Flume 的基本介绍和安装部署

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

在这里插入图片描述

二、Flume 基础架构

在这里插入图片描述

  • 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
    在这里插入图片描述
  • 点击下载对应的 tar 安装包
    在这里插入图片描述

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
        1. 下载源码包 src (flume-taildir-source)
        2. 修改 TailFile 类的 updatePos 方法和 RliableTaildirEventReader 类的 256 行
        3. 重新打包源码
        4. 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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/636340.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

react实现把pc网站快捷添加到桌面快捷方式

react实现把pc网站快捷添加到桌面快捷方式

文章目录 1. 需求2. 实现效果3. 核心逻辑4. 完整react代码 1. 需求 这种需求其实在国外一些游戏网站和推广网站中经常会用到，目的是为了让客户 快捷方便的保存网站到桌面 ，网站主动尽量避免下次找不到网站地址了，当然精确的客户自己也可以使…
阅读更多...
再次学习History.scrollRestoration

再次学习History.scrollRestoration

再次学习History.scrollRestoration 之前在react.dev的源代码中了解到了这个HIstory的属性，当时写了一篇笔记来记录我对它的理解，现在看来还是一知半解。所以今天打算重新学习一下这个属性，主要从属性以及所属对象的介绍、使用方法&#xff0…
阅读更多...
基于BERT的中文命名实体识别识别实战

基于BERT的中文命名实体识别识别实战

数据与代码链接见文末 bert开源项目解读：谷歌开源项目BERT源码解读与应用实例-CSDN博客 基于BERT的中文情感分析实战：基于BERT的中文情感分析实战-CSDN博客 1.命名实体识别任务 命名实体识别的主要目的是从文本中自动检测并分类出具有特定意义的命名实体，如人名、地名、组…
阅读更多...
Stable Diffusion 模型演进：LDM、SD 1.0, 1.5, 2.0、SDXL、SDXL-Turbo 等

Stable Diffusion 模型演进：LDM、SD 1.0, 1.5, 2.0、SDXL、SDXL-Turbo 等

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。 针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。 合集&#x…
阅读更多...
【openlayers系统学习】1.4 交互-绘制新要素

【openlayers系统学习】1.4 交互-绘制新要素

四、绘制新要素 Drawing new features 绘制新要素 我们的特征编辑器现在可用于加载数据和修改特征。接下来，我们将添加 Draw​ 交互，以允许人们绘制新功能并将其添加到我们的源中。 首先，导入 Draw​ 交互（在 main.js​ 中&…
阅读更多...
Qt笔记：动态处理多个按钮点击事件以更新UI

Qt笔记：动态处理多个按钮点击事件以更新UI

问题描述 在开发Qt应用程序时，经常需要处理多个按钮的点击事件，并根据点击的按钮来更新用户界面（UI），如下图。例如，你可能有一个包含多个按钮的界面，每个按钮都与一个文本框和一个复选框相关联…
阅读更多...
论文AIGC降重

论文AIGC降重

在这个人工智能横行的时代，AI写作工具被使用到论文写作中也已是常态。可AI写出来的东西怎么能逃得过AIGC检测呢？让我带大家了解，如何让你的论文在AI的包围下依旧保持那份独特的“人类气息”，成功通过AIGC检测。 AI写作工具是个好…
阅读更多...
vue.js基础组件4--下

vue.js基础组件4--下

1.动态组件 1.定义动态组件 利用动态组件可以动态切换页面中显示的组件。使用<component>标签可以定义动态组件&#xff0c;语法格式如下。 <component is"要渲染的组件"></component>上述语法格式中&#xff0c;<component>标签必须配合i…
阅读更多...
实战之快速完成 ChatGLM3-6B 在 GPU-8G的 INT4 量化和本地部署

实战之快速完成 ChatGLM3-6B 在 GPU-8G的 INT4 量化和本地部署

ChatGLM3 (ChatGLM3-6B) 项目地址 https://github.com/THUDM/ChatGLM3大模型是很吃CPU和显卡的&#xff0c;所以&#xff0c;要不有一个好的CPU&#xff0c;要不有一块好的显卡&#xff0c;显卡尽量13G&#xff0c;内存基本要32GB。 清华大模型分为三种(ChatGLM3-6B-Base&…
阅读更多...
海山数据库（He3DB）从方法到实践，构建以场景为中心的体验管理体系

海山数据库（He3DB）从方法到实践，构建以场景为中心的体验管理体系

编者按&#xff1a;体验优化的过程中设计师经常会遇到几个阶段&#xff0c;发现问题、定义问题、优化问题、查看反馈&#xff0c;但在产品快速迭代的过程中&#xff0c;体验的问题经常被归类到“不紧急”需求中&#xff0c;并逐步转为长尾问题&#xff0c;这些不被重视的问题聚…
阅读更多...
区块链钱包如果丢失了私钥或助记词，资产还能恢复吗？

