日志数据采集-Flume

1. 前言

• 在一个完整的离线大数据处理系统中，除了hdfs+mapreduce+hive组成分析系统的核心之外，还需要数据采集、结果数据导出、任务调度等不可或缺的辅助系统，
  而这些辅助工具在hadoop生态体系中都有便捷的开源框架，如图所示：

  

2. Flume基本介绍

1. 概述

• Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。
• Flume可以采集文件，socket数据包、文件、文件夹、kafka等各种形式源数据，又可以将采集到的数据(下沉sink)输出到HDFS、hbase、hive、kafka等众多外部存储系统中
• 一般的采集需求，通过对flume的简单配置即可实现
• Flume针对特殊场景也具备良好的自定义扩展能力，因此，flume可以适用于大部分的日常数据采集场景

2. 运行机制

• Flume分布式系统中最核心的角色是agent，flume采集系统就是由一个个agent所连接起来形成的

• 每一个agent相当于一个数据传递员，内部有三个组件：

  • Source：采集组件，用于跟数据源对接，以获取数据
  • Sink：下沉组件，用于往下一级agent传递数据或者往最终存储系统传递数据
  • Channel：传输通道组件，用于从source将数据传递到sink

  

3. Flume采集系统结构图

1. 简单结构

• 单个agent采集数据

  

2. 复杂结构

• 两个agent之间串联

  

• 多级agent之间串联

  

• 多级channel

  

Flume的安装部署

 

第一步：下载解压修改配置文件

• Flume的安装非常简单，只需要解压即可

• 上传安装包到数据源所在节点上

• 这里我们在第三台机器hadoop03来进行安装

  cd /bigdata/soft
  tar -xzvf apache-flume-1.9.0-bin.tar.gz -C /bigdata/install/
  cd /bigdata/install/apache-flume-1.9.0-bin/conf/
  cp flume-env.sh.template flume-env.sh
  vim flume-env.sh
  

  修改如下内容

  export JAVA_HOME=/kkb/install/jdk1.8.0_141
  

2. 解决jar包冲突

• apache-flume-1.9.0-bin、hadoop-3.1.4都有guava包，但是版本不一致，会造成冲突

  

• 解决冲突；将hadoop中高版本的guava包，替换flume中低版本的包

  cd /bigdata/install/flume-1.9.0/lib
  rm -f guava-11.0.2.jar
  cp /bigdata/install/hadoop-3.1.4/share/hadoop/common/lib/guava-27.0-jre.jar .

Flume实战案例 -- 从网卡某个端口采集数据到控制台

 

• 需求：配置我们的网络收集的配置文件；从某socket端口采集数据，采集到的数据打印到console控制台

• 在flume的conf目录下新建一个配置文件（采集方案）

  cd /bigdata/install/flume-1.9.0/conf
  vim netcat-logger.conf
  

• 内容如下

  # 定义这个agent中各组件的名字
  a1.sources = r1
  a1.sinks = k1
  a1.channels = c1
  
  # 描述和配置source组件：r1
  a1.sources.r1.type = netcat
  # 当前节点的ip地址
  a1.sources.r1.bind = hadoop03
  a1.sources.r1.port = 44444
  
  # 描述和配置sink组件：k1
  a1.sinks.k1.type = logger
  
  # 描述和配置channel组件，此处使用是内存缓存的方式
  a1.channels.c1.type = memory
  # channel中存储的event的最大个数
  a1.channels.c1.capacity = 1000
  # channel每次从source获得的event最多个数或一次发往sink的event最多个数
  a1.channels.c1.transactionCapacity = 100
  
  # 描述和配置source  channel   sink之间的连接关系
  a1.sources.r1.channels = c1
  a1.sinks.k1.channel = c1
  

  对应类型组件的官网文档

  netcat-tcp-source

  logger-sink

  memory-channel

第三步：启动配置文件

• 指定采集方案配置文件，在相应的节点上启动flume agent

• 先用一个最简单的例子来测试一下程序环境是否正常

• 启动agent去采集数据

  bin/flume-ng agent -c conf -f conf/netcat-logger.conf -n a1 -Dflume.root.logger=INFO,console
  

