Flume概述

Leefs 2022-03-24 PM 1008℃ 0条

[TOC]

### 一、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。

![01.Flume概述01.png](https://lilinchao.com/usr/uploads/2022/03/2525284403.png)

Flume最主要的作用就是，**实时读取服务器本地磁盘的数据，将数据写入到HDFS**。

#### Flume作用

+ 从固定目录下采集日志信息到目的地（HDFS，HBase，Kafka）；
+ 实时采集日志信息（taidir）到目的地；
+ 支持级联（多个Flume对接起来），合并数据；
+ 支持按照用户定制采集数据。

#### 说明

Flume 使用 java 编写，其需要运行在 java1.6 或更高版本之上。

- 官方网站：http://flume.apache.org/

### 二、演进过程

Flume 最初是 Cloudera 开发的日志收集系统，受到了业界的认可与广泛应用，后来逐步演化成支持任何流式数据收集的通用系统。

**Flume目前存在两个版本：**

+ **Flume OG（Original generation）**
+ **Flume NG (Next/New generation)**

其中 Flume OG 对应的是 Apache Flume 0.9.x 之前的版本，早期随着 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，重构后的版本统称为 Flume NG（next generation）。同时此次改动后，Flume 也纳入了 apache 旗下。

Flume NG在OG的架构基础上做了调整，去掉了中心化组件 master 以及服务协调组件 Zookeeper，使得架构更加简单和容易部署。Flume NG 和 OG 是完全不兼容的，但沿袭了 OG 中的很多概念，包括Source,Sink等。

### 三、Flume基础架构

![01.Flume概述02.png](https://lilinchao.com/usr/uploads/2022/03/2003528372.png)

+ **Agent**

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。

+ **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。

**Source直接读取文件方式**：

+ **ExecSource**: 以运行 Linux 命令的方式，持续的输出最新的数据，如 `tail -F 文件名` 指令，在这种方式下，取的文件名必须是指定的。

ExecSource 可以实现对日志的实时收集，但是存在Flume不运行或者指令执行出错时，将无法收集到日志数据，无法保证日志数据的完整性。

+ **SpoolSource**：监测配置的目录下新增的文件，并将文件中的数据读取出来。

需要注意两点：拷贝到 spool 目录下的文件不可以再打开编辑；spool 目录下不可包含相应的子目录。

SpoolSource 虽然无法实现实时的收集数据，但是可以使用以分钟的方式分割文件，趋近于实时。

如果应用无法实现以分钟切割日志文件的话， 可以两种收集方式结合使用。 在实际使用的过程中，可以结合 log4j 使用，使用 log4j的时候，将 log4j 的文件分割机制设为1分钟一次，将文件拷贝到spool的监控目录。

log4j 有一个 TimeRolling 的插件，可以把 log4j 分割文件到 spool 目录。基本实现了实时的监控。Flume 在传完文件之后，将会修改文件的后缀，变为 .COMPLETED（后缀也可以在配置文件中灵活指定）。

**Flume Source 支持的类型：**

不同的 source，可以接受不同的数据格式。

| Source类型                 | 说明                                                    |
  | :------------------------- | ------------------------------------------------------- |
  | avro source                | 支持Avro协议（实际上是Avro RPC），内置支持              |
  | thrift source              | 支持Thrift协议，内置支持                                |
  | exec source                | 基于Unix的command在标准输出上生产数据                   |
  | jms source                 | 从JMS系统（消息、主题）中读取数据，ActiveMQ已经测试过   |
  | spooling directory source  | 监控指定目录内数据变更                                  |
  | twitter 1% firehose source | 通过API持续下载Twitter数据，试验性质                    |
  | netcat source              | 监控某个端口，将流经端口的每一个文本行数据作为Event输入 |
  | sequence generator source  | 序列生成器数据源，生产序列数据                          |
  | syslog source              | 读取syslog数据，产生Event，支持UDP和TCP两种协议         |
  | http source                | 基于HTTP POST或GET方式的数据源，支持JSON、BLOB表示形式  |
  | legacy source              | 兼容老的Flume OG中Source（0.9.x版本）                   |
  | kafka source               | 从kafka中获取数据                                       |

