【Hadoop大数据技术】——Flume日志采集系统（学习笔记）

📖 前言：在大数据系统的开发中，数据收集工作无疑是开发者首要解决的一个难题，但由于生产数据的源头丰富多样，其中包含网站日志数据、后台监控数据、用户浏览网页数据等，数据工程师要想将它们分门别类的采集到HDFS系统中，就可以使用Apache Flume（数据采集）系统。

---

目录

• [🕒 1. Flume概述](#🕒 1. Flume概述)
• [🕒 2. Flume运行机制](#🕒 2. Flume运行机制)
• [🕒 3. Flume日志采集系统结构](#🕒 3. Flume日志采集系统结构)
• [🕒 4. Flume的部署](#🕒 4. Flume的部署)
• • [🕘 4.1 安装与配置](#🕘 4.1 安装与配置)
  • [🕘 4.2 Flume信息采集实例](#🕘 4.2 Flume信息采集实例)
• [🕒 5. Flume的采集方案](#🕒 5. Flume的采集方案)
• • [🕘 5.1 Flume Sources](#🕘 5.1 Flume Sources)
  • [🕘 5.2 Flume Channels](#🕘 5.2 Flume Channels)
  • [🕘 5.3 Flume Sinks](#🕘 5.3 Flume Sinks)
• [🕒 6. Flume的可靠性保证](#🕒 6. Flume的可靠性保证)
• • [🕘 6.1 负载均衡](#🕘 6.1 负载均衡)
  • [🕘 6.2 故障转移](#🕘 6.2 故障转移)
• [🕒 7. Flume拦截器](#🕒 7. Flume拦截器)

🕒 1. Flume概述

Flume原是Cloudera公司提供的一个高可用的、高可靠的、分布式海量日志采集、聚合和传输系统，而后纳入到了Apache旗下，作为一个顶级开源项目。Apache Flume不仅只限于日志数据的采集，由于Flume采集的数据源是可定制的，因此Flume还可用于传输大量事件数据，包括但不限于网络流量数据、社交媒体生成的数据、电子邮件消息以及几乎任何可能的数据源。

Flume自发展以来，分为两个版本，分别是Flume 0.9x版本，称为Flume-og（original generation，原始一代）和Flume 1.x版本，称为Flume-ng（next generation，下一代）。Flume-og版本由于早期设计时，存在不易扩展、代码臃肿等一系列问题，在被纳入到Apache软件基金会之后，开发人员便对其代码进行了重构，使Flume更易于使用和扩展，于是便出现了Flume-ng版本，采用三层架构，分别为agent，collector``和storage`，每一层均可以水平扩展。Flume-ng版本在实际开发中应用最为广泛，接下来，主要基于Flume-ng版本对Flume进行讲解。

🕒 2. Flume运行机制

Flume的核心是把数据从数据源 （例如Web服务器）通过数据采集器 （Source）收集过来，再将收集的数据通过缓冲通道 （Channel）汇集到指定的接收器 （Sink）。

Flume基本架构中有一个Agent（代理），它是Flume的核心角色，Flume Agent是一个JVM进程，它承载着数据从外部源流向下一个目标的三个核心组件：Source、Channel和Sink。

• Source：用于采集数据源的数据，并将数据写入到Channel。一个Source可以连接一个或多个Channel。
• Channel：用于缓存Source写入的数据，并将数据写入到Sink，待Sink将数据写入到存储设备或者下一个Source之后，Flume会删除Channel中缓存的数据。
• Sink：用于接收Channel写入的数据，并将数据写入到存储设备。

在整个数据传输过程，即Source→Channel→Sink，Flume将流动的数据封装到一个事件（Event）中，它是Flume内部数据传输的基本单元。

🕒 3. Flume日志采集系统结构

在实际开发中， Flume需要采集数据的类型多种多样，同时还会进行不同的中间操作，所以根据具体需求，可以将Flume日志采集系统分为简单结构和复杂结构。

简单结构通常应用于采集数据的数据源单一，数据内容简单，并且采集数据的存储设备单一，这时在Flume日志采集系统中，可以直接使用一个Agent来实现。

Flume复杂结构--多Agent：在某些实际应用场景中，Flume日志采集系统需要采集数据的数据源分布在不同的服务器上，可以再分配一个Agent来采集其他Agent从Web Server采集的日志，对这些日志进行汇总后写入到存储系统。