  -c conf 指定flume自身的conf目录中的配置文件

  -f conf/netcat-logger.con 指定我们所描述的采集方案

  -n a1 指定我们这个agent的名字

  -Dflume.root.logger=INFO,console 将info级别的日志打印到控制台

第四步：安装telent准备测试

• 在hadoop02机器上面安装telnet客户端，用于模拟数据的发送

  sudo yum -y install telnet
  telnet hadoop03 44444  # 使用telnet模拟数据发送
  

• 具体结果如下图所示
  

  

Flume实战案例 -- 采集某个目录到HDFS

 

需求分析

• 采集需求：某服务器的某特定目录下，会不断产生新的文件，每当有新文件出现，就需要把文件采集到HDFS中去

• 结构示意图：
  

• 根据需求，首先定义以下3大要素

  • 数据源组件，即source ——监控文件目录 : spooldir

    spooldir特性：

    1、监视一个目录，只要目录中出现新文件，就会采集文件中的内容

    2、采集完成的文件，会被agent自动添加一个后缀：COMPLETED

    3、此source可靠，不会丢失数据；即使flume重启或被kill

    注意：

    所监视的目录中不允许有同名的文件；且文件被放入spooldir后，就不能修改

    ①如果文件放入spooldir后，又向文件写入数据，会打印错误及停止

    ②如果有同名的文件出现在spooldir，也会打印错误及停止

  • 下沉组件，即sink——HDFS文件系统 : hdfs sink

  • 通道组件，即channel——可用file channel 也可以用内存channel

flume配置文件开发

• 配置文件编写：

  cd /bigdata/install/flume-1.9.0/conf/
  mkdir -p /bigdata/install/mydata/flume/dirfile
  vim spooldir.conf
  

• 内容如下

  # Name the components on this agent
  a1.sources = r1
  a1.sinks = k1
  a1.channels = c1
  
  # Describe/configure the source
  # 注意：不能往监控目中重复丢同名文件
  a1.sources.r1.type = spooldir
  # 监控的路径
  a1.sources.r1.spoolDir = /bigdata/install/mydata/flume/dirfile
  # Whether to add a header storing the absolute path filename
  #文件绝对路径放到header
  a1.sources.r1.fileHeader = true
  
  # Describe the sink
  a1.sinks.k1.type = hdfs
  a1.sinks.k1.channel = c1
  #采集到的数据写入到次路径
  a1.sinks.k1.hdfs.path = hdfs://hadoop01:8020/spooldir/files/%y-%m-%d/%H%M/
  # 指定在hdfs上生成的文件名前缀
  a1.sinks.k1.hdfs.filePrefix = events-
  # timestamp向下舍round down
  a1.sinks.k1.hdfs.round = true
  # 按10分钟，为单位向下取整；如55分，舍成50；38 -> 30
  a1.sinks.k1.hdfs.roundValue = 10
  # round的单位
  a1.sinks.k1.hdfs.roundUnit = minute
  # 每3秒滚动生成一个文件；默认30；(0 = never roll based on time interval)
  a1.sinks.k1.hdfs.rollInterval = 3
  # 每x字节，滚动生成一个文件；默认1024；(0: never roll based on file size)
  a1.sinks.k1.hdfs.rollSize = 20
  # 每x个event，滚动生成一个文件；默认10； (0 = never roll based on number of events)
  a1.sinks.k1.hdfs.rollCount = 5
  # 每x个event，flush到hdfs
  a1.sinks.k1.hdfs.batchSize = 1
  # 使用本地时间
  a1.sinks.k1.hdfs.useLocalTimeStamp = true
  #生成的文件类型，默认是Sequencefile；可选DataStream，则为普通文本；可选CompressedStream压缩数据
  a1.sinks.k1.hdfs.fileType = DataStream
  
