1.8-1.10 大数据仓库的数据收集架构及监控日志目录日志数据，实时抽取之hdfs系统上

一、数据仓库架构

二、flume收集数据存储到hdfs

文档：http://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html#hdfs-sink

三、监控日志目录日志数据，实时抽取之hdfs系统上-实验

1、Source：Spooling Directory

在使用exec来监听数据源虽然实时性较高，但是可靠性较差，当source程序运行异常或者Linux命令中断都会造成数据丢失，
在恢复正常运行之前数据的完整性无法得到保障。

Spooling Directory Paths通过监听某个目录下的新增文件，并将文件的内容读取出来，实现日志信息的收集。实际生产中会结合log4j来使用。
被传输结束的文件会修改后缀名，添加.COMPLETED后缀（可修改）。

2、

监控目录
>日志目录，抽取完整的日志文件，写的日志文件不抽取

使用FileChannel
>本地文件系统缓冲，比内存安全性更高

数据存储HDFS
>存储对应hive表的目录或者hdfs目录

3、配置flume agent

##agent 配置文件：flume-app.conf 如下：

# The configuration file needs to define the sources,

# the channels and the sinks.

####define agent

a3.sources = r3

a3.channels = c3

a3.sinks = k3

###define sources

a3.sources.r3.type = spooldir

a3.sources.r3.spoolDir = /opt/cdh-5.3.6/flume-1.5.0-cdh5.3.6/spoollogs

a3.sources.r3.ignorePattern = ^(.)*\.log$

a3.sources.r3.fileSuffix = .delete

###define channel

a3.channels.c3.type = file

a3.channels.c3.checkpointDir = /opt/cdh-5.3.6/flume-1.5.0-cdh5.3.6/filechannel/checkpoint

a3.channels.c3.dataDirs = /opt/cdh-5.3.6/flume-1.5.0-cdh5.3.6/filechannel/data

###define sink

a3.sinks.k3.type = hdfs

a3.sinks.k3.hdfs.path = hdfs://hadoop-senior.ibeifeng.com:8020/user/root/flume/splogs/

a3.sinks.k3.hdfs.fileType = DataStream

a3.sinks.k3.hdfs.writeFormat = Text

a3.sinks.k3.hdfs.batchSize = 10

###bind the soures and sink to the channel

a3.sources.r3.channels = c3

a3.sinks.k3.channel = c3

对agent配置文件的解释：

##define sources字段：
type ： spooldir            //通过监听某个目录下的新增文件，并将文件的内容读取出来，实现日志信息的收集
spoolDir                //从哪个目录中读取数据
ignorePattern            //排除哪些文件，用正则匹配
fileSuffix                //给读取完的文件，加上一个后缀名

##define channel
type = file                //channel存到文件中，而不是内存，这样不易丢失数据
checkpointDir            //存储检查点文件的存放目录
dataDirs                //逗号分隔的目录列表，用于存储日志文件。在单独的磁盘上使用多个目录可以提高文件通道的性能

##define sink
type = hdfs            //抽取完的数据存到hdfs上
hdfs.path                //在hdfs上的存储路径
hdfs.fileType            //hdfs上的存储的文件格式，DataStream不会压缩输出文件
writeFormat            //序列文件记录的格式，应该设置为Text，否则这些文件不能被Apache Impala(孵化)或Apache Hive读取
batchSize                //number of events written to file before it is flushed to HDFS

4、运行agent

##先准备一些数据
mkdir -p /opt/cdh-5.3.6/flume-1.5.0-cdh5.3.6/spoollogs    #创建待抽取数据存放目录

[root@hadoop-senior spoollogs]# ls    #准备三个数据文件
emp.txt  hivef.log  hivef.sql

mkdir -p /opt/cdh-5.3.6/flume-1.5.0-cdh5.3.6/filechannel/{checkpoint,data}    #创建channel数据存放目录

bin/hdfs dfs -mkdir -p /user/root/flume/splogs/        #在hdfs上创建此目录

##运行agent
bin/flume-ng agent \
-c conf \
-n a3 \
-f conf/flume-app.conf \
-Dflume.root.logger=DEBUG,console

##此时查看/opt/cdh-5.3.6/flume-1.5.0-cdh5.3.6/spoollogs中的数据，emp.txt hivef.sql后缀加上了.delete
##hivef.log没有加后缀，因为我们排除了.log的文件
[root@hadoop-senior spoollogs]# ls
emp.txt.delete  hivef.log  hivef.sql.delete

##查看hdfs上有没有数据，已经有了
[root@hadoop-senior hadoop-2.5.0-cdh5.3.6]# bin/hdfs dfs -ls -R  /user/root/flume/splogs/
-rw-r--r--   3 root supergroup        463 2019-05-09 09:37 /user/root/flume/splogs/FlumeData.1557365835585
-rw-r--r--   3 root supergroup        228 2019-05-09 09:37 /user/root/flume/splogs/FlumeData.1557365835586