🕒 4. Flume的部署

🕘 4.1 安装与配置

在Ubuntu中直接打开网站下载：

🔎 Flume官网

建议下载稳定版本apache-flume-1.9.0-bin.tar.gz

稳定版下载地址：http://archive.apache.org/dist/flume/stable/

1、打开终端，解压安装包至路径 /opt，命令如下：
sudo tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt

2、将解压的文件夹重命名为flume并添加flume的权限

sudo mv apache-flume-1.9.0-bin/ ./flume
sudo chown -R hadoop flume

3、配置环境变量

将flume目录添加到path中，这样，启动flume就无需到/opt/flume目录下，大大的方便了flume的使用。编辑bashrc文件。

vim ~/.bashrc

请在bashrc文件中添加如下内容，如果以前添加过JDK请勿重复添加：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_371
export FLUME_HOME=/opt/flume
export FLUME_CONF_DIR=$FLUME_HOME/conf
export PATH=$FLUME_HOME/bin:$PATH

4、保存.bashrc文件并退出vim编辑器。然后，继续执行如下命令让.bashrc文件的配置立即生效：

source ~/.bashrc

5、启动flume，查看flume版本，确定flume是否安装成功，命令如下：

flume-ng version

🕘 4.2 Flume信息采集实例

1、使用Flume接收来自AvroSource的信息

AvroSource可以发送一个给定的文件到Flume，Flume接收以后可以进行处理后显示到屏幕上。

1）在/opt/flume/conf目录下创建Agent配置文件avro.conf，命令如下。

sudo vim /opt/flume/conf/avro.conf

2）在avro.conf文件中写入如下内容

a1.sources=r1
a1.sinks=k1
a1.channels=c1
a1.sources.r1.type=avro
a1.sources.r1.channels=c1
a1.sources.r1.bind=0.0.0.0
a1.sources.r1.port=4141 
a1.sinks.k1.type=logger
a1.channels.c1.type=memory
a1.channels.c1.capacity=1000
a1.channels.c1.transactionCapacity=100
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1

3）启动Flume Agent a1，执行如下命令启动日志控制台

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

4）打开另外一个Linux终端，在/opt/flume目录下创建一个文件log.01，并在文件中加入一行内容"Hello Flume"，命令如下：

sudo sh -c 'echo "Hello Flume"'> /opt/flume/log.01

5）再打开另外一个Linux终端，执行如下命令：

flume-ng avro-client --conf conf -H localhost -p 4141 -F /opt/flume/log.01

在该命令中，4141是前面文件avro.conf里自定义的端口号。

执行该命令后，AvroSource就向Flume发送了一个文件log.01，切换到第3）步的日志控制台端口，就可以看到Flume已经接收到了信息，如下图所示，通过最后一行可以看出Flume已经成功接收到了"Hello Flume"。

2、使用Flume接收来自NetSource的信息

NetcatSource可以把用户实时输入的信息持续不断地发给Flume，Flume处理后可以显示到输出屏幕上。

1）执行如下命令，在/opt/flume/conf目录下新建test.conf代理配置文件，并写入如下内容：

sudo vim /opt/flume/conf/test.conf

写入如下内容：

a1.sources=r1
a1.sinks=k1
a1.channels=c1
a1.sources.r1.type=netcat
a1.sources.r1.bind=localhost
a1.sources.r1.port=44444 # 后面会用到该端口号
a1.sinks.k1.type=logger
a1.channels.c1.type=memory
a1.channels.c1.capacity=1000
a1.channels.c1.transactionCapacity=100
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1

2）执行如下命令启动Flume Agent a1日志控制台

flume-ng agent --conf /opt/flume/conf --conf-file /opt/flume/conf/test.conf --name a1 -Dflume.root.logger=INFO,console

3）再打开一个终端，输入如下命令：

telnet localhost 44444

该命令中的44444是前面自定义的test.conf文件中的端口号。执行后，出现如下图所示信息：

这个终端窗口称为"NetcatSource"终端窗口，在这个终端窗口中可以输入任意字符，该字符会被实时发送到Flume Agent a1，另外一个终端窗口"日志控制台"就会同步显示输入的内容，例如，在"NetcatSource"终端窗口输入"Hello Flume by HinsCoder"，如下图所示。

