flume安装部署以及使用案例_[atguigu@hadoop102 ~]$ nc localhost 44444 ncat: co

一、Flume概述

1、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

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RV3UdQii-1597403755028)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597309346265.png)]

2、Flume基础架构

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-KlIPpUWX-1597403755030)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597309392561.png)]

（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）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、sequence generator、syslog、http、legacy。

（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。

（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。

（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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-C8Bl9S4y-1597403755032)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597309699220.png)]

二、Flume入门

1、Flume安装部署

（1）安装地址

Flume官网地址：http://flume.apache.org/
文档查看地址：http://flume.apache.org/FlumeUserGuide.html
下载地址：http://archive.apache.org/dist/flume/

（2）安装部署

（1）将apache-flume-1.9.0-bin.tar.gz上传到linux的/opt/software目录下
（2）解压apache-flume-1.9.0-bin.tar.gz到/opt/module/目录下

tar -zxvf /opt/software/apache-flume-1.9.0-bin.tar.gz -C /opt/module/
1

（3）修改apache-flume-1.9.0-bin的名称为flume

mv /opt/module/apache-flume-1.9.0-bin /opt/module/flume
1

（4）将lib文件夹下的guava-11.0.2.jar删除以兼容Hadoop 3.1.3

rm /opt/module/flume/lib/guava-11.0.2.jar
1

2、Flume入门案例

（1） 监控端口数据官方案例

1）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。

2）需求分析：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kMT37mJJ-1597403755034)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597310045998.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L3tnUCcZ-1597403755035)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597325800948.png)]3）实现步骤：

（1）安装netcat工具

[atguigu@hadoop102 software]$ sudo yum install -y nc
1

（2）判断44444端口是否被占用

[atguigu@hadoop102 flume-telnet]$ sudo netstat -tunlp | grep 44444
1

（3）创建配置文件

（配置文件名字随便取，只要在输入linux命令时对应就行了）

在flume目录下创建job文件夹并进入job文件夹。

[atguigu@hadoop102 flume]$ mkdir job
[atguigu@hadoop102 flume]$ cd job/
1
2

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

[atguigu@hadoop102 job]$ vim netcat-flume-logger.conf
1

在netcat-flume-logger.conf文件中添加如下内容。

# Name the components on this agent  （a1就是agent的名字，可以随意取）
# 取source，sink，channel的名字
a1.sources = r1       
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
# 设置source的类型，服务器ip和端口
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop102
a1.sources.r1.port = 44444

# Describe the sink
设置sink的类型，这里设置的是logger就可以以日志形式打印在控制台
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
# channel类型设置为memory类型，channel容量为1000个event，channel传输时收到100条event再提交事务
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
#表示r1和c1连接起来，k1和c1连接起来
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

4）先开启flume监听端口

[atguigu@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
1

agent必须写前面

–conf表示配置文件存储在conf/目录

–name 后接agent的名字

–conf-file后接自定义的配置文件路径

-Dflume.root.logger=INFO,console是在配置logger类型的sink时写上，才可以以日志形式输出到控制台

-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。

第二种写法：

[atguigu@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
1

5）使用netcat工具向本机的44444端口发送内容

注意：

必须先开启监听端口再启动netcat工具

此时我必须nc localhost，如果nc hadoop102则会报错：Ncat: Connection refused.因为我配置文件里配置的是localhost，如果我把配置文件改成hadoop102就可以用nc Hadoop02 44444开启netcat

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TIkdurqr-1597403755036)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597322571272.png)]

[atguigu@hadoop102 ~]$ nc localhost 44444

hello 

atguigu
1
2
3
4
5

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eNh4hCD1-1597403755037)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597321851650.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-R21tHuYx-1597403755037)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597321889730.png)]

（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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5VzOvM3J-1597403755038)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597322670222.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-L072TmHU-1597403755039)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597328856844.png)]3）实现步骤：

1.创建新的配置文件如下：

# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
#tail -F后面是要监控的文件目录，source类型选用exec。
#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。
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log


# 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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

企业版：

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/datas/hive.log


# Describe the sink
#选择hdfs类型的sink可以将sink输出上传到hdfs
a1.sinks.k1.type = hdfs 
#表示上传到hdfs的路径。并且以时间 年月日-小时 命名文件夹
a1.sinks.k1.hdfs.path =/flume/%Y%m%d/%H
#对上传文件加前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否对时间戳取整
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
#这里10s生成文件，文件大小设置的比128m小一点点，因为hdfs一个块大小是128m
a1.sinks.k1.hdfs.rollInterval = 10
#设置每个文件的滚动大小
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0

# 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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

2.启动agent

[atguigu@hadoop102 flume]$ bin/flume-ng agent -c conf/ -f job/file-flume-hdfs2.conf -n a1
1

查看hdfs，会生成文件夹，若操作hive，hive更新的日志会传入到hdfs

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zzQttRxv-1597403755040)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597326205519.png)]

