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可以适用于大部分的日常数据采集场景

  • 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

    运行机制

  1. 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

  2. 每一个agent相当于一个数据传递员，内部有三个组件：

    1. 1. Source：采集组件，用于跟数据源对接，以获取数据<br />       2. 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<br />       3. Channel：传输通道组件，用于从source将数据传递到sink<br />![image.png](https://cdn.nlark.com/yuque/0/2022/png/771792/1648130936969-ad9dfb1e-2cbc-460a-905e-9c8624f2704c.png#clientId=u72d4445b-8201-4&crop=0&crop=0&crop=1&crop=1&from=paste&height=346&id=u0ddfedc6&margin=%5Bobject%20Object%5D&name=image.png&originHeight=346&originWidth=820&originalType=binary&ratio=1&rotation=0&showTitle=false&size=1137141&status=done&style=none&taskId=u466d9c09-d1a8-481f-8f13-db3193e1169&title=&width=820)

    安装

    Step 1:下載解压修改配置文件
    下载地址：http://archive.apache.org/dist/flume/1.8.0/apache-flume-1.8.0-bin.tar.gz
    Flume的安装非常简单，只需要解压即可，当然前提是已有hadoop环境，然后上传安装包到数据源所在节点上。这里我们采用在第三台机器来进行安装

    1. cd /export/softwares/
    2. # 将安装包解压到我们的servers目录
    3. tar -zxvf apache-flume-1.8.0-bin.tar.gz -C ../servers/
    4. cd /export/servers/apache-flume-1.8.0-bin/conf
    5. cp flume-env.sh.template flume-env.sh
    6. vim flume-env.sh
    7. # 打开注释，配置java环境
    8. export JAVA_HOME=/export/servers/jdkl.8.0_141

    Step 2:开发配置文件
    根据数据采集的需求配置采集方案，描述在配置文件中（文件名可任意自定义）配置我们的网络收集的配置文件。在flume的conf目录下新建一个配置文件（采集方案）,a1代表agent ```shell vim /export/servers/apache-flume-1.8.0-bin/conf/netcat-logger.conf

    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 a1.sources.r1.bind = 192.168.174.120 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 a1.channels.c1.capacity = 1000 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

  1. **Step 3: **启动配置文件 <br />指定采集方案配置文件，在相应的节点上启动flflume agent ，进入它的bin目录执行启动agent去采集数据 。
  2. ```shell
  3. bin/flume-ng agent -c conf -f conf/netcat-logger.conf -n a1 -Dflume.root.logger=INFO,c

-c conf 指定flflume自身的配置文件所在目录 -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

Step 4: 安装 Telnet 准备测试
在node02机器上面安装telnet客户端，用于模拟数据的发送 ，然后通过flume采集网络端口数据

  1. yum -y install telnet 
  2. # 使用node02向 node03 telnet模拟数据发送 
  3. telnet node03 44444

案例

案例一（目录）

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。比我我们项目中的日志文件log4j

实现步骤

配置conf文件，并启动flume

编写一个配置文件xxxx.conf，编写完成并启动

  1. # 定义这个agent中各组件的名字 
  2. a1.sources = r1 
  3. a1.sinks = k1 
  4. a1.channels = c1 
  6. # 描述和配置source组件：r1 
  7. a1.sources.r1.type = spooldir #监控文件目录，只要显示新文件就会采集文件中的内容 ，
  8. 采集完成的文件会被agnet自动添加一个后缀：COMPLETED，监控目录不允许同名文件
  9. a1.sources.r1.spoolDir = /export/servers/dirfile 
  10. a1.sources.r1.fileHeader = true
  12. # 描述和配置channel组件，此处使用是内存缓存的方式 
  13. a1.channels.c1.type = memory 
  14. a1.channels.c1.capacity = 1000 #默认该通道中最大的可以存储的event数量
  15. a1.channels.c1.transactionCapacity = 100 #每次最大可以从source中拿到或者送到sink中的event数量
  17. # 描述和配置sink组件：k1 
  18. a1.sinks.k1.type = hdfs 
  19. a1.sinks.k1.hdfs.path = hdfs://node01:8020/spooldir/files/%y-%m-%d/%H%M/  #会自动创建
  20. a1.sinks.k1.hdfs.filePrefix = events- 
  21. a1.sinks.k1.hdfs.round = true 
  22. a1.sinks.k1.hdfs.roundValue = 10 
  23. a1.sinks.k1.hdfs.roundUnit = minute 
  24. a1.sinks.k1.hdfs.rollInterval = 3 #每间隔3s产生一个新文件
  25. a1.sinks.k1.hdfs.rollSize = 20 #文件（hdfs临时文件）大小达到20个产生新文件
  26. a1.sinks.k1.hdfs.rollCount = 5 #文件（hdfs临时文件）大小达到5个event产生新文件
  27. a1.sinks.k1.hdfs.batchSize = 1 
  28. a1.sinks.k1.hdfs.useLocalTimeStamp = true 
  29. #生成的文件类型，默认是Sequencefile，可用DataStream，则为普通文本 
  30. a1.sinks.k1.hdfs.fileType = DataStream 
  32. # 描述和配置source channel sink之间的连接关系 
  33. a1.sources.r1.channels = c1 
  34. a1.sinks.k1.channel = c1
  1. bin/flume-ng agent -c ./conf -f ./conf/xxxx.conf -n a1 -Dflume.root.logger=INFO,console

