flume到底会丢数据吗？其可靠性如何？——轻松搞懂Flume事务机制

先给出答案：

需要结合具体使用的source、channel和sink来分析，具体结果可看本文最后一节。

Flume事务

  一提到事务，我们首先就想到的是MySQL中的事务，事务就是将一批操作做成原子性的，即这一批要么都成功，要么都失败。

  同样的道理，在flume中也有事务，那么Flume中的事务在哪个地方呢？在Flume中的批量操作又是指什么呢？

• Flume中的事务存在于哪个位置？

  在Flume中一共有两个事务，一个是在Source到Channel之间，一个是Channel到Sink之间。在Source到Channel之间的叫put事务，在Channel到Sink之间的叫Take事务。

• 在Flume中两个事务的批量操作指的是什么？

  从source到channel过程中，数据在flume中会被封装成Event对象，也就是一批event，把这批event放到一个事务中，把这个事务也就是这批event一次性的放入channel中。同理，Take事务的时候，也是把这一批event组成的事务统一拿出来到sink放到HDFS上。

  接下来我们看下这两个事务具体是怎么实现的：

1、Flume的Put事务

  事务肯定有的两个特性就是：成功了提交，失败了回滚。

  我们先考虑Put事务的正常的情况，即任务成功情况。

如图所示：

  事务开始的时候会调用一个doPut方法，doPut方法将一批数据（多个event）batch data 放在putList中，而这批数据“批”的大小取决于配置的 batch size 的参数的值。而putList的大小取决于配置channel的参数transaction capacity的大小，这个参数的大小就体现在putList上了。（tips：channel的另一个参数capacity指的是channel的容量）。

现在这批数据顺利的放到putList之后，接下来可以调用doCommit方法，把putList中所有的event放到channel中，成功放完之后就清空putList。

  以上是顺利的情况下，那如果事务进行的过程中出问题了怎么解决呢？

第一种问题：数据传输到channel过程出问题

  在doCommit提交之后，事务在向channel放的过程中，事务容易出问题。比如：sink那边取数据慢，而source这边放数据速度快，就容易造成channel中的数据的积压，这个时候就会造成putList中的数据放不进去。那现在事务出问题了，如何解决呢？

  通过调用doRollback方法，doRollback方法会进行两项操作：1、将putList清空； 2、抛出channelException异常。这个时候source就会捕捉到doRollback抛出的异常，然后source就会把刚才的一批数据重新采集一下，采集完之后重新走事务的流程。这就是事务的回滚。

(putList的数据在向channel发送之前先检查一下channel的容量能否放得下，如果放不下，就一个都不放。)

第二种问题：数据采集过程出问题

  有这么种场景，source采集数据时候采用的是tailDir source，而我们因为某种原因将监控的目录文件删除，这个时候就会出现问题，同样地，出现问题的解决方式是调用doRollback方法来对事务进行回滚。

2、Flume的Take事务

  Take事务和Put事务很相似。

同样地，我们先不考虑doRollback，先考虑顺利不出问题的情况下事务的完成。

如图所示：

  Take事务同样也有takeList，HDFS sink配置也有一个 batch size，这个参数决定sink从channel取数据的时候一次取多少个，所以这batch size 得小于takeList的大小，而takeList的大小取决于transaction capacity的大小，同样是channel 中的参数。

  Take事务流程：事务开始后，doTake方法会将channel中的event剪切到takeList中，当然，后面接的是HDFS Sink的话，在把channel中的event剪切到takeList中的同时也往写入HDFS的IO缓冲流中放一份event(数据写入HDFS是先写入IO缓冲流然后flush到HDFS）。

  当takeList中存放了batch size 数量的event之后，就会调用doCommit方法，doCommit方法会做两个操作：1、针对HDFS Sink，手动调用IO流的flush方法，将IO流缓冲区的数据写入到HDFS磁盘中；2、然后直接清空takeList中的数据。

  以上是顺利的情况下，那如果事务进行的过程中出问题了怎么解决呢？

什么时候最容易出问题呢？——flush到HDFS的时候组容易出问题

  如：flush到HDFS的时候，可能由于网络原因超时导致数据传输失败，这个时候同样地调用doRollback方法来进行回滚，回滚的时候，由于takeList中还有备份数据，所以将takeList中的数据原封不动地还给channel，这时候就完成了事务的回滚。

  但是，如果flush到HDFS的时候，数据flush了一半之后出问题了，这意味着已经有一半的数据已经发送到HDFS上面了，现在出了问题，同样需要调用doRollback方法来进行回滚，回滚并没有“一半”之说，它只会把整个takeList中的数据返回给channel，然后继续进行数据的读写。这样开启下一个事务的时候就容易造成数据重复的问题。

  所以，在某种程度上，flume对数据进行采集传输的时候，它有可能会造成数据的重复，但是其数据不丢失。

3、flume传输是否会丢失或重复数据？

  这个问题需要分情况来看，需要结合具体使用的source、channel和sink来分析。

  首先，分析source：

  （1）exec source ，后面接 tail -f ，这个数据也是有可能丢的。

  （2）TailDir source ，这个是不会丢数据的，它可以保证数据不丢失。

  其次，分析sink：

  （1）hdfs sink，数据有可能重复，但是不会丢失。

一般生产过程中，都是使用 **TailDir source **和 HDFS sink，所以数据会重复但是不会丢失。

  最后，分析channel

  要想数据不丢失的话，还是要用 File channel，而memory channel 在flume挂掉的时候还是有可能造成数据的丢失的。