4）日志控制台终端窗口就会同步显示输入的内容，如下图所示。

🕒 5. Flume的采集方案

🕘 5.1 Flume Sources

在编写Flume采集方案时，首先必须明确采集的数据源类型、出处；接着，根据这些信息与Flume已提供支持的Flume Sources进行匹配，选择对应的数据采集器类型（即sources.type）；再根据选择的数据采集器类型，配置必要和非必要的数据采集器属性，Flume提供并支持的Flume Sources种类如下所示。

Avro Source	Thrift Source	Exec Source
JMS Source	Spooling Directory Source	Twitter 1% firehose Source
Kafka Source	NetCat TCP Source	NetCat UDP Source
Sequence Generator Source	Syslog TCP Source	Multiport Syslog TCP Source
Syslog UDP Source	HTTP Source	Stress Source
Avro Legacy Source	Thrift Legacy Source	Custom Source
Scribe Source	Taildir Source

监听Avro端口并从外部Avro客户端流中接收event数据，当与另一个Flume Agent上的Avro Sink配对时，可创建分层集合拓扑，利用Avro Source可以实现多级流动、扇出流、扇入流等效果，Avro Source常用配置属性如下。

属性名称	默认值	相关说明
channels	--
type	--	组件类型名需必须是avro
bind	--	要监听的主机名或IP地址
port	--	要监听的服务端口
threads	--	要生成的工作线程的最大数目
ssl	FALSE	将此设置为true以启用SSL加密，则还必须指定"keystore"和"keystore-password"
keystore	--	SSL所必需的通往Java秘钥存储路径
keystore-password	--	SSL所必需的Java密钥存储的密码

Spooling Directory Source允许对指定磁盘上的文件目录进行监控来提取数据，它将查看文件的指定目录的新增文件，并将文件中的数据读取出来。

Spooling Directory Source常用配置属性如下表所示。

属性名称	默认值	相关说明
channels	--
type	--	组件类型名需必须是spooldir
spoolDir	--	从中读取文件的目录
fileSuffix	.COMPLETED	附加到完全摄取的文件后缀
deletePolicy	never	何时删除已完成的文件：never或immediate
fileHeader	FALSE	是否添加存储绝对路径文件名的标头
includePattern	^.*$	正则表达式，指定要包含的文件
ignorePattern	^$	正则表达式指定要忽略的文件

Taildir Source用于观察指定的文件，几乎可以实时监测到添加到每个文件的新行。如果文件正在写入新行，则此采集器将重试采集它们以等待写入完成，Source常用配置属性如下所示。

属性名称	默认值	相关说明
channels	--
type	--	组件类型名需必须是TAILDIR
filegroups	--	以空格分隔的文件组列表
filegroups.	--	文件组的绝对路径
idleTimeout	120000	关闭非活动文件的时间（毫秒）
writePosInterval	3000	写入位置文件上每个文件的最后位置的间隔时间
batchSize	100	一次读取和发送到通道的最大行数
backoffSleepIncrement	1000	当最后一次尝试未找到任何新数据时，每次重新尝试轮询新数据之间的最大时间延迟
fileHeader	FALSE	是否添加存储绝对路径文件名的标头
fileHeaderKey	file	将绝对路径文件名附加到event header时使用的header关键字

HTTP Source可以通过HTTP POST和GET请求方式接收event数据，GET通常只能用于测试使用，POST请求发送的所有的events都被认为是一个批次，会在一个事务中插入channel，Taildir Source常用配置属性如下所示。

属性名称	默认值	相关说明
channels	--
type		组件类型名需必须是http
port	--	采集源要绑定的端口
bind	0.0.0.0	要监听绑定的主机名或IP地址
handler	org.apache.flume.source.http.JSONHandler	handler类的全路径名

🕘 5.2 Flume Channels

Channels通道是event在Agent上暂存的存储库，Source向Channel中添加event，Sink在读取完数据后再删除它。在配置Channels时，需要明确的就是将要传输的sources数据源类型；根据这些信息结合开发中的实际需求，选择Flume已提供的支持的Flume Channels；再根据选择的Channel类型，配置必要和非必要的Channel属性，Flume提供并支持的Flume Channels种类如下所示。

