大数据Flume学习之旅第一篇

Mark_Zoe
962 阅读6分钟

「这是我参与11月更文挑战的第23天，活动详情查看：2021最后一次更文挑战」。

一、Flume 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。

image.png

2、Flume 基础架构

Flume 组成架构如下图所示

image.png

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。

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、taildir、sequence generator、syslog、http、legacy。

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。

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。

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。

image.png

二、Flume 入门

1、Flume 安装部署

1.1、安装地址

（1）Flume 官网地址：flume.apache.org/

（2）文档查看地址：flume.apache.org/FlumeUserGu…

（3）下载地址：archive.apache.org/dist/flume/

1.2、安装部署

  • 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

    [moe@hadoop102 module]$ tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/module/

  • 修改 apache-flume-1.9.0-bin 的名称为 flume

    [moe@hadoop102 module]$ 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

    [moe@hadoop102 lib]$ rm guava-11.0.2.jar

2、Flume 入门案例

2.1、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。

  • 需求分析：

    image.png

  • 实现步骤：

    1. 安装 netcat 工具

      [moe@hadoop102 flume]$ sudo yum install -y nc

    2. 判断 44444 端口是否被占用

      [moe@hadoop102 flume]$ sudo netstat -nlp | grep 44444

    3. 在 flume 目录下创建 job 文件夹并进入 job 文件夹

      [moe@hadoop102 flume]$ mkdir job
[moe@hadoop102 flume]$ cd job/

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

      [moe@hadoop102 job]$ vim flume-netcat-logger.conf

    5. 在 flume-netcat-logger.conf 文件中添加如下内容

      flume.apache.org/releases/co…

      # 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

      image.png

    6. 先开启 flume 监听端口

      • 第一种写法：

        [moe@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

      • 第二种写法：

        [moe@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f 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。

    7. 使用 netcat 工具向本机的 44444 端口发送内容

      [moe@hadoop102 flume]$ nc localhost 44444
hello
OK
moe
OK
zoe
OK

    8. 在 Flume 监听页面观察接收数据情况

      image.png

2.2、实时监控单个追加文件

  1. 案例需求：实时监控 Hive 日志，并上传到 HDFS 中

  2. 需求分析：

    image.png

  3. 实现步骤：

    • Flume 要想将数据输出到 HDFS，依赖 Hadoop 相关 jar 包检查 Hadoop 和 Java 环境变量配置正确

    • 创建 flume-file-hdfs.conf 文件

      [moe@hadoop102 job]$ vim 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/module/hive-3.1.2/logs/hive.log

# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:8020/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

      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）

      a3.sinks.k3.hdfs.useLocalTimeStamp = true

    • 运行 Flume

      [moe@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a2 -f job/flume-file-hdfs.conf

    • 开启 Hadoop 和 Hive 并操作 Hive 产生日志

      [moe@hadoop102 logs]$ sbin/start-dfs.sh
[moe@hadoop102 logs]$ sbin/start-yarn.sh
[moe@hadoop102 logs]$ bin/hive

    • 在 HDFS 上查看文件

      image.png

2.3、实时监控目录下多个新文件

  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：

    image.png

  3. 实现步骤：

    • 创建配置文件 flume-dir-hdfs.conf

      [moe@hadoop102 job]$ vim flume-dir-hdfs.conf

      添加如下内容

      # 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://hadoop102:8020/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

    • 启动监控文件夹命令

      [moe@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a3 -f job/flume-dir-hdfs.conf

    • 向 upload 文件夹中添加文件

      [moe@hadoop102 flume]$ mkdir upload

      向 upload 文件夹中添加文件

      [moe@hadoop102 flume]$ touch upload/moe.txt
[moe@hadoop102 flume]$ touch upload/moe.tmp
[moe@hadoop102 flume]$ touch upload/moe.log
[moe@hadoop102 flume]$ touch upload/zoe.log
[moe@hadoop102 flume]$ touch upload/zoe.txt

    • 查看 HDFS 上的数据

      image.png

2.4、实时监控目录下的多个追加文件

Exec source 适用于监控一个实时追加的文件，不能实现断点续传；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；而 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。

  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:

    image.png

  3. 实现步骤：

    • 创建配置文件 flume-taildir-hdfs.conf

      [moe@hadoop102 job]$ vim flume-taildir-hdfs.conf

      添加如下内容

      # Name the components on this agent
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://hadoop102:8020/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 = 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

    • 启动监控文件夹命令

      [moe@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a3 -f job/flume-taildir-hdfs.conf

    • 向 files 文件夹中追加内容

      在/opt/module/flume 目录下创建 files 文件夹

      [moe@hadoop102 flume]$  mkdir files

      moe@hadoop102 files2]$ echo 'hello flume' >> log1.txt
[moe@hadoop102 files2]$ echo 'hello java' >> log1.txt
[moe@hadoop102 files2]$ echo 'hello spark' >> log2.txt

    • 查看 HDFS 上的数据

      image.png

      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 的格式如下：

      [moe@hadoop102 flume]$ cat tail_dir.json 
[{"inode":1843859,"pos":14,"file":"/opt/module/flume/files/file1.txt"},{"inode":1843860,"pos":9,"file":"/opt/module/flume/files/file2.txt"},{"inode":1843862,"pos":23,"file":"/opt/module/flume/files2/log1.txt"},{"inode":1843863,"pos":25,"file":"/opt/module/flume/files2/log2.txt"}

      注：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。

avatar
文章
阅读
粉丝