大数据之 Flume 日志收集框架入门

Flume 日志收集框架入门

一、 flume 简介

Apache Flume是一个分布式，可靠且可用的系统，用于有效地从许多不同的源收集，聚合和移动大量日志数据到集中式数据存储。

Apache Flume的使用不仅限于日志数据聚合。由于数据源是可定制的，因此Flume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。

Apache Flume是Apache Software Foundation的顶级项目。

目前有两种版本代码行，版本0.9.x和1.x.

系统要求：

Java运行时环境 - Java 1.8或更高版本
内存 - 源，通道或接收器使用的配置的足够内存
磁盘空间 - 通道或接收器使用的配置的足够磁盘空间
目录权限 - 代理使用的目录的读/写权限

数据流模型

Flume事件被定义为具有字节有效负载和可选字符串属性集的数据流单元。Flume代理是一个（JVM）进程，它承载事件从外部源流向下一个目标（跃点）的组件。

代理组件图

Flume源消耗由外部源（如Web服务器）传递给它的事件。外部源以目标Flume源识别的格式向Flume发送事件。例如，Avro Flume源可用于从Avro客户端或从Avro接收器发送事件的流中的其他Flume代理接收Avro事件。可以使用Thrift Flume Source定义类似的流程，以接收来自Thrift Sink或Flume Thrift Rpc客户端或Thrift客户端的事件，这些客户端使用Flume thrift协议生成的任何语言编写。当Flume源接收事件时，它将其存储到一个或多个频道。该通道是一个被动存储器，可以保持事件直到它被Flume接收器消耗。文件通道就是一个例子 - 它由本地文件系统支持。接收器从通道中移除事件并将其放入外部存储库（如HDFS（通过Flume HDFS接收器））或将其转发到流中下一个Flume代理（下一跳）的Flume源。给定代理程序中的源和接收器与通道中暂存的事件异步运行。

二、flume 下载安装，配置环境变量

cdh 版本下载地址 http://archive.cloudera.com/cdh5/cdh/5/

解压 tar -zxvf flume-ng-1.6.0-cdh5.7.0.tar

配置环境变量：

事先配置好jdk1.8以上的JAVA_HOME
配置FLUME_HOME

export FLUME_HOME=/home/hadoop/app/apache-flume-1.6.0-cdh5.7.0-bin
export PATH=${FLUME_HOME}/bin:$PATH

修改配置文件：

cd apache-flume-1.6.0-cdh5.7.0-bin/conf/

cp flume-env.sh.template flume-env.sh

vim flume-env.sh

添加一行

export JAVA_HOME=/usr/java/jdk1.8.0_171-amd64

执行 flume-ng version 命令可以在控制台上看到版本号输出说明安装成功。

三、flume 实战（1）从指定的网络端口采集数据输出到控制台

使用 flume 的关键就是写配置文件

（a）配置source

（b）配置channel

（c）配置sink

（d）把以上三个组件串起来

类似于netcat的源，它侦听给定端口并将每行文本转换为事件。像nc -k -l [host] [port]这样的行为。换句话说，它打开一个指定的端口并侦听数据。期望提供的数据是换行符分隔的文本。每行文本都转换为Flume事件，并通过连接的通道发送。

示例配置文件 agent 的名称为a1 ，sources 的名称为 r1 ，sinks 的名称为k1，channels 的名称为 c1

编写配置 example.conf 文件，放到 $FLUME_HOME/conf 目录下：

#example.conf：单节点Flume配置

＃为此代理命名组件
a1.sources =  r1 
a1.sinks  =  k1 
a1.channels  =  c1

＃描述/配置源
a1.sources.r1.type  =  netcat 
a1.sources.r1.bind  =  localhost 
a1.sources.r1.port  =  44444

＃描述接收器
a1.sinks.k1.type  =  logger

＃使用缓冲内存中事件的通道
a1.channels.c1.type  =  memory 
a1.channels.c1.capacity  =  1000 
a1.channels.c1.transactionCapacity  =  100

＃将源和接收器绑定到通道
a1.sources.r1.channels  =  c1 
a1.sinks.k1.channel  =  c1

启动一个 agent

flume-ng agent --name a1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/example.conf -Dflume.root.logger

=INFO,console

使用 telnet 命名进行测试 telnet hadoop000 44444

输入任意字符串，可以看到 flume 的控制台接收到了我们输入的内容如下：

[INFO - org.apache.flume.sink.LoggerSink.process(LoggerSink.java:94)] Event: { headers:{} body: 68 65 6C 6C 6F hello world.}