Memory Channel	JDBC Channel	Kafka Channel
File Channel	Spillable Memory Channel	Pseudo Transaction Channel
Custom Channel

Memory Channel会将event存储在具有可配置最大尺寸的内存队列中，适用于需要更高吞吐量的流量，但在Agent发生故障时会丢失部分阶段数据，下表为Memory Channel常用配置属性。

属性名称	默认值	相关说明
type	--	组件类型名需必须是memory
capacity	100	存储在channel中的最大event数
transactionCapacity	100	channel从source接收或向sink传递的每个事务中最大event数
keep-alive	3	添加或删除event的超时时间(秒)
byteCapacityBufferPercentage	20	定义byteCapacity与channel中所有event所占百分比
byteCapacity	等于JVM可用的最大内存的80%	允许此channel中所有event的的最大内存字节数总和

File Channel是Flume的持久通道，它将所有event写入磁盘，因此不会丢失进程或机器关机、崩溃时的数据。File Channel通过在一次事务中提交多个event来提高吞吐量，做到了只要事务被提交，那么数据就不会有丢失，File Channel常用配置属性如下所示。

属性名称	默认值	相关说明
type	--	组件类型名需必须是file
checkpointDir	1~/.flume/file-channel/checkpoint	检测点文件所存储的目录
useDualCheckpoints	FALSE	备份检测点如果设置为true，backupChec kpointDir必须设置
backupCheckpointDir	--	备份检查点目录。此目录不能与数据目录或检查点目录相同
dataDirs	~/.flume/file-channel/data	数据存储所在的目录设置
transactionCapacity	10000	事务容量的最大值设置
checkpointInterval	30000	检测点之间的时间值设置（单位微秒）
maxFileSize	2146435071	一个单一日志的最大值设置（以字节为单位）
capacity	1000000	channel的最大容量
transactionCapacity	10000	事务容量的最大值设置

🕘 5.3 Flume Sinks

Flume Soures采集的数据通过Channels通道流向Sink中，此时Sink类似一个集结的递进中心，它需要根据需求进行配置，从而最终选择发送目的地。

配置Sinks时，明确将要传输的数据目的地、结果类型；然后根据实际需求信息，选择Flume已提供支持的Flume Sinks；再根据选择的Sinks类型，配置必要和非必要的Sinks属性。Flume提供并支持的Flume Sinks种类如下所示。

HDFS Sink	Hive Sink	Logger Sink
Avro Sink	Thrift Sink	IRC Sink
File Roll Sink	Null Sink	HBaseSink
AsyncHBase Sink	MorphlineSolr Sink	ElasticSearch Sink
Kite Dataset Sink	Kafka Sink	HTTP Sink
Custom Sink

HDFS Sink将event写入Hadoop分布式文件系统（HDFS），它目前支持创建文本和序列文件，以及两种类型的压缩文件，下表为HDFS Sink常用配置属性。

属性名称	默认值	相关说明
channel	--
type	--	组件类型名需必须是hdfs
hdfs.path	--	HDFS目录路径
hdfs.filePrefix	FlumeData	为在hdfs目录中由Flume创建的文件指定前缀
hdfs.round	FALSE	是否应将时间戳向下舍入
hdfs.roundValue	1	舍入到此最高倍数，小于当前时间
hdfs.roundUnit	second	舍入值的单位 - 秒、分钟或小时
hdfs.rollInterval	30	滚动当前文件之前等待的秒数
hdfs.rollSize	1024	触发滚动的文件大小，以字节为单位
hdfs.rollCount	10	在滚动之前写入文件的事件数

Logger Sink用于记录INFO级别event，它通常用于调试。Logger Sink接收器的不同之处是它不需要在"记录原始数据"部分中说明额外的配置，Logger Sink常用配置属性如下所示。

属性名称	默认值	相关说明
channel	--
type	--	组件类型名需必须是logger
maxBytesToLog	16	要记录的event body的最大字节数

Avro Sink形成Flume分层收集支持的一半，发送到此接收器的Flume event转换为Avro event，并发送到对应配置的主机名/端口，event将从配置的channel中批量获取配置的批处理大小，Avro Sink常用配置属性如下所示。

