1. Flume 简介
Apache Flume 是一个专门用于高效地 收集、聚合、传输 大量日志数据的 分布式、可靠 的系统。它特别擅长将数据从各种数据源(如日志文件、消息队列等)传输到 HDFS、HBase、Kafka 等大数据存储系统。
特点:
- 可扩展:支持大规模数据传输,灵活扩展
- 容错性:支持数据恢复和失败重试,确保数据不丢失
- 多种数据源:支持日志文件、网络数据、HTTP请求、消息队列等多种来源
- 流式处理:数据边收集边传输,支持实时传输
2. Flume 架构
Flume 的核心架构由三大组件构成,理解它们对掌握 Flume 的原理至关重要:
2.1 Source(来源)
负责从数据源获取数据,比如:
- taildir(监听日志文件)
- exec(执行命令读取数据)
- kafka(从 Kafka 消费数据)
- netcat(监听端口接收数据)
2.2 Channel(通道)
作为 缓冲区,临时存储数据,支持两种常见类型:
- Memory Channel(内存通道):速度快,但重启可能丢数据
- File Channel(文件通道):写入磁盘,保证数据持久性
2.3 Sink(下游输出)
负责将数据写入目标位置,支持:
- HDFS(写入 Hadoop 分布式文件系统)
- HBase(写入 HBase 数据库)
- Kafka(推送到 Kafka)
- ElasticSearch(支持实时检索)
补充组件:
- Sink Processor:管理多个 Sink,支持负载均衡、故障转移
- Interceptor:在数据进入 Channel 前拦截处理,比如格式转换、过滤数据等
3. Flume 数据流动原理
数据在 Flume 中是按事件 (Event) 传输的,基本流程如下:
1️⃣ Source 从外部采集数据,将每条数据封装为一个 Event
2️⃣ Event 进入 Channel 暂存
3️⃣ Sink 从 Channel 拉取数据,写入目标系统
👉 示例流程:
Web日志 -> Source(taildir) -> Channel(Memory Channel) -> Sink(HDFS)
4. Flume 部署模式
Flume 支持灵活的部署方式,主要有三种:
- 单机模式:Source、Channel、Sink 都在同一节点,简单但不适合大规模数据
- 多机流模式:多个 Flume 节点串联,Source 采集数据,Sink 输出到下一个 Flume 节点的 Source,逐层转发
- 多 Agent 模式:多个 Flume Agent 独立采集数据,汇总到统一 Sink
5. 本地部署(单机)
下载地址:http://archive.apache.org/dist/flume/
tar -zxf apache-flume-1.9.0-bin.tar.gz -C /export/server/
cd /export/server/
mv apache-flume-1.9.0-bin/ flume
--将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3
cd flume/lib
rm guava-11.0.2.jar
6.Flume 入门案例
6.1 监控端口数据官方案例
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。
实现步骤:
yum install -y nc
--判断 44444 端口是否被占用
netstat -nlp | grep 44444
cd /export/server/flume/
mkdir job
cd job/
vim net-flume-logger.conf
--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 = 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
第一种写法:
bin/flume-ng agent --conf conf/ --name a1 --conf-file job/net-flume-logger.conf -
Dflume.root.logger=INFO,console
第二种写法:
bin/flume-ng agent -c conf/ -n a1 -f job/net-flume-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。
此时服务端已经开启,新建一个会话作为客户端,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
6.2 实时监控单个追加文件
案例需求:实时监控 Hive 日志,并上传到 HDFS 中
实现步骤:
确认 Hadoop 和 Hive 环境已经配置,没有配置的可以参考这两篇文章
本地部署HDFS集群https://blog.csdn.net/m0_73641796/article/details/145998092?spm=1001.2014.3001.5501
本地部署Hive集群https://blog.csdn.net/m0_73641796/article/details/146078614?spm=1001.2014.3001.5501
创建 flume-file-hdfs.conf 文件
vim flume-file-hdfs.conf
--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 /export/server/hive/logs/hive.log
# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://node1:8020/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 = 30
# 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
确保 hadoop
用户有写入权限
mkdir -p /export/server/flume/logs
chown -R hadoop:hadoop /export/server/flume/logs
chmod -R 755 /export/server/flume/logs
运行 Flume(用Hadoop用户运行,因为要操作HDFS)
bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf
新建会话,开启 Hadoop 和 Hive 并操作 Hive 产生日志
su hadoop
start-dfs.sh
start-yarn.sh
cd /export/server/hive/
nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &
bin/hive
在 HDFS 上查看文件
6.3 实时监控目录下多个新文件
案例需求:使用 Flume 监听整个目录的文件,并上传至 HDFS
实现步骤:
创建配置文件
vim flume-dir-hdfs.conf
--添加如下内容
a3.sources = r3
a3.sinks = k3
a3.channels = c3
# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /export/server/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://node1:8020/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 = 30
# 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
创建目录并启动
--创建目录
mkdir upload
chown hadoop:hadoop upload/
--启动flume(用hadoop用户)
bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf
新建会话,向 upload 文件夹中添加文件
cd /export/server/flume/upload/
echo "hello world" > 1.txt
查看 HDFS 上的数据
6.4 实时监控目录下的多个追加文件
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
实现步骤:
创建配置文件
vim flume-taildir-hdfs.conf
--添加如下内容
a3.sources = r3
a3.sinks = k3
a3.channels = c3
# Describe/configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /export/server/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /export/server/flume/files/.*file.*
a3.sources.r3.filegroups.f2 = /export/server/flume/files2/.*log.*
# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://node1:8020/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
创建目录并启动
--创建目录
mkdir files files2
chown hadoop:hadoop files
chown hadoop:hadoop files2
--启动flume(用hadoop用户)
bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-taildir-hdfs.conf
向 upload 文件夹中添加文件
cd files
echo hello >> file1.txt
查看 HDFS 上的数据