区块链钱包如果丢失了私钥或助记词，资产还能恢复吗？

如果你丢失了区块链钱包的私钥或助记词&#xff08;通常是用于恢复钱包的短语或种子&#xff09;&#xff0c;那么你的资产在大多数情况下是无法恢复的。私钥是访问和控制你在区块链上资产的唯一凭证&#xff0c;而助记词&#xff08;如BIP39标准中的12、18、24个单词的短语&am…
阅读更多...
​16种常用的数据分析方法-时间序列分析

​16种常用的数据分析方法-时间序列分析

​时间序列&#xff08;time series&#xff09;是系统中某一变量的观测值按时间顺序&#xff08;时间间隔相同&#xff09;排列成一个数值序列&#xff0c;展示研究对象在一定时期内的变动过程&#xff0c;从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受…
阅读更多...
ARM|DSP+FPGA+NVIDIA AI摄像头定制

ARM|DSP+FPGA+NVIDIA AI摄像头定制

信迈拥有高性能的摄像头全栈能力&#xff1a;掌握车载模组光学设计能力&#xff0c;具有多名经验丰富光学设计专家&#xff1b;具备丰富的车载摄像模组硬件设计经验&#xff1b;掌握目前市面上大部分车载平台的ISP图像画质服务能力&#xff0c;能自主开发图像ISP和增强算法&…
阅读更多...
网络流量分析与网络流量采集：深入了解与实用指南

网络流量分析与网络流量采集：深入了解与实用指南

目录 什么是网络流量分析&#xff1f; 网络流量采集的重要性 网络流量分析的常用方法 包捕获和解码 协议分析 流量统计与趋势分析 AnaTraf网络流量分析仪 应用场景与实际案例 企业网络性能监控 数据中心安全防护 了解更多 在当今数字化时代&#xff0c;网络流量分析…
阅读更多...
Word怎么画图？这5个方法收藏好！

Word怎么画图？这5个方法收藏好！

“我需要在Word文档中画一些图&#xff0c;想问下Word应该怎么画图呢&#xff1f;有没有朋友可以帮我看看怎么操作呢&#xff1f;” 在今天的数字化时代&#xff0c;信息爆炸式增长&#xff0c;人们越来越需要高效、直观地传递和接收信息。而Word画图功能正是这一需求的完美体现…
阅读更多...
TSMaster发送CAN报文

TSMaster发送CAN报文

打开TSMaster工程 从菜单栏打开CAN报文发送窗口&#xff1a;【分析】->【报文发送】->【添加CAN/CAN FD发送】 可以选择【从CAN数据库添加报文】或者是【添加新的原始报文】 方法一 添加新的原始报文 可以配置报文发送的触发方式&#xff0c;有【手动】和【周期】两种。…
阅读更多...
【LeetCode算法】第69题：x的平方根

【LeetCode算法】第69题：x的平方根

目录 一、题目描述 二、初次解答 三、官方解法 四、总结 一、题目描述 二、初次解答 1. 思路&#xff1a;第一次想到的是让i从1开始遍历&#xff0c;看i*ix是否成立&#xff0c;但是这样就会导致i*i超出了int的范围&#xff0c;无法正常求解。第二次&#xff0c;想着比较x/…
阅读更多...
【css】引入背景图时候，路径写入@会报错

【css】引入背景图时候，路径写入@会报错

看报错信息 我的写法 解决办法 在前面加个~
阅读更多...
表现层框架设计之表现层设计模式_3.MVVM模式

表现层框架设计之表现层设计模式_3.MVVM模式

1.MVVM模式 MVVM模式正是为解决MVP中UI种类变多&#xff0c;接口也会不断增加的问题而提出的。 MVVM模式全称是模型-视图-视图模型&#xff08;Model-View-ViewModel&#xff09;&#xff0c;它和MVC、MVP类似&#xff0c;主要目的都是为了实现视图和模型的分离&#xff0c;不…
阅读更多...
无线通信的穿墙能力主要取决于哪些指标

无线通信的穿墙能力主要取决于哪些指标

无线通信的穿墙能力是指无线信号在穿越建筑物墙壁时&#xff0c;其信号衰减程度以及能否维持足够强度以进行稳定通信的能力。穿墙能力的好坏直接影响到无线通信在室内环境中的覆盖范围和使用体验。 一、无线信号的频率 无线信号的频率是影响穿墙能力的重要因素之一。一般来说…
阅读更多...
最新文章

Copyright @ 2022~2023