Flume 是一个分布式、可靠、和高可用的海量日志聚合的系统，支持在系统中定制各类数据发送方，通过监控整个文件目录或者某一个特定文件，用于收集数据；同时Flume也 提供数据写到各种数据接受方(可定制)的能力，用于转发数据。Flume 的易用性在于通过读取配置文件，可以自动收集日志文件，在大数据处理及各种复杂的情况下，flume 经常被用来作为数据处理的工具。
# 工作流程
# 安装启动
命令或下载压缩包安装；
添加环境变量：
复制一份
conf/flume.env.sh.template取消.template后缀，在里面添加系统JAVA_HOME环境变量；在系统环境变量里添加
${FLUME_HOME}=flume安装目录，再把bin目录添加到$FLUME_HOME/bin:$PATH;刷新环境变量，输入
flume-ng version能看到版本号相关信息即安装成功；flume启动命令解析
# 完整命令
nohup flume-ng agent --name agent --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/kafka.properties -Dflume.root.logger=INFO,console &
# 分布解析
flume-ng agent
--name a1 # 配置文件中设置的a1 a1.sources = r1
-conf $FLUME_HOME/conf # 配置文件的路径
--confi-file $FLUME_HOME/conf/demo.properties # 指定配置文件
-Dflume.root.logger=INFO,console # 指令启动后控制台输入日志，后台启动可以不加此命令
1
2
3
4
5
6
7
8
9
2
3
4
5
6
7
8
9
# 参数配置详解
# 核心概念
| Flume组件 | 介绍 | 理解 |
|---|---|---|
| source | 采集日志数据，将采集到的日志数据传输给channel | 数据来源的地方 |
| channel | 一个队列，存储source传递过来的数据 | 数据传输的管道 |
| sink | 从channel中获取数据，将数据输出到目标位置（HDFS、HBase、Source） | 数据要传送到那里去 |
| Event | 传输数据的单元，Flume中采集数据并传输的最小单位 | 数据传输的单位 |
# Sources
Flume中常用的Source有NetCat，Avro，Exec，Spooling Directory，Taildir，也可以根据业务场景的需要自定义Source,具体介绍如下。
| Sources | 使用场景 |
|---|---|
| NetCat | NetCat Source可以使用TCP和UDP两种协议方式，使用方法基本相同，通过监听指定的IP和端口来传输数据，它会将监听到的每一行数据转化成一个Event写入到Channel中。（必须参数以@标示，下类同） |
| Avro | 不同主机上的Agent通过网络传输数据可使用的Source，一般是接受Avro client的数据，或和是上一级Agent的Avro Sink成对存在。 |
| Exec | Exec source通过执行给定的Unix命令的传输结果数据，如cat，tail -F等，实时性比较高，但是一旦Agent进程出现问题，可能会导致数据的丢失。 |
| Spooling Directory | 通过监控一个文件夹将新增文件内容转换成Event传输数据，特点是不会丢失数据，使用Spooling Directory Source需要注意的两点是: 1)不能对被监控的文件夹下的新增的文件做出任何更改 2）新增到监控文件夹的文件名称必须是唯一的。由于是对整个新增文件的监控， Spooling Directory Source的实时性相对较低，不过可以采用对文件高粒度分割达到近似实时。 |
| Taildir | 可以实时的监控指定一个或多个文件中的新增内容，由于该方式将数据的偏移量保存在一个指定的json文件中，即使在Agent挂掉或被kill也不会有数据的丢失，需要注意的是，该Source不能在Windows上使用。 |
NetCat Source 参数详情
| Property Name | Default | Description |
|---|---|---|
| channels@ | – | |
| type@ | – | 类型指定为：netcat |
| bind@ | – | 绑定机器名或IP地址 |
| port@ | – | 端口号 |
| max-line-length | 512 | 一行的最大字节数 |
| ack-every-event | true | 对成功接受的Event返回OK |
| selector.type | replicating | 选择器类型replicating or multiplexing |
| selector.* | 选择器相关参数 | |
| interceptors | – | 拦截器列表，多个以空格分隔 |
| interceptors.* | 拦截器相关参数 |
Avro Srource 参数详情
| Property Name | Default | Description |
|---|---|---|
| channels@ | – | |
| type@ | – | 类型指定为：avro |
| bind@ | – | 监听的主机名或IP地址 |
| port@ | – | 端口号 |
| threads | – | 传输可使用的最大线程数 |
| selector.type | ||
| selector.* | ||
| interceptors | – | 拦截器列表 |
| interceptors.* | ||
| compression-type | none | 可设置为“none” 或 “deflate”. 压缩类型需要和AvroSource匹配 |
Exc Source 参数详情
| Property Name | Default | Description |
|---|---|---|
| channels@ | – | |
| type@ | – | 类型指定为：exec |
| command@ | – | 需要去执行的命令 |
| shell | – | 运行命令的shell脚本文件 |