  # Use a channel which buffers events in memory
  a1.channels.c1.type = memory
  # channel中存储的event的最大数目
  a1.channels.c1.capacity = 1000
  # 每次传输数据，从source最多获得event的数目或向sink发送的event的最大的数目
  a1.channels.c1.transactionCapacity = 100
  
  # Bind the source and sink to the channel
  a1.sources.r1.channels = c1
  a1.sinks.k1.channel = c1
  

  组件官网地址：

  spooling directory source

  hdfs sink

  memory channel

• Channel参数解释：

  • capacity：默认该通道中最大的可以存储的event数量
  • trasactionCapacity：每次最大可以从source中拿到或者送到sink中的event数量
  • keep-alive：event添加到通道中或者移出的允许时间

启动flume

cd /bigdata/install/flume-1.9.0
bin/flume-ng agent -c ./conf -f ./conf/spooldir.conf -n a1 -Dflume.root.logger=INFO,console

上传文件到指定目录

• 将不同的文件上传到下面目录里面去，注意文件不能重名

  mkdir -p /home/hadoop/datas
  cd /home/hadoop/datas
  vim a.txt
  
  # 加入如下内容
  ab cd ef
  english math
  hadoop alibaba
  

• 再执行；

    cp a.txt /bigdata/install/mydata/flume/dirfile
  

• 然后观察flume的console动静、hdfs webui生成的文件

  

• 观察spooldir的目标目录

  

• 将同名文件再次放到/bigdata/install/mydata/flume/dirfile观察现象：

  cp a.txt /bigdata/install/mydata/flume/dirfile
  

• flume控制台报错

  

Flume实战案例 -- 采集文件到HDFS

 

需求分析：

• 采集需求：比如业务系统使用log4j生成的日志，日志内容不断增加，需要把追加到日志文件中的数据实时采集到hdfs
  

• 根据需求，首先定义以下3大要素

  • 采集源，即source——监控文件内容更新 : exec ‘tail -f file’

  • 下沉目标，即sink——HDFS文件系统 : hdfs sink

  • Source和sink之间的传递通道——channel，可用file channel 也可以用 内存channel

flume的配置文件开发

• hadoop03开发配置文件

  cd /bigdata/install/flume-1.9.0/conf
  vim tail-file.conf
  

• 配置文件内容

  agent1.sources = source1
  agent1.sinks = sink1
  agent1.channels = channel1
  
  # Describe/configure tail -F source1
  agent1.sources.source1.type = exec
  agent1.sources.source1.command = tail -f /bigdata/install/mydata/flume/taillogs/access_log
  agent1.sources.source1.channels = channel1
  
  # Describe sink1
  agent1.sinks.sink1.type = hdfs
  agent1.sinks.sink1.hdfs.path = hdfs://hadoop01:8020/weblog/flume-collection/%y-%m-%d/%H-%M
  agent1.sinks.sink1.hdfs.filePrefix = access_log
  # 允许打开的文件数；如果超出5000，老文件会被关闭
  agent1.sinks.sink1.hdfs.maxOpenFiles = 5000
  agent1.sinks.sink1.hdfs.batchSize= 100
  agent1.sinks.sink1.hdfs.fileType = DataStream
  agent1.sinks.sink1.hdfs.writeFormat =Text
  agent1.sinks.sink1.hdfs.rollSize = 102400
  agent1.sinks.sink1.hdfs.rollCount = 1000000
  agent1.sinks.sink1.hdfs.rollInterval = 60
  agent1.sinks.sink1.hdfs.round = true
  agent1.sinks.sink1.hdfs.roundValue = 10
  agent1.sinks.sink1.hdfs.roundUnit = minute
  agent1.sinks.sink1.hdfs.useLocalTimeStamp = true
  
