1.概述：
Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的软件。
核心是把数据从数据源（source）收集过来，之后缓存一下数据（channel），然后把数据发送到指定目的地（sink），最后删除缓存中的数据。
不仅仅满足一般的数据采集需求，针对特殊的场景也具备良好的自定义扩展能力，所以flume适合大部分数据采集的场景。
Flume有两个大版本，flume0.9X和flume1.X。
2.运行机制：
Flume 系统中核心的角色是 agent，agent 本身是一个 Java 进程，一般运行在日志收集节点
Source：采集源，用于跟数据源对接，以获取数据；
Sink：下沉地，采集数据的传送目的，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：agent 内部的数据传输通道，用于从 source 将数据传递到 sink；在整个数据的传输的过程中，流动的是 event，它是 Flume 内部数据传输的最基本单元。event 将传输的数据进行封装。如果是文本文件，通常是一行记录，
event 也是事务的基本单位。event 从 source，流向 channel，再到 sink，本身为一个字节数组，并可携带 headers(头信息)信息。event 代表着一个数据的最小完整单元，从外部数据源来，向外部的目的地去。
一个完整的 event 包括：event headers、event body、event 信息，其中event 信息就是 flume 收集到的日记记录。
3.Flume结构
3.1简单结构，单个采集
3.2复杂结构，多级串联
4.应用举例：
4.1采集目录到hdfs：（flume的相关操作都是通过配置配置文件来实现的）
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 。
先定义三大要素：
l 采集源，即 source——监控文件目录 : spooldir
l 下沉目标，即 sink——HDFS 文件系统 : hdfs sink
l source 和 sink 之间的传递通道——channel，可用 file channel 也可以用内存 channe
配置文件编写：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
##注意：不能往监控目中重复丢同名文件
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /root/logs
a1.sources.r1.fileHeader = true
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
a1.sinks.k1.hdfs.rollInterval = 3
a1.sinks.k1.hdfs.rollSize = 20
a1.sinks.k1.hdfs.rollCount = 5
a1.sinks.k1.hdfs.batchSize = 1
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件类型，默认是 Sequencefile，可用 DataStream，则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
# 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
capacity：默认该通道中最大的可以存储的 event 数量
trasactionCapacity：每次最大可以从 source 中拿到或者送到 sink 中的 event数量
4.2 采集文件到hdfs：
比如业务系统使用 j 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
三大要素：
l 采集源，即 source——监控文件内容更新 : exec ‘tail -F file’
l 下沉目标，即 sink——HDFS 文件系统 : hdfs sink
l 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：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /root/logs/test.log
a1.sources.r1.channels = c1
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/tailout/%y-%m-%d/%H%M/
a1.sinks.k1.hdfs.filePrefix = events-
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
a1.sinks.k1.hdfs.rollInterval = 3
a1.sinks.k1.hdfs.rollSize = 20
a1.sinks.k1.hdfs.rollCount = 5
a1.sinks.k1.hdfs.batchSize = 1
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#生成的文件类型，默认是 Sequencefile，可用 DataStream，则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
# 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
rollInterval
默认值：30
hdfs sink 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；注：滚动（roll）指的是，hdfs sink 将临时文件重命名成最终目标文件，并新打开一个临时文件来写入数据；