| restartThrottle | 10000 | 尝试重启的超时时间 |
| restart | false | 如果命令执行失败，是否重启 |
| logStdErr | false | 是否记录错误日志 |
| batchSize | 20 | 批次写入channel的最大日志数量 |
| batchTimeout | 3000 | 批次写入数据的最大等待时间（毫秒） |
| selector.type | replicating | 选择器类型replicating or multiplexing |
| selector.* | 选择器其他参数 | |
| interceptors | – | 拦截器列表，多个空格分隔 |
| interceptors.* |
Spooling Directory Source 参数详情
| Property Name | Default | Description |
|---|---|---|
| channels@ | – | |
| type@ | – | 类型指定：spooldir. |
| spoolDir@ | – | 被监控的文件夹目录 |
| fileSuffix | .COMPLETED | 完成数据传输的文件后缀标志 |
| deletePolicy | never | 删除已经完成数据传输的文件时间：never or immediate |
| fileHeader | false | 是否在header中添加文件的完整路径信息 |
| fileHeaderKey | file | 如果header中添加文件的完整路径信息时key的名称 |
| basenameHeader | false | 是否在header中添加文件的基本名称信息 |
| basenameHeaderKey | basename | 如果header中添加文件的基本名称信息时key的名称 |
| includePattern | ^.*$ | 使用正则来匹配新增文件需要被传输数据的文件 |
| ignorePattern | ^$ | 使用正则来忽略新增的文件 |
| trackerDir | .flumespool | 存储元数据信息目录 |
| consumeOrder | oldest | 文件消费顺序：oldest, youngest and random. |
| maxBackoff | 4000 | 如果channel容量不足，尝试写入的超时时间，如果仍然不能写入，则会抛出ChannelException |
| batchSize | 100 | 批次处理粒度 |
| inputCharset | UTF-8 | 输入码表格式 |
| decodeErrorPolicy | FAIL | 遇到不可解码字符后的处理方式：FAIL，REPLACE，IGNORE |
| selector.type | replicating | 选择器类型：replicating or multiplexing |
| selector.* | 选择器其他参数 | |
| interceptors | – | 拦截器列表，空格分隔 |
| interceptors.* |
Taildir Source 参数详情
| Property Name | Default | Description |
|---|---|---|
| channels@ | – | |
| type@ | – | 指定类型：TAILDIR. |
| filegroups@ | – | 文件组的名称，多个空格分隔 |
| filegroups.@ | – | 被监控文件的绝对路径 |
| positionFile | ~/.flume/taildir_position.json | 存储数据偏移量路径 |
| headers.. | – | Header key的名称 |
| byteOffsetHeader | false | 是否添加字节偏移量到key为‘byteoffset’值中 |
| skipToEnd | false | 当偏移量不能写入到文件时是否跳到文件结尾 |
| idleTimeout | 120000 | 关闭没有新增内容的文件超时时间（毫秒） |
| writePosInterval | 3000 | 在positionfile 写入每一个文件lastposition的时间间隔 |
| batchSize | 100 | 批次处理行数 |
| fileHeader | false | 是否添加header存储文件绝对路径 |
| fileHeaderKey | file | fileHeader启用时，使用的key |
# Channels
官网提供的Channel有多种类型可供选择，这里介绍Memory Channel和File Channel。
Memory Channel 参数详解
Memory Channel是使用内存来存储Event，使用内存的意味着数据传输速率会很快，但是当Agent挂掉后，存储在Channel中的数据将会丢失。
| Property Name | Default | Description |
|---|---|---|
| type@ | – | 类型指定为：memory |
| capacity | 100 | 存储在channel中的最大容量 |
| transactionCapacity | 100 | 从一个source中去或者给一个sink，每个事务中最大的事件数 |
| keep-alive | 3 | 对于添加或者删除一个事件的超时的秒钟 |
| byteCapacityBufferPercentage | 20 | 定义缓存百分比 |
| byteCapacity | see description | Channel中允许存储的最大字节总数 |
File Channel 参数详解
File Channel使用磁盘来存储Event，速率相对于Memory Channel较慢，但数据不会丢失。
| Property Name | Default | Description |
| type@ | – | 类型指定：file. |
| checkpointDir | ~/.flume/file-channel/checkpoint | checkpoint目录 |
| useDualCheckpoints | false | 备份checkpoint，为True，backupCheckpointDir必须设置 |