  # Use a channel which buffers events in memory
  agent1.channels.channel1.type = memory
  # 向channel添加一个event或从channel移除一个event的超时时间
  agent1.channels.channel1.keep-alive = 120
  agent1.channels.channel1.capacity = 5000    ##设置过大，效果不是太明显
  agent1.channels.channel1.transactionCapacity = 4500
  
  # Bind the source and sink to the channel
  agent1.sources.source1.channels = channel1
  agent1.sinks.sink1.channel = channel1
  

  组件官网：

  hdfs sink

  memory channel

启动flume

cd /bigdata/install/flume-1.9.0
bin/flume-ng agent -c conf -f conf/tail-file.conf -n agent1 -Dflume.root.logger=INFO,console

开发shell脚本定时追加文件内容

mkdir -p /home/hadoop/shells/
cd /home/hadoop/shells/
vim tail-file.sh

• 内容如下

#!/bin/bash
while true
do
 date >> /bigdata/install/mydata/flume/taillogs/access_log;
  sleep 0.5;
done

• 创建文件夹

mkdir -p /bigdata/install/mydata/flume/taillogs/

• 启动脚本

chmod u+x tail-file.sh
sh /home/hadoop/shells/tail-file.sh

• 验证结果，在hdfs的webui下和console下可以看到如下截图
  

  

Flume实战案例 -- 从HDFS上读取某个文件到本地目录

 

需求分析

• 我们从HDFS上的特定目录下的文件，读取到本地目录下的特定目录下

• 根据需求，首先定义以下3大要素

  • 数据源组件，即source ——监控HDFS目录文件 : exec 'tail -f'

  • 下沉组件，即sink—— file roll sink

  • 通道组件，即channel——可用file channel 也可以用内存channel

flume配置文件开发

• 配置文件编写：

  cd /bigdata/install/flume-1.9.0/conf/
  vim hdfs2local.conf
  

• 内容如下

  # Name the components on this agent
  a1.sources = r1
  a1.sinks = k1
  a1.channels = c1
  
  # Describe/configure the source
  # 注意：不能往监控目中重复丢同名文件
  a1.sources.r1.type = exec
  a1.sources.r1.command = hdfs dfs -tail -f /hdfs2flume/test/a.txt
  a1.sources.r1.channels = c1
  
  # sink 配置信息
  a1.sinks.k1.type = file_roll
  a1.sinks.k1.channel = c1
  a1.sinks.k1.sink.directory = /bigdata/install/mydata/flume/hdfs2local
  
  a1.sinks.k1.sink.rollInterval = 3600
  a1.sinks.k1.sink.pathManager.prefix = event-
  a1.sinks.k1.sink.serializer = TEXT
  a1.sinks.k1.sink.batchSize = 100
  
  # Use a channel which buffers events in memory
  a1.channels.c1.type = memory
  # channel中存储的event的最大数目
  a1.channels.c1.capacity = 1000
  # 每次传输数据，从source最多获得event的数目或向sink发送的event的最大的数目
  a1.channels.c1.transactionCapacity = 100
  
  # Bind the source and sink to the channel
  a1.sources.r1.channels = c1
  a1.sinks.k1.channel = c1
  

• 准备HDFS文件信息

  vi a.txt
  
  #输入一下内容，保存并推送到HDFS上
  1  zhangsan  21
  2  lisi  22
  3  wangwu  23
  4  zhaoliu  24
  5  guangyunchang  25
  6  gaojianli  27
  
  hdfs dfs -put ./a.txt /hdfs2flume/test/a.txt
  

• 准备本地目录文件夹

  mkdir -p /bigdata/install/mydata/flume/hdfs2local
  

• 启动flume

  cd /bigdata/install/flume-1.9.0
  bin/flume-ng agent -c ./conf -f ./conf/hdfs2local.conf -n a1 -Dflume.root.logger=INFO,console
  

• 追加hdfs上a.txt文件内容，验证本地目录文件夹，如下图