rollSize
默认值：1024当临时文件达到该大小（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；
rollCount
默认值：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；
round
默认值：false是否启用时间上的“舍弃”，这里的“舍弃”，类似于“四舍五入”。
roundValue
默认值：1时间上进行“舍弃”的值；
roundUnit
默认值：seconds时间上进行“舍弃”的单位，包含：second,minute,hour
示例：
a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H%M/%S
a1.sinks.k1.hdfs.round = true
a1.sinks.k1.hdfs.roundValue = 10
a1.sinks.k1.hdfs.roundUnit = minute
当时间为 2015-10-16 17:38:59 时候，hdfs.path 依然会被解析为：/flume/events/20151016/17:30/00因为设置的是舍弃 10 分钟内的时间，因此，该目录每 10 分钟新生成一个。
5.Flume的load-balance
是flume的一种负载均衡机制，如下图
数据采集的时候为了满足数据采集的压力下采用例如上图的flume架构模式，并配置负载均衡机制如下：
a1.sinkgroups = g1
a1.sinkgroups.g1.sinks = k1 k2 k3
a1.sinkgroups.g1.processor.type = load_balance
a1.sinkgroups.g1.processor.backoff = true #如果开启，则将失败的 sink 放入黑名单
a1.sinkgroups.g1.processor.selector = round_robin # 另外还支持 random
a1.sinkgroups.g1.processor.selector.maxTimeOut=10000 #在黑名单放置的超时时间，超时结束时，若仍然无法接收，则超时时间呈指数增长
为了满足数据的完整性，距离hdfs越近的层级越先启动，上图配置的负载均衡模式是load_balance（轮循），顶级的agent会轮流向下一级agent发送数据。
6.Flume的failover
是flume的容错机制，它的架构和上面负载均衡一样，但是区别是负载均衡是下一级的三个agent都会消费上一级的数据。而容错是同一时间只有一个agent消费数据，当这一个agent发生问题出现故障的时候，下一个会启动并且消费数据，以此类推。注意：这种机制当agent出现问题的时候，会被放入一个类似于冷却池中，反省一下，当一定时间内，如果还不能修复，就会判定是失效的agent。通过优先级来排序，决定谁先消费数据，谁来代替出现故障agent。
a1.sinkgroups = g1
a1.sinkgroups.g1.sinks = k1 k2 k3
a1.sinkgroups.g1.processor.type = failover
a1.sinkgroups.g1.processor.priority.k1 = 5 #优先级值, 绝对值越大表示优先级越高
a1.sinkgroups.g1.processor.priority.k2 = 7
a1.sinkgroups.g1.processor.priority.k3 = 6
a1.sinkgroups.g1.processor.maxpenalty = 20000 #失败的 Sink 的最大回退期（millis）
7.Flume拦截器
Flume 有各种自带的拦截器，比如： TimestampInterceptor 、HostInterceptor 、r RegexExtractorInterceptor 等， 通过使用不同的拦截器，实现不同的功能。但是以上的这些拦截器，不能改变原有日志数据的内容或者对日志信息添加一定的处理逻辑，当一条日志信息有几十个甚至上百个字段的时候，在传统的 Flume 处理下，收集到的日志还是会有对应这么多的字段，也不能对你想要的字段进行对应的处理。
所以出现了自定义拦截器，自定义拦截器可以满足数据在应用层的处理，通过自定义Flume 拦截器，过滤掉不需要的字段，并对指定字段加密处理，将源数据进行预处理。减少了数据的传输量，降低了存储的开销。这里也是对数据的一种简单清洗。
自定义拦截器的实现步骤：核心是编写java代码，自定义拦截器编写flume配置文件
7.1. 定义一个类 CustomParameterInterceptor 实现 Interceptor 接口。
7.2. 在 CustomParameterInterceptor 类中定义变量，这些变量是需要到Flume 的配置文件中进行配置使用的。每一行字段间的分隔符(fields_separator)、通过分隔符分隔后，所需要列字段的下标（indexs）、多个下标使用的分隔符（indexs_separator)、多个下标使用的分隔符（indexs_separator)。
7.3. 添加 CustomParameterInterceptor 的有参构造方法。并对相应的变量进行处理。将配置文件中传过来的 unicode 编码进行转换为字符串。
7.4. 写具体的要处理的逻辑 intercept()方法，一个是单个处理的，一个是批量处理。
7.5. 接口中定义了一个内部接口 Builder，在 configure 方法中，进行一些参数配置。并给出，在 flume 的 conf 中没配置一些参数时，给出其默认值。通过其 builder 方法，返回一个 CustomParameterInterceptor 对象。
7.6. 定义一个静态类，类中封装 MD5 加密方法
7.7. 通过以上步骤，自定义拦截器的代码开发已完成，然后打包成 jar， 放到Flume 的根目录下的 lib 中