：Taildir Source 适合用于监听多个实时追加的文件，并且能够实现断点续传