属性名称	默认值	相关说明
channel	--
type	--	组件类型名需必须是avro
hostname	--	要监听的主机名或IP地址
port	--	要监听的服务端口
batch-size	100	要一起批量发送的event数
connect-timeout	20000	允许第一次（握手）请求的时间量（ms）
request-timeout	20000	在第一个之后允许请求的时间量（ms）

🕒 6. Flume的可靠性保证

🕘 6.1 负载均衡

配置的采集方案是通过唯一一个Sink作为接收器 接收后续需要的数据，但会出现当前Sink故障或数据收集请求量较大的情况，这时单一Sink配置可能就无法保证Flume开发的可靠性。因此，Flume 提供Flume Sink Processors解决上述问题。

Sink处理器允许定义Sink groups，将多个sink分组到一个实体中，Sink处理器就可通过组内多个sink为服务提供负载均衡功能。

负载均衡接收器处理器 （Load balancing sink processor）提供了在多个sink上进行负载均衡流量 的功能，它维护一个活跃的sink索引列表，需在其上分配负载，还支持round_robin（轮询）和random（随机）选择机制进行流量分配，默认选择机制为round_robin。Load balancing sink processor提供的配置属性如下所示。

属性名称	默认值	相关说明
sinks	--	以空格分隔的参与sink组的sink列表
processor.type	default	组件类型名需必须是load_balance
processor.backoff	FALSE	设置失败的sink进入黑名单
processor.selector	round_robin	选择机制
processor.selector.maxTimeOut	30000	失败sink放置在黑名单的超时时间

🕘 6.2 故障转移

故障转移接收器处理器 （Failover Sink Processor）维护一个具有优先级的sink列表，保证在处理event时，只需有一个可用的sink即可。

故障转移机制工作原理是将故障的sink降级到故障池 中，在池中为它们分配一个冷却期 ，在重试之前冷却时间会增加，当sink成功发送event后，它将恢复到活跃池中。Failover Sink Processor提供的配置属性如下所示。

属性名称	默认值	相关说明
sinks	--	以空格分隔的参与sink组的sink列表
processor.type	default	组件类型名需必须是failover
processor.priority.	--	设置sink的优先级取值
processor.maxpenalty	30000	失败sink的最大退避时间

🕒 7. Flume拦截器

Flume Interceptors（拦截器）用于对Flume系统数据流中event的修改操作。使用Flume拦截器时，只需参考官方配置属性在采集方案中选择性的配置即可，当涉及到配置多个拦截器时，拦截器名称间需用空格分隔，且拦截器配置顺序就是拦截顺序。Flume 1.9.0版本中，Flume提供并支持的拦截器有很多，具体如下所示。

Timestamp Interceptor	Host Interceptor	Static Interceptor
Remove Header Interceptor	UUID Interceptor	Morphline Interceptor
Search and Replace Interceptor	Regex Filtering Interceptor	Regex Extractor Interceptor

Timestamp Interceptor（时间戳拦截器）将流程执行时间插入到event的header头部，此拦截器插入带有timestamp键的标头，其值为对应时间戳。若配置中已存在时间戳时，此拦截器可保留现有时间戳，Timestamp Interceptor提供的常用配置属性如下所示。

属性名称	默认值	相关说明
type	--	组件类型名需必须是timestamp
header	timestamp	用于放置生成的时间戳的标头的名称
preserveExisting	FALSE	如果时间戳已存在，是否应保留, true或false

Static Interceptor（静态拦截器）允许用户将具有静态值的静态头附加到所有event。当前不支持一次指定多个header头，但是用户可定义多个Static Interceptor来为每一个拦截器都追加一个header，Static Interceptor提供的常用配置属性如下所示。

属性名称	默认值	相关说明
type	--	组件类型名需必须是static
preserveExisting	TRUE	如果配置的header已存在，是否应保留
key	key	应创建的header的名称
value	value	应创建的header对应的静态值

---

OK，以上就是本期知识点"Flume日志采集系统"的知识啦~~ ，感谢友友们的阅读。后续还会继续更新，欢迎持续关注哟📌~

💫如果有错误❌，欢迎批评指正呀👀~让我们一起相互进步🚀

🎉如果觉得收获满满，可以点点赞👍支持一下哟~

❗ 转载请注明出处

作者：HinsCoder

博客链接：🔎 作者博客主页