上传文件到指定目录

此时我们程序就阻塞在这里，进入到我们监控的目录，手动上传文件进去即可。每上传一个文件，就会发现hdfs中对应目录也会上传，但是此时发现了两个文件，原因应该是我们触发条件的问题，可以将触发产生文件的阈值调大一些。

  1. cd /export/servers/dirfile
  2. scp 文件到指定目录

案例二（单个文件）

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

实现步骤

配置conf，并启动

  1. # 定义这个agent中各组件的名字 
  2. agent1.sources = source1 
  3. agent1.sinks = sink1 
  4. agent1.channels = channel1
  6. agent1.sources.source1.type = exec 
  7. agent1.sources.source1.command = tail -F /export/servers/taillogs/access_log
  9. agent1.channels.channel1.type = memory 
  10. agent1.channels.channel1.keep-alive = 120 
  11. agent1.channels.channel1.capacity = 500000 
  12. agent1.channels.channel1.transactionCapacity = 600 # Bind the source and sink to the channel 
  15. agent1.sinks.sink1.type = hdfs #a1.sinks.k1.channel = c1 
  16. agent1.sinks.sink1.hdfs.path = hdfs://node01:8020/weblog/flume-collection/%y-%m-%d/%H-% 
  17. agent1.sinks.sink1.hdfs.filePrefix = access_log agent1.sinks.sink1.hdfs.maxOpenFiles = 5000 
  18. agent1.sinks.sink1.hdfs.batchSize= 100 
  19. agent1.sinks.sink1.hdfs.fileType = DataStream 
  20. agent1.sinks.sink1.hdfs.writeFormat =Text
  21. agent1.sinks.sink1.hdfs.round = true 
  22. agent1.sinks.sink1.hdfs.roundValue = 10 
  23. agent1.sinks.sink1.hdfs.roundUnit = minute 
  24. agent1.sinks.sink1.hdfs.useLocalTimeStamp = true # Use a channel which buffers events in memory
  26. agent1.sources.source1.channels = channel1 
  27. agent1.sinks.sink1.channel = channel1
  1. cd /export/servers/apache-flume-1.6.0-cdh5.14.0-bin
  2. bin/flume-ng agent -c conf -f conf/tail-file.conf -n agent1 -Dflume.root.logger=INFO,console

shell脚本定时追加文件内容

每过0.5s向文件输入内容，模拟日志。如果文件达到我们conf设置的阈值，就会产生新文件

  1. mkdir -p /export/servers/shells
  2. cd /export/servers/shells/
  3. vi tail-file.sh
  1. #!/bin/bash 
  2. while true 
  3. do
  4.   date >> /export/servers/taillogs/access_log; 
  5.   sleep 0.5;
  6. done

案例二（目录下多个文件）

对于nginx日志生成场景，如果通过flume(1.6)收集，无论是sqoop directory source和exec source均不能满足动态实时收集的需求，在当前flume1.7稳定版本中，提供了一个非常好用的TarldirSource，这个source可以监控一个目录，并使用正则表达式匹配该目录的文件名进行实时收集。
核心配置如下

  1. a1.sources=r1
  2. a1.sources.r1.type=TAILDIR
  3. a1.sources.r1.channels=c1
  4. a1.sources.r1.positionFile=/var/log/flume/taildir_position.json
  5. a1.sources.r1.filegroups= f1 f2
  6. a1.sources.r1.filegroups.f1=/var/log/test1/example.log
  7. a1.sources.r1.filegroups.f1=/var/log/test2/*.log.*
  • filegroups：监控的文件组，f1 f2表示不同的目录，可以有多个，用空格分隔，也就是说它可以监控多个目录下的文件。
  • positionFile:配置检查点文件路径，检查点文件会以json的格式保存。已经tail文件的位置，解决了断电不能续传的缺陷
  • filegroups.：配置了每个filegroup的文件绝对路径，文件名可以使用正则表达式匹配

通过以上配置，就可以监控文件内容的增加和文件的增加。产生和所配置的文件名正则表达式不匹配的文件，则不会被tail

日志

access.log 可以发现这个日志格式是不整齐的，需要我们对数据进行清洗。

参考文档

apache文档参考地址：https://cwiki.apache.org/confluence/#all-updates flume文档参考地址：https://cwiki.apache.org/confluence/display/FLUME/Getting+Started