Event 是Flume 数据传输的基本单元

四、 fluem 实战（2）监控一个文件实时采集新增的数据输出到控制台

在/home/hadoop/目录下创建一个 hello.txt文件，并向其中输入内容

编写配置文件

#example.conf：单节点Flume配置

＃为此代理命名组件
a1.sources =  r1 
a1.sinks  =  k1 
a1.channels  =  c1

＃描述/配置源
a1.sources.r1.type  =  exec
a1.sources.r1.command = tail -F /home/hadoop/hello.txt
a1.sources.r1.shell = /bin/bash -c


＃描述接收器
a1.sinks.k1.type  =  logger

＃使用缓冲内存中事件的通道
a1.channels.c1.type  =  memory 
a1.channels.c1.capacity  =  1000 
a1.channels.c1.transactionCapacity  =  100

＃将源和接收器绑定到通道
a1.sources.r1.channels  =  c1 
a1.sinks.k1.channel  =  c1

启动 agent：

flume-ng agent --name a1 --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/example.conf -Dflume.root.logger

=INFO,console

执行 touch hello world >> hello.txt 进行测试，看到 flume 控制台接收到数据即可。

2018-12-25 18:28:21,386 (SinkRunner-PollingRunner-DefaultSinkProcessor) [INFO - org.apache.flume.sink.LoggerSink.process(LoggerSink.java:94)] Event: { headers:{} body: 68 65 6C 6C 6F 20 77 6F 72 6C 64 hello world }

五、flume实战（3）将A服务器上面的日志采集到B服务器上

技术选型：exec source + memory channel +avro sink

avro source + memory channel + logger sink

编写配置 exec-memory-avro.conf



＃为此代理命名组件
exec-memory-avro.sources =  exec-source
exec-memory-avro.sinks  =  avro-sink 
exec-memory-avro.channels  =  memory-channel

＃描述/配置源
exec-memory-avro.sources.exec-source.type  =  exec
exec-memory-avro.sources.exec-source.command = tail -F /home/hadoop/hello.txt
exec-memory-avro.sources.exec-source.shell = /bin/bash -c


＃描述接收器
exec-memory-avro.sinks.avro-sink.type  =  avro
exec-memory-avro.sinks.avro-sink.hostname  =  hadoop000
exec-memory-avro.sinks.avro-sink.port  =  44444

＃使用缓冲内存中事件的通道
exec-memory-avro.channels.memory-channel.type  =  memory 
exec-memory-avro.channels.memory-channel.capacity  =  1000 
exec-memory-avro.channels.memory-channel.transactionCapacity  =  100

＃将源和接收器绑定到通道
exec-memory-avro.sources.exec-source.channels  =  memory-channel
exec-memory-avro.sinks.avro-sink.channel  =  memory-channel

编写配置 avro-memory-logger.conf



＃为此代理命名组件
 avro-memory-logger.sources =  avro-source
 avro-memory-logger.sinks  =  logger-sink 
 avro-memory-logger.channels  =  memory-channel

＃描述/配置源
 avro-memory-logger.sources.avro-source.type  =  avro
 avro-memory-logger.sources.avro-source.bind = hadoop000
 avro-memory-logger.sources.avro-source.port = 44444


＃描述接收器
avro-memory-logger.sinks.logger-sink.type  =  logger

＃使用缓冲内存中事件的通道
avro-memory-logger.channels.memory-channel.type  =  memory 
avro-memory-logger.channels.memory-channel.capacity  =  1000 
avro-memory-logger.channels.memory-channel.transactionCapacity  =  100

＃将源和接收器绑定到通道
avro-memory-logger.sources.avro-source.channels  =  memory-channel
avro-memory-logger.sinks.logger-sink.channel  =  memory-channel

日志收集过程：

机器上A 上监控一个文件，当我们访问主站时候会有用户行为日志记录到 access.log中
avro sink把新产生的日志输出到对应的avro source 指定的hostname 和 port 上
通过avro source 对应的 agent 将我们的日志输出到控制台或者（kafka）

先启动 B 服务器 agent

flume-ng agent --name avro-memory-logger --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/avro-memory-logger.conf -Dflume.root.logger=INFO,console

在启动A服务器 agent

flume-ng agent --name exec-memory-avro --conf $FLUME_HOME/conf --conf-file $FLUME_HOME/conf/exec-memory-avro.conf -Dflume.root.logger=INFO,console

向 /home/hadoop/hello.txt 文件中输出内容，即可看到 B 服务器 flume 控制台上接收到A 服务器上面 sink 过来的内容。