Flume学习笔记

flume学习笔记

一、什么是Flume？     Apache Flume 是一个从可以收集例如日志，事件等数据资源，并将这些数量庞大的数据从各项数据资源中集中起来存储的工具/服务，或者数集中机制。flume具有高可用，分布式，配置工具，其设计的原理也是基于将数据流，如日志数据从各种网站服务器上汇集起来存储到HDFS，HBase等集中存储器中。 二、flume特性     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，因此，flume可以适用于大部分的日常数据采集场景 三、flume组件解析     对于每一个Agent来说,它就是一共独立的守护进程(JVM),它从客户端接收数据     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(被封装成Event对象)传递员，内部有三个组件：         a)Source：采集组件，用于跟数据源对接，以获取数据         b)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         c)Channel：传输通道组件，用于从source将数据传递到sink         d)event(所传的消息就是event)一行文本内容会被反序列化成一个event(event的最大定义为2048字节，超过，则会切割，剩下的会被放到下一个event中，默认编码是UTF-8。 四、flume安装     1)解压

代码语言：javascript复制

        tar -zxvf apache-flume-1.6.0-bin.tar.gz -C /root/app/

    2)修改配置文件

代码语言：javascript复制

        将flume-env.sh.template  改为 flume-env.sh

        在里面配置JAVA_HOME 五、测试     创建一个myconf文件夹，在里边写配置文件  1.使用telnet 发送消息 然后输出到控制台         1)创建netcat-console.conf文件

代码语言：javascript复制

# 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 = hadoop01
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

        2)启动

代码语言：javascript复制

 bin/flume-ng agent -c conf -f myconf/socket-file.conf -n a1 -Dflume.root.logger=INFO,console

            在另一个能跟agent节点联网的机器上运行  

代码语言：javascript复制

              telnet hadoop01 44444

    2.采集目录到hdfs         需求：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             根据需求，首先定义以下3大要素             数据源组件，即source ——监控文件目录 :  spooldir             spooldir特性：                1、监视一个目录，只要目录中出现新文件，就会采集文件中的内容                2、采集完成的文件，会被agent自动添加一个后缀：COMPLETED                3、所监视的目录中不允许重复出现相同文件名的文件             下沉组件，即sink——HDFS文件系统  :  hdfs sink             通道组件，即channel——可用file channel 也可以用内存channel             配置文件 directory-hdfs.conf

代码语言：javascript复制

# 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 = spooldir
a1.sources.r1.spoolDir = /root/data/flumedata
# 描述和配置sink组件：k1
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flumeday15/events
a1.sinks.k1.hdfa.filePrefix = events-
#每隔N s将临时文件滚动成一个目标文件
a1.sinks.k1.hdfs.rollInterval = 60
#当文件大小为1048576个字节时，将文件滚动成一个文件
a1.sinks.k1.hdfs.rollSize = 1048576
#event数量达到该数量的时候，将临时文件滚动成目标文件
a1.sinks.k1.hdfs.rollCount = 500000

# 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

         启动hadoop环境          另外创建一个文件夹 /root/data/flumedata   往里边添加文件,查看hdfs变化    3.采集文件到kafka         采集需求：比如业务系统使用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kafka         根据需求，首先定义以下3大要素         采集源，即source——监控文件内容更新 :  exec  ‘tail -F file’         下沉目标，即sink——kafka文件系统  :  org.apache.flume.sink.kafka.KafkaSink         Source和sink之间的传递通道——channel，可用file channel 也可以用 内存channel         配置文件编写(exec-kafka.conf)

代码语言：javascript复制

# 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 = exec
a1.sources.r1.command = tail -F /opt/datas/tmp.log

# 描述和配置sink组件：k1
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.topic = flumeTopic
a1.sinks.k1.kafka.bootstrap.servers = hadoop01:9092,hadoop02:9092,hadoop03:9092
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.linger.ms = 1
a1.sinks.ki.kafka.producer.compression.type = snappy


# 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

        运行：启动zookeeper

代码语言：javascript复制

          zkServer.sh start 

              启动kafka    

代码语言：javascript复制

          /root/app/kafka_2.11-0.10.2.1/bin/kafka-server-start.sh -daemon 
/root/app/kafka_2.11-0.10.2.1/config/server.properties

              创建Topic

代码语言：javascript复制

         /root/app/kafka_2.11-0.10.2.1/bin/kafka-topics.sh --create
         --zookeeper 192.168.1.3:2181,192.168.1.4:2181,192.168.1.5:2181
         --replication-factor 3 --partitions 3 --topic flumeTopic

              启动flume    

代码语言：javascript复制

                bin/flume-ng agent -c conf -f myconf/exec-kafka.conf -n a1 -Dflume.root.logger=INFO,console

              输出日志

代码语言：javascript复制

                while true
                >do
                >echo `date` >> /opt/datas/tmp.log
                >sleep 0.5
                >done

              查看kafka数据

代码语言：javascript复制

         /root/app/kafka_2.11-0.10.2.1/bin/kafka-topics.sh --describe --zookeeper localhost:2181 --topic flumeTopic

    4.写到磁盘中         # 定义这个agent中各组件的名字

代码语言：javascript复制

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 = bigdata01
a1.sources.r1.port = 44444

# 描述和配置sink组件：k1
a1.sinks.k1.type = file_roll
a1.sinks.k1.sink.directory = /opt/datas/flumelog


# 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

    5.Flume HA配置         hadoop01  -->| sink1 --->  hadopp02                      | sink2 --->  hadoop03  hadoop02宕机后 hadoop01 输出到 hadoop03         hadoop01  的 spooldir-avroMultiSink.conf

代码语言：javascript复制

# 定义这个agent中各组件的名字
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1

#set gruop
a1.sinkgroups = g1

# 描述和配置source组件：r1
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /root/data/flumedata
a1.sources.r1.fileHeader = true


# 描述和配置sink组件：k1
# set sink1
a1.sinks.k1.channel = c1
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop02
a1.sinks.k1.port = 4545

# set sink2
a1.sinks.k2.channel = c1
a1.sinks.k2.type = avro
a1.sinks.k2.hostname = hadoop03
a1.sinks.k2.port = 4545

#set sink group
a1.sinkgroups.g1.sinks = k1 k2


# 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

#set failover
a1.sinkgroups.g1.processor.type = failover
a1.sinkgroups.g1.processor.priority.k1 = 10
a1.sinkgroups.g1.processor.priority.k2 = 1
a1.sinkgroups.g1.processor.maxpenalty = 10000

        hadoop02  avro-logger.conf

代码语言：javascript复制

# 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 = avro
a1.sources.r1.bind = hadoop02
a1.sources.r1.port = 4545

# 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 = c

        hadoop03  avro-logger.conf

代码语言：javascript复制

# 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 = avro
a1.sources.r1.bind = hadoop03
a1.sources.r1.port = 4545

# 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 = c

        启动：         hadoop02 

代码语言：javascript复制

            bin/flume-ng agent -c conf -f myconf/avro-logger.conf -n a1 -Dflume.root.logger=INFO,console

        hadoop03

代码语言：javascript复制

           bin/flume-ng agent -c conf -f myconf/avro-logger.conf -n a1 -Dflume.root.logger=INFO,console

        hadoop01

代码语言：javascript复制

            bin/flume-ng agent -c conf -f myconf/spooldir-avroMultiSink.conf -n a1 -Dflume.root.logger=INFO,console

apache 存储 分布式 hbase hive

0 人点赞