当前位置:   article > 正文

Flume 的基本介绍和安装部署

Flume 的基本介绍和安装部署

一、Flume 概述

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、聚合和传输的框架服务
Flume 基于流式架构,灵活简单,能够实时读取服务器本地磁盘的数据,将数据写入到 HDFS

在这里插入图片描述

二、Flume 基础架构

在这里插入图片描述

  • Agent:一个 JVM 进程,它以事件的形式将数据从源头送至目的,一个 Flume 集群有多个 Agent。Agent 主要有 3 个部分组成:Source、Channel、Sink
  • Source:负责接收数据到 Flume Agent 的组件。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
  • Sink:不断地轮询 Channel 中的 Event 且批量地移除 Event,并将这些 Event 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
  • Channel: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,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:内存中的队列,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
  • Event: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(byte array),通过设置不同的 Header 可以让同一 Source 的 Event 进入不同的 Channel 和 Sink

三、Flume 安装部署

1. 下载

  • 进入下载地址:http://archive.apache.org/dist/flume/
  • 选择对应的版本点击进入
    在这里插入图片描述
  • 点击下载对应的 tar 安装包
    在这里插入图片描述

2. 安装

  • 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

    tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/module/
    
    • 1
  • 将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3

    rm -rf /opt/module/flume/lib/guava-11.0.2.jar
    
    • 1
  • 注意:系统中必须配置 Java 和 Hadoop 的环境变量

四、入门案例

1. 监控端口数据

  • 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

  • 思路:

    • Flume 监控本机的 44444 端口,通过 Source 端读取数据
    • 使用 netcat 工具向本机的 44444 端口发送数据
    • Flume 将获取的数据通过 Sink 端打印到控制台
  • 实现:

    • 前期准备

      # 安装 netcat 工具
      sudo yum install -y nc
      
      # 判断 44444 端口是否被占用
      sudo netstat -nlp | grep 44444
      
      • 1
      • 2
      • 3
      • 4
      • 5
    • Flume 配置

      # 在 flume 安装目录下创建 job 文件夹
      cd /opt/module/flume
      mkdir job
      
      # 在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf 并添加内容
      vim job/flume-netcat-logger.conf
      
          # 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
      
      
      • 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
    • 开启 flume 监听端口

      # 语法一
      bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
      
      # 语法二
      bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf 
      -Dflume.root.logger=INFO,console
      
      • 1
      • 2
      • 3
      • 4
      • 5
      • 6
      • --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
    • 使用 netcat 工具向本机的 44444 端口发送内容

      nc localhost 44444
      hello 
      
      • 1
      • 2
    • 在 Flume 监听页面观察接收数据情况

2. 实时监控单文件追加

  • 需求:实时监控 Hive 日志,并上传到 HDFS 中

  • 思路:

    • Flume 通过 Source 端执行 tail -F 命令监控 Hive 日志文件
    • 执行 Hive 操作命令生成日志信息
    • Flume 通过 Sink 端将获取到的日志信息传输到 HDFS
  • 实现:

    • 确保系统中配置 Java 和 Hadoop 环境变量

    • Flume 配置

      # 在 job 目录下创建 file-flume-hdfs.conf 文件并添加内容
      cd /opt/module/flume
      
      vim job/file-flume-hdfs.conf
          # 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/logs/hive.log
          # Describe the sink
          a2.sinks.k2.type = hdfs
          a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/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
          # 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
      
      • 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

      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)

    • 运行 Flume

      bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf
      
      • 1
    • 开启 Hadoop 和 Hive 并操作 Hive 产生日志

      sbin/start-dfs.sh
      sbin/start-yarn.sh
      bin/hive
      
      • 1
      • 2
      • 3
    • 在 HDFS 上查看文件

  • 总结:Exec source 适用于监控一个实时追加的文件,但不能实现断点续传

3. 实时监控目录新增文件

  • 需求:使用 Flume 监听整个目录的文件,并上传至 HDFS

  • 思路:

    • Flume 通过 Source 端监控一个目录
    • 向被监控的目录中添加文件,已经上传的后缀为 .completed,未上传的为 .tmp
    • Flume 通过 Sink 端将目录中后缀为 .completed 的文件传输到 HDFS
  • 实现:

    • Flume 配置

      # 在 job 目录下创建配置文件 dir-flume-hdfs.conf 并添加内容
      cd /opt/module/flume
      
      vim job/dir-flume-hdfs.conf
      	# 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://hadoop102:9820/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
      
      • 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
      • 45
    • 启动 Flume

      bin/flume-ng agent -n a3 -c conf/ -f job/dir-flume-hdfs.conf
      
      • 1
    • 在被监控的目录下创建新文件

      touch hello.txt
      
      • 1
    • 查看 HDFS 上的数据

  • 总结: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

4. 实时监控目录多文件追加

  • 需求:使用 Flume 监听整个目录的实时追加文件,并上传至 HDFS

  • 实现:

    • Flume 配置

      # 在 job 目录下创建 taildir-flume-hdfs.conf 配置文件并添加内容
      cd /opt/module/flume
      
      vim job/taildir-flume-hdfs.conf
          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
      
      • 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
    • 启动 Flume

      bin/flume-ng agent -n a3 -c conf/ -f job/taildir-flume-hdfs.conf
      
      • 1
    • 向被监控的目录中添加文件并追加内容

      echo hello >> file1.txt
      echo flume >> file2.txt
      
      • 1
      • 2
    • 查看 HDFS 上的数据

  • 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

    • Position File 的格式:

      {"inode":2496272,"pos":12,"file":"/opt/module/flume/files/file1.txt"}
      {"inode":2496275,"pos":12,"file":"/opt/module/flume/files/file2.txt"}
      
      • 1
      • 2
    • 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

  • 问题:

    • Taildir Source 是通过 inode 和 fileName 共同监控一个文件的,只要其中一个发生改变,Flume 即认为文件发生变化,就会同步上传数据到 HDFS
    • 很多程序使用的日志框架为 log4j,其特点是当天生成的日志文件名为 xxx.log,第二天将前一天的日志文件更名为 xxx.log-yyyy-MM-dd,所以 Flume 会重复上传日志数据
    • 解决:
      • 更换日志框架为 logback
      • 修改源码
        1. 下载源码包 src (flume-taildir-source)
        2. 修改 TailFile 类的 updatePos 方法和 RliableTaildirEventReader 类的 256 行
        3. 重新打包源码
        4. 将修改后的源码包上传到 flume 安装目录下的 lib 目录中替换原来的 jar 包
  • 总结: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

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小蓝xlanll/article/detail/602996
推荐阅读
相关标签
  

闽ICP备14008679号