【Flume】概述及组成、入门案例、进阶（事务、拓扑结构）、不同拓扑案例、自定义、数据流监控Ganglia

一、概述

1、定义

日志采集、聚合、传输的系统，基于流式结构

即：读取本地磁盘数据，写入HDFS或kafka

2、架构

Agent：JVM进程，以事件形式将数据送到目的地。

Agent由三部分组成：Source、Channel、Sink

Source：接受各类日志格式的数据，如avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy

Sink：轮询Channel事件并移除，从而写入存储系统/另一个Flume Agent;

　　　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，允许二者不同速率，且线程安全，能同时处理多个写入和读出操作

　　　自带两种Channel：Memory Channel（不关心数据是否丢失）和File Channel（不会丢失数据）

　　　数据进行缓存，可以存放在Memory或File中

Event：数据传输的基本单位，由Header和Body两部分组成

公司采用的Source类型为：

（1）监控后台日志：exec
（2）监控后台产生日志的端口：netcat
Exec spooldir

二、Flume入门

1、安装部署

下载、上传、改名

2、入门案例

2.1使用Flume监听一个端口，收集该端口数据，并打印到控制台

安装netcat

检查端口是否被占用：sudo netstat -tunlp | grep 44444

创建job文件夹并编写配置文件vim flume-netcat-logger.conf【配置source和sink的】

开启flume监听端口&执行配置文件： bin/flume-ng agent --conf conf/ --name a1【事件名】 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO【日志级别，日志级别包括:log、info、warn、error】,console

向本机的44444端口发送内容：nc localhost 44444

2.2实时监控Hive日志，并上传到HDFS中

配置环境变量，依赖Hadoop的jar包

创建配置文件：vim flume-file-hdfs.conf

运行flume：bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

开启Hadoop和Hive并操作Hive产生日志：sbin/start-dfs.sh  sbin/start-yarn.sh

bin/hive

在hdfs上查看文件

2.3使用Flume监听整个目录的文件，并上传至HDFS

2.4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。

aildir 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

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。

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

三、Flume进阶

1、事务

ChannelSelector选出Event将要被发往哪个Channel，两种类型，分别是Replicating（复制）和Multiplexing（多路复用）。

SinkProcessor共有三种类型，分别是DefaultSinkProcessor（单个sink）、（Sink Group）LoadBalancingSinkProcessor【负载均衡】和FailoverSinkProcessor【错误恢复】

2、Flume拓扑结构

简单串联

复制和多路复用

负载均衡和故障转移（将多个sink逻辑上分到一个sink组）

聚合方式：多对多。每台服务器部署一个flume采集日志，传送到一个集中收集日志的flume，再由此flume上传到hdfs、hive、hbase等，进行日志分析

3、开发案例

3.1复制和多路复用

文件变动，Flume-1将变动内容传递给Flume-2，Flume-2负责存储到HDFS。同时Flume-1将变动内容传递给Flume-3，Flume-3负责输出到Local FileSystem。

配置1个接收日志文件的source和两个channel、两个sink，分别输送给flume-flume-hdfs和flume-flume-dir。

需要配置三個配置文件

3.2負載均衡和故障處理

sink组中的sink分别对接Flume2和Flume3，采用FailoverSinkProcessor，实现故障转移

Flume2 kill，观察Flume3的控制台打印情况

注：使用jps -ml查看Flume进程

3.3聚合

Flume-1与Flume-2（分别监控日志文件和数据流）将数据发送给hadoop104上的Flume-3，Flume-3将最终数据打印到控制台。

分发flume：xsync flume

接收flume1与flume2发送过来的数据流【在1和2内配置】

4、自定义Interceptor：按照日志类型的不同，将不同种类的日志发往不同的分析系统

以数字（单个）和字母（单个）模拟不同类型的日志

 @Override
    public Event intercept(Event event) {

        byte[] body = event.getBody();
        if (body[0] < 'z' && body[0] > 'a') {
            event.getHeaders().put("type", "letter");
        } else if (body[0] > '0' && body[0] < '9') {
            event.getHeaders().put("type", "number");
        }
        return event;

    }

5、自定义Source：给每条数据添加前缀

导入依赖flume-ng-core

@Override
    public Status process() throws EventDeliveryException {

        try {
            //创建事件头信息
            HashMap<String, String> hearderMap = new HashMap<>();
            //创建事件
            SimpleEvent event = new SimpleEvent();
            //循环封装事件
            for (int i = 0; i < 5; i++) {
                //给事件设置头信息
                event.setHeaders(hearderMap);
                //给事件设置内容
                event.setBody((field + i).getBytes());
                //将事件写入channel
                getChannelProcessor().processEvent(event);
                Thread.sleep(delay);
            }
        } catch (Exception e) {
            e.printStackTrace();
            return Status.BACKOFF;
        }
        return Status.READY;
    }

并在配置文件中配置

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

# Describe/configure the source
a1.sources.r1.type = com.atguigu.MySource

6、自定义sink：并在Sink端给每条数据添加前缀和后缀，输出到控制台

@Override
    public Status process() throws EventDeliveryException {

        //声明返回值状态信息
        Status status;

        //获取当前Sink绑定的Channel
        Channel ch = getChannel();

        //获取事务
        Transaction txn = ch.getTransaction();

        //声明事件
        Event event;

        //开启事务
        txn.begin();

        //读取Channel中的事件，直到读取到事件结束循环
        while (true) {
            event = ch.take();
            if (event != null) {
                break;
            }
        }
        try {
            //处理事件（打印）
            LOG.info(prefix + new String(event.getBody()) + suffix);

            //事务提交
            txn.commit();
            status = Status.READY;
        } catch (Exception e) {

            //遇到异常，事务回滚
            txn.rollback();
            status = Status.BACKOFF;
        } finally {

            //关闭事务
            txn.close();
        }
        return status;
    }

7、Flume数据流监控

Ganglia的安装与部署

操作Flume测试监控，启动Flume任务：

nc localhost 44444发送数据并观察截图

四、问答题

Flume采集数据会丢失吗?

不丢失，但会重复
根据Flume的架构原理，Flume是不可能丢失数据的，其内部有完善的事务机制，Source到Channel是事务性的，Channel到Sink是事务性的，因此这两个环节不会出现数据的丢失，唯一可能丢失数据的情况是Channel采用memoryChannel，agent宕机导致数据丢失，或者Channel存储数据已满，导致Source不再写入，未写入的数据丢失。
Flume不会丢失数据，但是有可能造成数据的重复，例如数据已经成功由Sink发出，但是没有接收到响应，Sink会再次发送数据，此时可能会导致数据的重复。