4）总结：

sink hdfs
hdfs 路径  /flume/%Y%m%d/%H   只有配成这样大概样式才能保证滚动文件夹
fileType   Datastream  表示你能看得懂

------滚动文件
rollInterval  按多久滚动一次hdfs文件  默认s为单位  在中小企业配成3600秒
rollSize      按多大滚动一次hdfs文件  默认字节为单位 在企业一般比块大小小那么一丢丢
rollCount     按事件个数滚动hdfs文件  默认单位是event 在企业设为0
-----滚动文件夹
round 表示对时间戳取整  取整单位由下面两个参数决定  默认是flase
roundValue 表示滚动文件夹的值   默认1
roundUint  表示滚动文件夹的单位 默认s
1
2
3
4
5
6
7
8
9
10
11
12

（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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CQyej9lz-1597403755040)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597324956275.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ANkrdvfq-1597403755041)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597326081544.png)]3）实现步骤：

1.新建配置文件

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
#带compled后缀的文件不会上传
a3.sources.r3.fileSuffix = .COMPLETED
#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 = /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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

2.启动flume

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

此时发现hdfs上文件夹已经创建好了，向监控的文件夹新建一个新的文件b.txt时，hdfs文件夹里会生成一个tmp结尾的临时文件，过一会会变成非临时文件，而b.txt文件由于已经被上传到hdfs，所以后面有.completed后缀
1
2
3

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s9y4aprI-1597403755042)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597327580829.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-z9y0Nn1B-1597403755043)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597327611378.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6pUIuUm2-1597403755044)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597327639920.png)]

4）总结：

1.这个source 是拿来上传已经完整文件
2.这个source 能够去每隔500ms去扫描一次指定的文件夹
3.不要在指定的文件夹 持续修改文件 会导致重复上传
4.不要传同名文件两次，会导致这个agent挂掉
5.不要传指定文件后缀名(.COMPLETED)的文件
6.先上传文件后改名

（4）实时监控多目录下的多个追加文件

（taildir source最重要）

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：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LmYcyN6u-1597403755044)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597329048543.png)]

这里使用 logger sink演示：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pTTTlgS6-1597403755045)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597329181605.png)]

3）实现步骤：

1.新建配置文件：

a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = TAILDIR
#JSON格式的文件，用于记录每个监控的文件的索引节点，绝对路径和最后位置。
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume/file1/file1.txt
#以file开头.txt结尾的文件
a3.sources.r3.filegroups.f2 = /opt/module/flume/file2/file.*.txt

# Describe the sink
a3.sinks.k3.type = logger


# 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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

2.创建file1和file2文件夹，创建相应的file1.txt和file2.txt文件，并开启flume监控

[atguigu@hadoop102 flume]$ bin/flume-ng agent -n a3 -c conf/ -f job/files-flume-logger.conf -Dflume.root.logger=INFO,console
1

3.向file1.txt文件输入内容

[atguigu@hadoop102 file1]$ echo "hello file1">>file1.txt

观察发先输入的内容以logger打印到控制台，并且多了个tail_dir.json文件，文件容都是json对象形式
注意：
在开启flume监控后新输入的文件内容才会打印，之前就存在的内容不会监听

如果暂停flume监控，将file1.txt文件更名，追加内容，然后再开启flume监控还是会打印新追加的内容到控制台，因为tail_dir.json文件存了file1.txt文件的inode值，更名不会改变inode值，而且更名之后tail_dir.json文件中内容file1也更名了。
1
2
3
4
5
6
7

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-I5AAVNbD-1597403755046)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597330449621.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-262ll35d-1597403755047)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597330761814.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LVRDQTm7-1597403755047)(E:/%E5%A4%8D%E4%B9%A0%E7%AC%94%E8%AE%B0/flume/flum.assets/1597330823720.png)]

4）总结：

1.首先如果需要追踪多目录 需要配置filegroups 然后分别给对应的filegroups 赋值(文件的绝对路径)
2.taildir 如果想要完成断点续传：需要记录位置信息(inode pos path) 这三个改任何一个都能改变文件读取的位置

3.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。

e监控还是会打印新追加的内容到控制台，因为tail_dir.json文件存了file1.txt文件的inode值，更名不会改变inode值，而且更名之后tail_dir.json文件中内容file1也更名了。

[外链图片转存中...(img-I5AAVNbD-1597403755046)]

[外链图片转存中...(img-262ll35d-1597403755047)]

[外链图片转存中...(img-LVRDQTm7-1597403755047)]

#### 4）总结：

1.首先如果需要追踪多目录 需要配置filegroups 然后分别给对应的filegroups 赋值(文件的绝对路径)
2.taildir 如果想要完成断点续传：需要记录位置信息(inode pos path) 这三个改任何一个都能改变文件读取的位置

3.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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14