flume笔记（一）：基础/概述/案例_在flume目录下新建job目录

目录

flume概述

定义

基础框架

案例

监控端口数据官方案例

实时监控单个追加文件

实时监控目录下多个新文件夹

实时监控目录下的多个追加文件

---

flume概述

定义

Flume是一个高可用、高可靠、分布式的海量日志采集、聚合和传输的系统；基于流式架构，灵活简单。

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

基础框架

基础框架图

 

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地。

Agent主要有3个部分组成：source、channel、sink。

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。

Channel

Channel是位于Source和Sink之间的缓冲区，Channel允许Source和Sink运作在不同的速率上。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、File Channel。

Memory Channel是内存中的队列，在不需要关心数据丢失的情景下适用。需要关心数据丢失问题时不适用，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。

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组件的目的地包括：hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义。

Event

event是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。

案例

（1）下载安装netcat

sudo yum install -y nc

监控端口数据官方案例

（1）需求：使用flume监控一个端口，收集端口数据并打印到控制台。

（2）分析：

1）通过netcat工具向本机的44444端口发送数据；

2）flume监控44444端口，通过flume的source端读取数据；

3）flume将获取的数据通过sink写出到控制台。

（3）判断netcat的44444端口是否被占用

sudo netstat -nlp | grep 44444

 

无占用

（4）创建agent

1）在flume的目录下创建job文件夹，在job文件夹下创建netcat-flume-logger.conf

mkdir job

vim netcat-flume-logger.conf

2）编写netcat-flume-logger.conf

#Name the components on this agent
# a1代表着我们的agent的命名
# r1、k1、c1 分别代表我们的source sink channel
a1.sources = r1
a1.sinks = k1
a1.channels = c1
 
# Describe/configure the source
# 这是source的配置
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop01
a1.sources.r1.port = 44444
 
# Describe the sink
# sink的配置
a1.sinks.k1.type = logger
 
# Use a channel which buffers events in memory
# 这个地方是channel的配置， 使用的是内存作为缓存
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
 
# Bind the source and sink to the channel
# source channel sink三个组件绑定的配置
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

（5）测试

1）开启flume监控端口

bin/flume-ng agent -c conf/ -n a1 -f job/netcat-flume-logger.conf -Dflume.root.logger=INFO,console

2）使用netcat工具向本机的44444端口发送内容

nc hadoop01 44444

3）在flume端口观察数据

实时监控单个追加文件

（1）需求：实时监控hive日志，并上传到HDFS

（2）分析：

1）创建flume文件；

2）执行文件，开启监控；

3）开启hive生成日志；

4）查看HDFS数据。

（3）在flume的job目录下创建conf文件

vim flume-hive-hdfs.conf

编写：

#agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2
 
#source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /tmp/root/hive.log
 
#sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop01:9000/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
 
#channel
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
 
#source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

注：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）

（4）测试

运行flume。启动hive

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

实时监控目录下多个新文件夹

（1）需求：用flume监控整个目录的文件并上传到HDFS

（2）分析：

1）创建flume文件；

2）执行文件开启监控；

3）向目录中添加文件；

4）查看HDFS上的数据；

5）查看目录中的文件是否标记.COMPLETED。

（3）创建flume-dir-hdfs.conf

编写：

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

（4）测试

1）启动监控文件夹命令

 bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

说明：在使用Spooling Directory Source时不要在监控目录中创建并持续修改文件；上传完成的文件会以.COMPLETED结尾；被监控文件夹每500毫秒扫描一次文件变动。

2）添加文件，查看数据及变化

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；

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）需求：使用flume监听整个目录的实时追加文件

（2）分析

1）创建flume文件；

2）执行文件，开启监控；

3）向监控文件中追加内容；

4）查看HDFS上数据；

（3）实现步骤

1）创建flume-taildir-hdfs.conf

2）代码：

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

3）启动监控文件夹命令

 bin/flume-ng agent --conf conf/ --name 
a3 --conf-file job/flume-taildir-hdfs.conf

4）向 files 文件夹中追加内容

5）查看 HDFS 上的数据

Taildir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。

本文为学习笔记！！！