| backupCheckpointDir | – | 备份checkpoint目录 |
| dataDirs | ~/.flume/file-channel/data | 数据存储所在的目录设置 |
| transactionCapacity | 10000 | Event存储最大值 |
| checkpointInterval | 30000 | checkpoint间隔时间 |
| maxFileSize | 2146435071 | 单一日志最大设置字节数 |
| minimumRequiredSpace | 524288000 | 最小的请求闲置空间（以字节为单位） |
| capacity | 1000000 | Channel最大容量 |
| keep-alive | 3 | 一个存放操作的等待时间值（秒） |
| use-log-replay-v1 | false | Expert: 使用老的回复逻辑 |
| use-fast-replay | false | Expert: 回复不需要队列 |
| checkpointOnClose | true |
# Sinks
Flume常用Sinks有Log Sink，HDFS Sink，Avro Sink，Kafka Sink，当然也可以自定义Sink。
Log Sink
Logger Sink：以INFO 级别的日志记录到log日志中，这种方式通常用于测试。
| Property Name | Default | Description |
|---|---|---|
| channel@ | – | |
| type＠ | – | 类型指定：logger |
| maxBytesToLog | 16 | 能够记录的最大Event Body字节数 |
HDFS Sink
HDFS Sink：Sink数据到HDFS，目前支持text 和 sequence files两种文件格式，支持压缩，并可以对数据进行分区，分桶存储。
| Name | Default | Description |
| channel@ | – | |
| type@ | – | 指定类型：hdfs |
| hdfs.path@ | – | HDFS的路径 hdfs://namenode/flume/webdata/ |
| hdfs.filePrefix | FlumeData | 保存数据文件的前缀名 |
| hdfs.fileSuffix | – | 保存数据文件的后缀名 |
| hdfs.inUsePrefix | – | 临时写入的文件前缀名 |
| hdfs.inUseSuffix | .tmp | 临时写入的文件后缀名 |
| hdfs.rollInterval | 30 | 间隔多长将临时文件滚动成最终目标文件，单位：秒， 如果设置成0，则表示不根据时间来滚动文件 |
| hdfs.rollSize | 1024 | 当临时文件达到多少（单位：bytes）时，滚动成目标文件， 如果设置成0，则表示不根据临时文件大小来滚动文件 |
| hdfs.rollCount | 10 | 当 events 数据达到该数量时候，将临时文件滚动成目标文件，如果设置成0，则表示不根据events数据来滚动文件 |
| hdfs.idleTimeout | 0 | 当目前被打开的临时文件在该参数指定的时间（秒）内， 没有任何数据写入，则将该临时文件关闭并重命名成目标文件 |
| hdfs.batchSize | 100 | 每个批次刷新到 HDFS 上的 events 数量 |
| hdfs.codeC | – | 文件压缩格式，包括：gzip, bzip2, lzo, lzop, snappy |
| hdfs.fileType | SequenceFile | 文件格式，包括：SequenceFile, DataStream,CompressedStre， 当使用DataStream时候，文件不会被压缩，不需要设置hdfs.codeC; 当使用CompressedStream时候，必须设置一个正确的hdfs.codeC值； |
| hdfs.maxOpenFiles | 5000 | 最大允许打开的HDFS文件数，当打开的文件数达到该值，最早打开的文件将会被关闭 |
| hdfs.minBlockReplicas | – | HDFS副本数，写入 HDFS 文件块的最小副本数。 该参数会影响文件的滚动配置，一般将该参数配置成1，才可以按照配置正确滚动文件 |
| hdfs.writeFormat | Writable | 写 sequence 文件的格式。包含：Text, Writable（默认） |
| hdfs.callTimeout | 10000 | 执行HDFS操作的超时时间（单位：毫秒） |
| hdfs.threadsPoolSize | 10 | hdfs sink 启动的操作HDFS的线程数 |
| hdfs.rollTimerPoolSize | 1 | hdfs sink 启动的根据时间滚动文件的线程数 |
| hdfs.kerberosPrincipal | – | HDFS安全认证kerberos配置 |
| hdfs.kerberosKeytab | – | HDFS安全认证kerberos配置 |
| hdfs.proxyUser | 代理用户 | |
| hdfs.round | false | 是否启用时间上的”舍弃” |
| hdfs.roundValue | 1 | 时间上进行“舍弃”的值 |
| hdfs.roundUnit | second | 时间上进行”舍弃”的单位，包含：second,minute,hour |
| hdfs.timeZone | Local Time | 时区。 |
| hdfs.useLocalTimeStamp | false | 是否使用当地时间 |
| hdfs.closeTries 0 | Number | hdfs sink 关闭文件的尝试次数；如果设置为1，当一次关闭文件失败后，hdfs sink将不会再次尝试关闭文件， 这个未关闭的文件将会一直留在那，并且是打开状态； 设置为0，当一次关闭失败后，hdfs sink会继续尝试下一次关闭，直到成功 |
| hdfs.retryInterval | 180 | hdfs sink 尝试关闭文件的时间间隔， 如果设置为0，表示不尝试，相当于于将hdfs.closeTries设置成1 |
