关于日志采集系统Flume知识的学习

第1章 Flume概述

1.1 Flume定义

Flume是一个高可用，高可靠的，分布式的海量日志采集、聚合和传输的系统
Flume基于流式架构，灵活简单
Flume最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到HDFS

1.2 Flume基础架构

1.2.1 Agent

Agent是一个JVM进程，它以事件的形式将数据从源头送至目的地
Agent主要有3个部分组成，Source、Channel、Sink

1.2.2 Source

Source是负责接收数据到Flume Agent组件。Source组件可以处理各种类型、各种格式的日志数据

1.2.3 Sink

Sink不断轮询Channel中的事件且批量移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另外一个Flume Agent

1.2.4 Channel

Channel是位于Source和Sink之间的缓冲区。因此，Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作
Flume自带两种Channel：Memory Channel 和 File Channel
Memory Channel是内存中的队列。Memory Channel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么Memory Channel就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失
File Channel将所有事件写入磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据

1.2.5 Event

传输单元，Flume数据传输的基本单元，以Event的形式将数据从源头送至目的地。Event由Header和Body两部分组成，Header用来存放该Event的一些属性，为K-V结构，Body用来存放该条数据，形式为字节数组

第2章 Flume入门

2.1 Flume入门案例–监控端口数据

使用Flume监听一个端口，收集该端口的数据，并打印到控制台

实现步骤：

在 flume 目录下创建 job 文件夹并进入 job 文件夹
在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf

在 flume-netcat-logger.conf 文件中添加如下内容

# Name the components on this agent		a1：表示agent的名称
a1.sources = r1		r1：表示a1的source的名称
a1.sinks = k1		k1：表示a1的sink名称
a1.channels = c1	c1：表示a1的channel名称

# Describe/configure the source
a1.sources.r1.type = netcat		表示a1是输入源类型为netcat端口类型
a1.sources.r1.bind = localhost	表示a1的监听的主机
a1.sources.r1.port = 44444		表示a1的监听的端口号

# Describe the sink
a1.sinks.k1.type = logger	表示a1的输出目的地是控制台logger类型

# Use a channel which buffers events in memory	
a1.channels.c1.type = memory	表示a1的channel类型是memory内存型
a1.channels.c1.capacity = 1000	表示a1的channel总容量是1000个event
a1.channels.c1.transactionCapacity = 100	表示a1的channel传输时收集到了100条event以后再去提交事务

# Bind the source and sink to the channel
a1.sources.r1.channels = c1	表示r1和c1连接起来
a1.sinks.k1.channel = c1	表示k1和c1连接起来

开启Flume监听端口
第1种写法：bin/flume-ng agent –conf conf/ –name a1 –conf-file job/flume-netcat-logger.conf -
Dflume.root.logger=INFO,console
第2种写法：bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
参数说明：
- –conf/-c：表示配置文件存储在 conf/目录
- –name/-n：表示给 agent 起名为 a1
- –conf-file/-f：flume 本次启动读取的配置文件是在 job 文件夹下的 flume-telnet.conf
  文件
- -Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改 flume.root.logger
  参数属性值，并将控制台日志打印级别设置为 INFO 级别。日志级别包括:log、info、warn、
  error
使用 netcat 工具向本机的 44444 端口发送内容
```
nc localhost 44444
```

2.2 Flume入门案例–实时监控单个追加文件

这里同上一个案例的区别主要是Flume Agent 配置文件不同

创建配置文件 flume-file-hdfs.conf

# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2

# Describe/configure the source
a2.sources.r2.type = exec
# hive的日志
a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log

# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop102:8200/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a2.sinks.k2.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 60
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a2.sinks.k2.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

注意：对于所有与时间相关的转义序列，Event Header 中必须存在以 “timestamp”的key（除非 hdfs.useLocalTimeStamp 设置为 true，此方法会使用 TimestampInterceptor 自动添加 timestamp）

2.3 Flume入门案例–实时监控目录下多个新文件

说明：在使用Spooling Directory Source时，不要在监控目录中创建目录并持续修改文件；上传完成的文件会以.COMPLETED结尾；被监控的文件每500毫秒扫描一次文件变动

创建配置文件 flume-dir-hdfs.conf

a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
#忽略所有以.tmp 结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path =
hdfs://hadoop102:9820/flume/upload/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a3.sinks.k3.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

2.4 Flume入门案例–实时监控目录下多个追加文件

Exec Source适用于监控一个实时追加的文件，不能实现断点续传；Spooling Source适用于同步新文件，但不适合对实时追加日志的文件进行监听并同步；而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

创建配置文件 flume-taildir-hdfs.conf

a3.sources = r3
a3.sinks = k3
a3.channels = c3

# Describe/configure the source
a3.sources.r3.type = TAILDIR
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
a3.sources.r3.filegroups = f1 f2
a3.sources.r3.filegroups.f1 = /opt/module/flume/files/.*file.*
a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*

# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path =
hdfs://hadoop102:9820/flume/upload2/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个 Event 才 flush 到 HDFS 一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与 Event 数量无关
a3.sinks.k3.hdfs.rollCount = 0

# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3

Taildir 说明：Taildir 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