一、Flume 概述
Flume 是 Cloudera 提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的框架服务
Flume 基于流式架构,灵活简单,能够实时读取服务器本地磁盘的数据,将数据写入到 HDFS
二、Flume 基础架构
- Agent:一个 JVM 进程,它以事件的形式将数据从源头送至目的,一个 Flume 集群有多个 Agent。Agent 主要有 3 个部分组成:
Source、Channel、Sink
- Source:负责接收数据到 Flume Agent 的组件。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、 taildir、sequence generator、syslog、http、legacy
- Sink:不断地轮询 Channel 中的 Event 且批量地移除 Event,并将这些 Event 批量写入到存储或索引系统、或者被发送到另一个 Flume Agent。Sink 组件目的地包括:
hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义
- Channel:位于 Source 和 Sink 之间的缓冲区。Channel 允许 Source 和 Sink 运作在不同的速率上,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:内存中的队列,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:将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据
- Event: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(byte array),通过设置不同的 Header 可以让同一 Source 的 Event 进入不同的 Channel 和 Sink
三、Flume 安装部署
1. 下载
- 进入下载地址:http://archive.apache.org/dist/flume/
- 选择对应的版本点击进入
- 点击下载对应的 tar 安装包
2. 安装
-
将 apache-flume-1.9.0-bin.tar.gz 上传到 linux 的 /opt/software 目录下
-
解压 apache-flume-1.9.0-bin.tar.gz 到 /opt/module/ 目录下
tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/module/
-
将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3
rm -rf /opt/module/flume/lib/guava-11.0.2.jar
-
注意:系统中必须配置 Java 和 Hadoop 的环境变量
四、入门案例
1. 监控端口数据
-
需求:使用 Flume 监听一个端口,收集该端口数据,并打印到控制台
-
思路:
- Flume 监控本机的 44444 端口,通过 Source 端读取数据
- 使用 netcat 工具向本机的 44444 端口发送数据
- Flume 将获取的数据通过 Sink 端打印到控制台
-
实现:
-
前期准备
# 安装 netcat 工具 sudo yum install -y nc # 判断 44444 端口是否被占用 sudo netstat -nlp | grep 44444
-
Flume 配置
# 在 flume 安装目录下创建 job 文件夹 cd /opt/module/flume mkdir job # 在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf 并添加内容 vim job/flume-netcat-logger.conf # Name the components on this agent a1.sources = r1 a1.sinks = k1 a1.channels = c1 # Describe/configure the source a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444 # Describe the sink a1.sinks.k1.type = logger # Use a channel which buffers events in memory a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 # Bind the source and sink to the channel a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1
-
开启 flume 监听端口
# 语法一 bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console # 语法二 bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
--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 hello
-
在 Flume 监听页面观察接收数据情况
-
2. 实时监控单文件追加
-
需求:实时监控 Hive 日志,并上传到 HDFS 中
-
思路:
- Flume 通过 Source 端执行 tail -F 命令监控 Hive 日志文件
- 执行 Hive 操作命令生成日志信息
- Flume 通过 Sink 端将获取到的日志信息传输到 HDFS
-
实现:
-
确保系统中配置 Java 和 Hadoop 环境变量
-
Flume 配置
# 在 job 目录下创建 file-flume-hdfs.conf 文件并添加内容 cd /opt/module/flume vim job/file-flume-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 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://hadoop102:9820/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
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)
-
运行 Flume
bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf
-
开启 Hadoop 和 Hive 并操作 Hive 产生日志
sbin/start-dfs.sh sbin/start-yarn.sh bin/hive
-
在 HDFS 上查看文件
-
-
总结:Exec source 适用于监控一个实时追加的文件,但不能实现断点续传
3. 实时监控目录新增文件
-
需求:使用 Flume 监听整个目录的文件,并上传至 HDFS
-
思路:
- Flume 通过 Source 端监控一个目录
- 向被监控的目录中添加文件,已经上传的后缀为
.completed
,未上传的为.tmp
- Flume 通过 Sink 端将目录中后缀为
.completed
的文件传输到 HDFS
-
实现:
-
Flume 配置
# 在 job 目录下创建配置文件 dir-flume-hdfs.conf 并添加内容 cd /opt/module/flume vim job/dir-flume-hdfs.conf # Name the components on this agent 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
-
启动 Flume
bin/flume-ng agent -n a3 -c conf/ -f job/dir-flume-hdfs.conf
-
在被监控的目录下创建新文件
touch hello.txt
-
查看 HDFS 上的数据
-
-
总结:Spooldir Source 适合用于同步新文件,但不适合对实时追加日志的文件进行监听并同步
4. 实时监控目录多文件追加
-
需求:使用 Flume 监听整个目录的实时追加文件,并上传至 HDFS
-
实现:
-
Flume 配置
# 在 job 目录下创建 taildir-flume-hdfs.conf 配置文件并添加内容 cd /opt/module/flume vim job/taildir-flume-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
-
启动 Flume
bin/flume-ng agent -n a3 -c conf/ -f job/taildir-flume-hdfs.conf
-
向被监控的目录中添加文件并追加内容
echo hello >> file1.txt echo flume >> file2.txt
-
查看 HDFS 上的数据
-
-
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
-
Position File 的格式:
{"inode":2496272,"pos":12,"file":"/opt/module/flume/files/file1.txt"} {"inode":2496275,"pos":12,"file":"/opt/module/flume/files/file2.txt"}
-
Linux 中储存文件元数据的区域就叫做 inode,每个 inode 都有一个号码,操作系统用 inode 号码来识别不同的文件,Unix/Linux 系统内部不使用文件名,而使用 inode 号码来识别文件
-
-
问题:
- Taildir Source 是通过 inode 和 fileName 共同监控一个文件的,只要其中一个发生改变,Flume 即认为文件发生变化,就会同步上传数据到 HDFS
- 很多程序使用的日志框架为 log4j,其特点是当天生成的日志文件名为 xxx.log,第二天将前一天的日志文件更名为 xxx.log-yyyy-MM-dd,所以 Flume 会重复上传日志数据
- 解决:
- 更换日志框架为 logback
- 修改源码
- 下载源码包 src (flume-taildir-source)
- 修改 TailFile 类的 updatePos 方法和 RliableTaildirEventReader 类的 256 行
- 重新打包源码
- 将修改后的源码包上传到 flume 安装目录下的 lib 目录中替换原来的 jar 包
-
总结: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