+ **Sink**

Sink不断地轮询Channel中的事件，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在设置存储数据时，可以向文件系统、数据库、hadoop存数据，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。

**Flume Sink支持的类型：**

| Sink类型            | 说明                                                |
  | ------------------- | --------------------------------------------------- |
  | HDFS Sink           | 数据写入HDFS                                        |
  | Logger Sink         | 数据写入日志文件                                    |
  | Avro Sink           | 数据被转换成Avro Event，然后发送到配置的RPC端口上   |
  | Thrift Sink         | 数据被转换成Thrift Event，然后发送到配置的RPC端口上 |
  | IRC Sink            | 数据在IRC上进行回放                                 |
  | File Roll Sink      | 存储数据到本地文件系统                              |
  | Null Sink           | 丢弃到所有数据                                      |
  | HBase Sink          | 数据写入HBase数据库                                 |
  | Morphline Solr Sink | 数据发送到Solr搜索服务器（集群）                    |
  | ElasticSearch Sink  | 数据发送到Elastic Search搜索服务器（集群）          |
  | Kite Dataset Sink   | 写数据到Kite Dataset，试验性质的                    |
  | Custom Sink         | 自定义Sink实现                                      |

+ **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。当Sink成功地将events发送到下一跳的channel或最终目的端，events从Channel移除。

**不同的Channel提供的持久化水平也是不一样的：**

+ **Memory Channel**：不会持久化。消息存放在内存中，提供高吞吐，但不提供可靠性；可能丢失数据。
  + **File Channel**：对数据持久化；基于WAL（预写式日志Write-Ahaad Log）实现。但是配置较为麻烦，需要配置数据目录和checkpoint目录；不同的file channel均需要配置一个checkpoint目录。
  + **JDBC Channel**：基于嵌入式Database实现。内置derby数据库，对event进行了持久化，提供高可靠性；可以取代同样持久特性的file channel。

**Channels支持事物，提供较弱的顺序保证，可以连接任何数量的Source和Sink。**

+ **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。

![01.Flume概述03.png](https://lilinchao.com/usr/uploads/2022/03/3188894094.png)

### 四、可靠性

Flume 的核心是把数据从数据源收集过来，再送到目的地。为了保证输送一定成功，在送到目的地之前，会先缓存数据，待数据真正到达目的地后，删除自己缓存的数据。

Flume 使用事务性的方式保证传送Event整个过程的可靠性。Sink 必须在 Event 被存入 Channel 后，或者，已经被传达到下一站agent里，又或者，已经被存入外部数据目的地之后，才能把 Event 从 Channel 中 remove 掉。这样数据流里的 event 无论是在一个 agent 里还是多个 agent 之间流转，都能保证可靠，因为以上的事务保证了 event 会被成功存储起来。而 Channel 的多种实现在可恢复性上有不同的保证。也保证了 event 不同程度的可靠性。比如 Flume 支持在本地保存一份文件 channel 作为备份，而memory channel 将 event 存在内存 queue 里，速度快，但丢失的话无法恢复。

*文章参考链接：*

*https://wangkang007.gitbooks.io/java/content/flumejie_shao.html*

*https://blog.csdn.net/weixin_44966780/article/details/121950169*

标签: Flume

非特殊说明，本博所有文章均为博主原创。

如若转载，请注明出处：https://lilinchao.com/archives/1946.html

上一篇 DataX介绍

下一篇 Flume进阶

Flume概述

评论啦~

栏目分类

标签云

友情链接申请

Flume概述

 评论啦~

 栏目分类

标签云

友情链接申请

评论啦~

栏目分类

标签云

友情链接申请