【大数据面试】【框架】Flume：Source的断点续传、重复数据、Channel选择

〇、用途

流式结构

获取磁盘日志，拦截器过滤后，传递指定数据，写入HDFS或kafka

一、组成-Source、Channel、Sink

事务（put/take）

1、Source---taildir source：

（1）特点：断点续传+多目录（维护offset）

产生自哪个版本-Apache Flume1.7，CDH 1.6

（2）没有断点续传功能时如何使用？自定义方式实现

（3）taildir挂掉怎么办，是否有影响

首先不会丢数（断点续传），但是会产生重复数据（一条或一批次）

读取成功，写入失败

（4）怎么处理重复数据？

生产环境下通常不处理，处理方案

自身：可以在taildir source内部增加自定义事务

找兄弟：下一级处理（sparkStreaming、hive、dwd、flink过滤器），手段（group by去重、开窗取窗口最小，只取第一条、Redis集群帮助去重）

（5）taildir source是否支持递归遍历文件夹读取文件？

不支持，需要自定义

递归遍历文件夹+读取文件

2、Channel

（1）常见的Channel包括哪些及对应的特点

File Channel：数据存储在磁盘上（数据可靠性高、传输速度低），默认存储容量：100w个event

Memory Channel：数据存储于内存（传输速度快、可靠性差），默认容量是100个event

Kafka  Channel：数据存储于kafka/基于磁盘（数据可靠性高、传输速度也快【kafka Channel》kafka sink+Memory Channel，原因：省去了sink阶段】），在flume 1.6版本产生（原因：有bug，可以设置前缀是否带topic，但不起作用）

kafka-topic_start/topic_event，增加了额外清洗的工作量，Flume 1.7解决了该问题

（2）生产环境下如何选择

如果下一级是kafka，通常会优先选择kafka channel

如果下一级不是kafka，金融、对钱要求准确的公司，选择File Channel

如果是普通日志，通常会选择memory Channel（JD每天丢失几百万数据，每天都是PB级数据）

3、HDFS sink

不做控制，会直接落盘，产生大量小文件

可以通过参数控制：时间、大小、event的个数【或】

时间：3600-7200s（1小时-2小时）

大小：128M

event的个数（0禁止）

二、三个器（拦截器、选择器、监控器）

1、拦截器

ETL拦截器、分类型拦截器

（1）ETL拦截器

实现：数据轻度清洗（判断是否是大括号开头结尾，为了保证传输效率/实时性）

判断了数据时间：13位，必须全部是数字

（2）分类型拦截器（11张表）

start

event（商品列表、商品详情、商品点击、

　　    广告、

　　    点赞、评论、收藏、故障、

　　    后台活跃、通知）

哪张表与kafka有关系，要满足所有下一级消费者

创建成特定类，不产生重复数据，针对每个表创建一个topic

一张表一个topic，一定能满足下一级消费者

为了效率，可以做适当的聚合

（3）自定义拦截器的步骤

定义一个类，实现interceptor接口，重写内部的4个方法：

初始化、关闭、单event、多event、同时创建一个静态内部类Builder

打包==》上传至flume的lib包下==》在配置文件中关联拦截器

（4）可以不使用拦截器吗　　

可以不用，但需要在下一级hive的DWD层或sparkstreaming里面进行处理

（5）优势和劣势

优势：只处理一次，轻度处理，不会影响太多性能

劣势：影响性能，不适合像推荐这种对实时性要求比较高的场景

三、优化

1、File Channel可以配置多目录-多个磁盘

可以提高吞吐量

2、HDFS Sink

解决小文件：时间、大小、event的个数【或】

3、监控器

调整内存

找自己：提高自己内存

找朋友：增加flume台数

4、Flume挂掉后的操作

source挂掉，可能会产生重复数据（offset），使用事务解决

channel挂掉（File、Memory×、Kafka），会丢失100个event