flume集群日志收集

一、Flume简介

　　Flume是一个分布式的、高可用的海量日志收集、聚合和传输日志收集系统，支持在日志系统中定制各类数据发送方（如：Kafka，HDFS等），便于收集数据。其核心为agent，agent是一个java进程，运行在日志收集节点。

agent里面包含3个核心组件：source、channel、sink。
　　 source组件是专用于收集日志的，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、自定义，同时 source组件把数据收集

以后，临时存放在channel中。

　　channel组件是在agent中专用于临时存储数据的，可以存放在memory、jdbc、file、自定义等。channel中的数据只有在sink发送成功之后才会被删除。

　　sink组件是用于把数据发送到目的地的组件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定义。

　　在整个数据传输过程中，流动的是event。事务保证是在event级别。flume可以支持多级flume的agent，支持扇入(fan-in)、扇出(fan-out)。

二、环境准备

　　1）hadoop集群（楼主用的版本2.7.3，共6个节点，可参考http://www.cnblogs.com/qq503665965/p/6790580.html）

　　2）flume集群规划：

HOST	作用	方式	路径
hadoop01	agent	spooldir	/home/hadoop/logs
hadoop05	collector	HDFS	/logs
hadoop06	collector	HDFS	/logs

　　其基本结构官网给出了更加具体的说明，这里楼主就直接copy过来了：

三、集群配置

　　1）系统环境变量配置　　

 export FLUME_HOME=/home/hadoop/apache-flume-1.7.0-bin
 export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$FLUME_HOME/bin

　　记得 source /etc/profile 。

　　2）flume JDK环境　　

 mv flume-env.sh.templete flume-env.sh
 vim flume-env.sh
 export JAVA_HOME=/usr/jdk1.7.0_60//增加JDK安装路径即可

　　3）hadoop01中flume配置

　　在conf目录增加配置文件 flume-client ,内容为：　　

 #agent1名称
 agent1.channels = c1
 agent1.sources = r1
 agent1.sinks = k1 k2

 #sink组名称
 agent1.sinkgroups = g1 

 #set channel
 agent1.channels.c1.type = memory
 agent1.channels.c1.capacity = 1000
 agent1.channels.c1.transactionCapacity = 100

 agent1.sources.r1.channels = c1
 agent1.sources.r1.type = spooldir
 #日志源
 agent1.sources.r1.spoolDir =/home/hadoop/logs

 agent1.sources.r1.interceptors = i1 i2
 agent1.sources.r1.interceptors.i1.type = static
 agent1.sources.r1.interceptors.i1.key = Type
 agent1.sources.r1.interceptors.i1.value = LOGIN
 agent1.sources.r1.interceptors.i2.type = timestamp

 # 设置sink1
 agent1.sinks.k1.channel = c1
 agent1.sinks.k1.type = avro
 #sink1所在主机
 agent1.sinks.k1.hostname = hadoop05
 agent1.sinks.k1.port = 52020

 #设置sink2
 agent1.sinks.k2.channel = c1
 agent1.sinks.k2.type = avro
 #sink2所在主机
 agent1.sinks.k2.hostname = hadoop06
 agent1.sinks.k2.port = 52020

 #设置sink组包含sink1，sink2
 agent1.sinkgroups.g1.sinks = k1 k2

 #高可靠性
 agent1.sinkgroups.g1.processor.type = failover
 #设置优先级
 agent1.sinkgroups.g1.processor.priority.k1 = 10
 agent1.sinkgroups.g1.processor.priority.k2 = 1
 agent1.sinkgroups.g1.processor.maxpenalty = 10000

　　4）hadoop05配置

 #设置 Agent名称
 a1.sources = r1
 a1.channels = c1
 a1.sinks = k1

 #设置channlels
 a1.channels.c1.type = memory
 a1.channels.c1.capacity = 1000
 a1.channels.c1.transactionCapacity = 100

 # 当前节点信息
 a1.sources.r1.type = avro
 #绑定主机名
 a1.sources.r1.bind = hadoop05
 a1.sources.r1.port = 52020
 a1.sources.r1.interceptors = i1
 a1.sources.r1.interceptors.i1.type = static
 a1.sources.r1.interceptors.i1.key = Collector
 a1.sources.r1.interceptors.i1.value = hadoop05
 a1.sources.r1.channels = c1

 #sink的hdfs地址
 a1.sinks.k1.type=hdfs
 a1.sinks.k1.hdfs.path=/logs
 a1.sinks.k1.hdfs.fileType=DataStream
 a1.sinks.k1.hdfs.writeFormat=TEXT
 #没1K产生文件
 a1.sinks.k1.hdfs.rollInterval=1
 a1.sinks.k1.channel=c1
 #文件后缀
 a1.sinks.k1.hdfs.filePrefix=%Y-%m-%d

　　5）hadoop06配置

 #设置 Agent名称
 a1.sources = r1
 a1.channels = c1
 a1.sinks = k1

 #设置channel
 a1.channels.c1.type = memory
 a1.channels.c1.capacity = 1000
 a1.channels.c1.transactionCapacity = 100

 # 当前节点信息
 a1.sources.r1.type = avro
 #绑定主机名
 a1.sources.r1.bind = hadoop06
 a1.sources.r1.port = 52020
 a1.sources.r1.interceptors = i1
 a1.sources.r1.interceptors.i1.type = static
 a1.sources.r1.interceptors.i1.key = Collector
 a1.sources.r1.interceptors.i1.value = hadoop06
 a1.sources.r1.channels = c1
 #设置sink的hdfs地址目录
 a1.sinks.k1.type=hdfs
 a1.sinks.k1.hdfs.path=/logs
 a1.sinks.k1.hdfs.fileType=DataStream
 a1.sinks.k1.hdfs.writeFormat=TEXT
 a1.sinks.k1.hdfs.rollInterval=1
 a1.sinks.k1.channel=c1
 a1.sinks.k1.hdfs.filePrefix=%Y-%m-%d

四、启动flume集群

　　1）启动collector，即hadoop05，hadoop06　

 flume-ng agent -n a1 -c conf -f flume-server -Dflume.root.logger=DEBUG,console

　　2）启动agent，即hadoop01

flume-ng agent -n a1 -c conf -f flume-client -Dflume.root.logger=DEBUG,console

　　agent启动后，hadoop05，hadoop06的控制台可看到如下打印信息：

　　

五、日志收集测试

　　1）启动zookeeper集群（未搭建zookeeper的同学可以忽略）

　　2）启动hdfs start-dfs.sh

　　3)模拟网站日志，楼主这里随便弄的测试数据

　　4）上传到/hadoop/home/logs

　　hadoop01输出：

　　hadoop05输出：

　

　　由于hadoop05设置的优先级高于hadoop06，因此hadoop06无日志写入。

　　我们再看hdfs上，是否成功上传了日志文件：

　　

六、高可用性测试

　　由于楼主设置的hadoop05的优先级要高于hadoop06，这也是上面的日志收集hadoop05输出而不是hadoop06输出的原因。现在我们干掉优先级高的hadoop05，看hadoop06是否能正常进行日志采集工作。

　　

　　我们向日志源添加一个测试日志文件：

　　

　　hadoop06输出：

　　查看hdfs：

　　

　　好了！flume集群配置及日志收集就介绍到这里，下次楼主楼主会具体介绍利用mapreduce对日志进行清洗，并存储到hbase相关的内容。