Flume快速入门

一、Flume简介

1.1 Flume概述：

Flume是开源日志系统。是一个分布式、可靠性和高可用的海量日志聚合系统，支持在系统中定制各类数据发送方，用于收集数据；同时，FLume提供对数据进行简单处理，并写到各种数据接收方（可定制）的能力。

1.2 Flume是什么？

Flume是流式日志采集工具，FLume提供对数据进行简单处理并且写到各种数据接收方（可定制）的能力，Flume提供从本地文件（spooling directory source）、实时日志（taildir、exec）、REST消息、Thift、Avro、Syslog、Kafka等数据源上收集数据的能力。

1. 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。
2. 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1. 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
3. 一般的采集需求，通过对Flume的简单配置即可实现
4. 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。

1.3 Flume能干什么？

• 提供从固定目录下采集日志信息到目的地（HDFS，HBase，Kafka）能力。
• 提供实时采集日志信息（taidir）到目的地的能力。
• FLume支持级联（多个Flume对接起来），合并数据的能力。
• Flume支持按照用户定制采集数据的能力。

Flume在FusionInsight中的位置：

Flume在FusionInsight中的位置

Flume是收集、聚合事件流数据的分布式框架。

二、 Flume系统架构

2.0 Flume运行机制

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
每一个agent相当于一个数据传递员 ，内部有三个组件：

• Source：采集组件，用于跟数据源对接，以获取数据
• 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
• Channel：传输通道组件，用于从source将数据传递到sink

Source 到Channel 到Sink之间传递数据的形式是Event事件；Event事件是一个数据流单元。

2.1 Flume基础架构：

Flume基础架构图

Flume基础架构：Flume可以单节点直接采集数据，主要应用于集群内数据。

2.2 Flume多agent架构

图：Flume多agent架构

Flume多agent架构：Flume可以将多个节点连接起来，将最初的数据源经过收集，存储到最终的存储系统中。主要应用于集群外的数据导入到集群内。

2.3 Flume架构：

图：Flume架构图

各组件具体介绍如下：

• events：Flume当中对数据的一种封装。是一个数据单元。flume传输数据最基本的单元。
• Interceptor：拦截器，主要作用是将采集到的数据根据用户的配置进行过滤和修饰。
• Channel Selector：通道选择器，主要作用是根据用户配置将数据放到不同的Channel当中。
• Channel：主要作用是临时的缓存数据。
• Sink Runner：sink的运行器，主要是通过它来驱动Sink Processor，Sink Processor驱动Sink来从Channel当中获取数据。
• Sink Processor：主要策略有，负载均衡，故障转移以及直通。
• Sink：主要作用是从Channel当中取出数据，并将数据放到不同的目的地。

2.3.1 基本概念- Source：

Source负责接收events或通过特殊机制产生events，并将events批量放到一个或多个Channels。有驱动和轮询2中类型的Source。

• 驱动型Source：是外部主动发送数据给Flume，驱动Flume接收数据。
• 轮询source：是FLume周期性主动去获取数据。

Source必须至少和一个channel关联。

Source的类型如下：

Source类型

2.3.2 基本概念 - Channel：

Channel位于Source和Sink之间，Channel的作用类似队列，用于临时缓存进来的events，当Sink成功地将events发送到下一跳的channel或最终目的，events从Channel移除。

不同的Channel提供的持久化水平也是不一样的：

• Memory Channel：不会持久化。消息存放在内存中，提供高吞吐，但提供可靠性；可能丢失数据。
• File Channel：对数据持久化；基于WAL（预写式日志Write-Ahaad Log）实现。但是配置较为麻烦，需要配置数据目录和checkpoint目录；不同的file channel均需要配置一个checkpoint目录。
• JDBC Channel：基于嵌入式Database实现。内置derby数据库，对event进行了持久化，提供高可靠性；可以取代同样持久特性的file channel。

Channels支持事物，提供较弱的顺序保证，可以连接任何数量的Source和Sink。

2.3.3 基本概念 - Sink：

Sink负责将events传输到下一跳或最终目的，成功完成后将events从channel移除。

必须作用于一个确切的channel。

Sink类型：

Sink类型

三、 Flume关键特性介绍

3.1 Flume支持采集日志文件：

图：Flume采集日志文件

Flume支持将集群外的日志文件采集并归档到HDFS、HBase、Kafka上，供上层应用对数据分析、清洗数据使用。

3.2 Flume支持多级级联和多路复制：

图：Flume级联

Flume支持将多个Flume级联起来，同时级联节点内部支持数据复制。

这个场景主要应用于：收集FusionInsight集群外上的节点上的日志，并通过多个Flume节点，最终汇聚到集群当中。

3.3 Flume级联消息压缩、加密：

图：Flume级联消息压缩、加密

Flume级联节点之间的数据传输支持压缩和加密，提升数据传输效率和安全性。

在同一个Flume内部进行传输时，不需要加密，为进程内部的数据交换。

3.4 Flume数据监控：

图：Flume数据监控

Source接收的数据量，Channel缓存的数据量，Sink写入的数据量，这些都可以通过Manager图形化界面呈现出来。

3.5 传输可靠性：

图：Flume传输可靠性原理

Flume在传输数据过程中，采用事物管理方式，保证数据传输过程中数据不会丢失，增强了数据传输的可靠性，同时缓存在channel中的数据如果采用了file channel，进程或者节点重启数据不会丢失。

图：Flume传输过程中出错情况

Flume在传输数据过程中，如果下一跳的Flume节点故障或者数据接收异常时，可以自动切换到另外一路上继续传输。

3.6 Flume传输过程中数据过滤：

图：过滤原理

Flume在传输数据过程中，可以见到的对数据简单过滤、清洗，可以去掉不关心的数据，同时如果需要对复杂的数据过滤，需要用户根据自己的数据特殊性，开发过滤插件，Flume支持第三方过滤插件调用