| serializer | TEXT | 序列化类型 |
| serializer.* |
Avro Sink
| Property Name | Default | Description |
|---|---|---|
| channel@ | – | |
| type@ | – | 指定类型：avro. |
| hostname@ | – | 主机名或IP |
| port@ | – | 端口号 |
| batch-size | 100 | 批次处理Event数 |
| connect-timeout 20000 | 连接超时时间 | |
| request-timeout | 20000 | 请求超时时间 |
| compression-type | none | 压缩类型，“none” or “deflate”. |
| compression-level | 6 | 压缩级别，0表示不压缩，1-9数字越大，压缩比越高 |
| ssl | false | 使用ssl加密 |
kafka Sink
传输数据到Kafka中，需要注意的是Flume版本和Kafka版本的兼容性
| Property Name | Default | Description |
|---|---|---|
| type | – | 指定类型：org.apache.flume.sink.kafka.KafkaSink |
| kafka.bootstrap.servers | – | kafka服务地址 localhost:9092 |
| kafka.topic | default-flume-topic | kafka Topic |
| flumeBatchSize | 100 | 批次写入kafka Event数 |
# 测试：
# 1. 监控444444端口
复制一份flume-conf.propertise.template改名为demo.propertise
修改文件内容为：
# example.conf: A single-node Flume configuration
# 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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
命令行输入一下文本，用于监听44444端口的信息，格式可以看之前的指令介绍
flume-ng agent --name a1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/demo.properties -Dflume.root.logger=INFO,console
1
新开一个终端窗口，telnet localhost 44444端口，输入信息，即可在之前的控制台看到监控到的打印信息
# 2. 监控日志文本
只需要conf配置文件中的配置改一下即可，参考前面的 source配置，修改以下几行：
a1.sources.s1.type=exec
# 获取数据来源的地方设为日志
a1.sources.s1.command=tail -F /opt/app/applog/kafka.log
a1.sources.s1.channels=c1
1
2
3
4
2
3
4
用之前的启动命令，如果是新建立的一个配置文件，启动命令对应修改即可。启动后在kafka.log中输入数据，控制台会做出相应的打印。
# 3. flume+kafka
主要模拟流程，flume获取kafka.logs数据，发送到kafka
新建一个kafkap.properties文件，内容如下：主要是修改了sink的相关配置，将数据传送到kafka去
agent.sources = s1
agent.channels = c1
agent.sinks = k1
# sources
agent.sources.s1.type=exec
agent.sources.s1.command=tail -F /opt/app/applog/kafka.log
agent.sources.s1.channels=c1
# channels
agent.channels.c1.type=memory
agent.channels.c1.capacity=10000
agent.channels.c1.transactionCapacity=100
# sinks
agent.sinks.k1.type= org.apache.flume.sink.kafka.KafkaSink
agent.sinks.k1.brokerList=127.0.0.1:9092
agent.sinks.k1.topic=kafkatest
agent.sinks.k1.serializer.class=kafka.serializer.StringEncoder
agent.sinks.k1.channel=c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
- 启动
zookeeper，jps后台进程显示为QuorumPeerMain即成功
nohup bin/zookeeper-server-start.sh config/zk.properties &
- 启动
kafka，jps后台进程显示为kafka及成功
nohup bin/kafka-server-start.sh config/kafka1.properties &
- 创建一个topic为
kafkatest的消费者
bin/kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic kafkatest --from-beginning
- 启动
flume
flume-ng agent --name agent --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/kafka.properties
在kafka.log文件中写入输入，即可看到kafkatest终端的消费
# 4. flume+kafka+spark+inflxdb+grafana
启动zookeeper
启动kafka
启动flume
启动sparkt
提交spark作业
grafana配置inflxdb
监控面板从influxdb中获取数据实时显示