日志采集框架 Flume
1 概述
Flume是一個分布式、可靠、和高可用的海量日志采集、聚合和傳輸的系統。
Flume可以采集文件，socket數據包等各種形式源數據，又可以將采集到的數據輸出到HDFS、hbase、hive、kafka等眾多外部存儲系統中。
一般的采集需求，通過對flume的簡單配置即可實現。
Flume針對特殊場景也具備良好的自定義擴展能力，因此，flume可以適用於大部分的日常數據采集場景。
2 運行機制及組件
Flume分布式系統中最核心的角色是agent，flume采集系統就是由一個個agent所連接起來形成。
每一個angent相當於一個數據傳遞員，內部有三個組件：
a) Source:采集源，用於對接數據源，以獲取數據。
b) Sink:下沉地，采集數據的傳送目的地，用於往下一級agent傳遞數據或者往最終存儲系統傳遞數據。
c) Channel:angent內部的數據傳輸通道，用於將數據從Source傳遞到Sink。
Source到channel到Sink之間傳遞數據的形式是Event事件；Event事件是一個數據流單元。
3 Flume采集系統結構圖
a)簡單結構-單個angent采集數據
b)復雜結構-多級angent之間串聯
4 Flume的安裝部署
4.1 flume安裝
a)前提是已有hadoop環境，上傳安裝包到數據源所在的節點,下載地址：http://archive.apache.org/dist/flume/1.6.0/；
b)然后進入flume的目錄，修改conf下的flume-env.sh，在里面配置JAVA_HOME
c)根據數據采集的需求配置采集方案，描述在配置文件中(文件名可任意自定義)
d)指定采集方案配置文件，在相應的節點上啟動flume angent
4.2 采集方案配置示例
4.2.1 采集目錄到hdfs
需求：某服務器的特定目錄下，會不斷產生新的文件，每當有新文件出現，就需要把文件采集到hdfs中去。
根據需求首先定義3大要素：
a)采集源，即Source--監控文件目錄：spooldir
b)下沉目標，即Sink--hdfs文件系統：hdfs sink
c) source 和 sink之間的傳遞通道--channel,可用file channel 也可用內存channel
配置文件編寫：
spooldir-hdfs.conf
#定義三大組件的名稱 agent1.sources = source1 agent1.sinks = sink1 agent1.channels = channel1 # 配置source組件 agent1.sources.source1.type = spooldir agent1.sources.source1.spoolDir = /home/hadoop/logs/ agent1.sources.source1.fileHeader = false #配置攔截器 agent1.sources.source1.interceptors = i1 agent1.sources.source1.interceptors.i1.type = host agent1.sources.source1.interceptors.i1.hostHeader = hostname # 配置sink組件 agent1.sinks.sink1.type = hdfs agent1.sinks.sink1.hdfs.path =hdfs://hdp-node-01:9000/weblog/flume-collection/%y-%m-%d/%H-%M agent1.sinks.sink1.hdfs.filePrefix = access_log agent1.sinks.sink1.hdfs.maxOpenFiles = 5000 agent1.sinks.sink1.hdfs.batchSize= 100 agent1.sinks.sink1.hdfs.fileType = DataStream agent1.sinks.sink1.hdfs.writeFormat =Text agent1.sinks.sink1.hdfs.rollSize = 102400 agent1.sinks.sink1.hdfs.rollCount = 1000000 agent1.sinks.sink1.hdfs.rollInterval = 60 #agent1.sinks.sink1.hdfs.round = true #agent1.sinks.sink1.hdfs.roundValue = 10 #agent1.sinks.sink1.hdfs.roundUnit = minute agent1.sinks.sink1.hdfs.useLocalTimeStamp = true # Use a channel which buffers events in memory agent1.channels.channel1.type = memory agent1.channels.channel1.keep-alive = 120 agent1.channels.channel1.capacity = 500000 agent1.channels.channel1.transactionCapacity = 600 # Bind the source and sink to the channel agent1.sources.source1.channels = channel1 agent1.sinks.sink1.channel = channel1
Channel參數解釋：
capacity：默認該通道中最大的可以存儲的event數量
trasactionCapacity：每次最大可以從source中拿到或者送到sink中的event數量
keep-alive：event添加到通道中或者移出的允許時間
Flume支持眾多的source和sink類型，詳細手冊可參考官方文檔
http://flume.apache.org/FlumeUserGuide.html
啟動
bin/flume-ng agent -c conf -f conf/spooldir-hdfs.conf -n agent1