一．flume介绍
1.1 什么是Flume
flume 作为 cloudera 开发的实时日志收集系统，受到了业界的认可与广泛应用。Flume 初始的发行版本目前被统称为 Flume OG（original generation），属于 cloudera。但随着 FLume 功能的扩展，Flume OG 代码工程臃肿、核心组件设计不合理、核心配置不标准等缺点暴露出来，尤其是在 Flume OG 的最后一个发行版本 0.94.0 中，日志传输不稳定的现象尤为严重，为了解决这些问题，2011 年 10 月 22 号，cloudera 完成了 Flume-728，对 Flume 进行了里程碑式的改动：重构核心组件、核心配置以及代码架构，重构后的版本统称为 Flume NG（next generation）；改动的另一原因是将 Flume 纳入 apache 旗下，cloudera Flume 改名为 Apache Flume。
1.3 Flume一些核心概念
| Agent |
Flume以agent为最小的独立运行单位，单agent由Source、Sink和Channel三大组件构成 |
| Source |
从Client收集数据，传递给Channel。 |
| Channel |
Channel位于Source和Sink之间，连接Sources 和 Sinks ，这个有点像一个队列，主要做缓存 |
| Sink |
Sink负责从Channel传输到下一个source或最终目的地，成功后将event从channel移除 |
| Client |
Client 是一个将原始log包装成events并且发送他们到一个或多个agent的实体 |
| Events |
Event是Flume数据传输的基本单元。一行文本内容会被序列化成一个event。 |
1.2 Flume的特点
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。支持在日志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，并写到各种数据接受方(比如文本、HDFS、Hbase等)的能力。
flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，它携带日志数据(字节数组形式)并且携带有头信息，这些Event由Agent外部的Source生成，当Source捕获事件后会进行特定的格式化，然后Source会把事件推入(单个或多个)Channel中。你可以把Channel看作是一个缓冲区，它将保存事件直到Sink处理完该事件。Sink负责持久化日志或者把事件推向另一个Source。
1.5 Flume Agent
flume的基本模型
Agent主要由:source,channel,sink三个组件组成.
Source:
从数据发生器接收数据,并将接收的数据以Flume的event格式传递给一个或者多个通道channal,Flume提供多种数据接收的方式,比如Avro,Thrift,twitter1%等
Channel:
channal是一种短暂的存储容器,它将从source处接收到的event格式的数据缓存起来,直到它们被sinks消费掉,它在source和sink间起着一共桥梁的作用,channal是一个完整的事务,这一点保证了数据在收发的时候的一致性. 并且它可以和任意数量的source和sink链接. 支持的类型有: JDBC channel , File System channel , Memory channel等.
sink:
sink将数据存储到集中存储器比如Hbase和HDFS,它从channals消费数据(events)并将其传递给目标地. 目标地可能是另一个source,也可能HDFS,HBase.
它的组合形式举例:
1.3Flume的可靠性
当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Besteffort（数据发送到接收方后，不会进行确认）。
1.4 Flume的可恢复性
还是靠Channel。推荐使用FileChannel，事件持久化在本地文件系统里(性能较差)。
二．实时采集案例
2.1 Netcat+logger
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
linux:yum install nc –y
nc -l port 相当于服务器
nc ip port
windows在命令行输入：telnet ip port 测试
2.2 Spool+memory+hdfs
创建配置文件f1.conf：
#定义agent名， source、channel、sink的名称
f1.sources = r1
f1.channels = c1
f1.sinks = k1
#具体定义source
#监控文件夹
f1.sources.r1.type = spooldir
#指定要监控的文件夹
f1.sources.r1.spoolDir = /opt/test/
#具体定义channel
f1.channels.c1.type = memory
#事件存储在通道的最大数量
f1.channels.c1.capacity = 10000
#他默认是100，也就是说收集端的sink会在收集到了100条以后再去提交事务（即发送到下一个目的地）
#不能小于sink中的hdfs.batchSize
f1.channels.c1.transactionCapacity = 100
#定义拦截器，为消息添加时间戳
f1.sources.r1.interceptors = i1
f1.sources.r1.interceptors.i1.type = timestamp
#具体定义sink
f1.sinks.k1.type = hdfs
f1.sinks.k1.hdfs.path = hdfs://hadoop:9000/flume/%Y%m%d
# 生成的日志文件前缀名称,默认FlumeData
f1.sinks.k1.hdfs.filePrefix = events-
#后缀名称
f1.sinks.k1.hdfs.fileSuffix=.log
#设置文本类型为普通文本(默认SequenceFile),目前SequenceFile,DataStream数据或CompressedStream,
#DataStream数据不会压缩输出文件,CompressedStream需要设置hdfs与一个可用的编解码器编解码器
f1.sinks.k1.hdfs.fileType = DataStream
#压缩编解码器。以下之一:gzip、bzip2 lzo,lzop,snappy
#f1.sinks.k1.hdfs.codeC
#不按照条数生成文件（事件数量写入文件,默认10, 0代表不基于）
f1.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到1M时生成一个文件(默认1024字节, 0不基于)
f1.sinks.k1.hdfs.rollSize = 1048576
#HDFS上的文件达到60秒生成一个文件,(默认30秒,0不基于)
f1.sinks.k1.hdfs.rollInterval = 60
#超时之后不活跃的文件关闭(0 =禁用自动关闭空闲文件,默认0)
#f1.sinks.k1.hdfs.idleTimeout
#默认值100,每个批次刷新到HDFS上的events数量；
#f1.sinks.k1.hdfs.batchSize
#写sequence文件的格式。包含：Text, Writable（默认）
#f1.sinks.k1.hdfs.writeFormat
#使用当地时间(而不是从事件的时间戳头),默认false
#f1.sinks.k1.hdfs.useLocalTimeStamp
#组装source、channel、sink
f1.sources.r1.channels = c1
f1.sinks.k1.channel = c1
执行agent:
flume-ng agent -n f1 -c conf -f /wishedu/testdata/flume/f1.conf -Dflume.root.logger=INFO,console
-n 后面跟的是agent的名字
-f 后面跟的是咱们编辑的配置文件的位置
2.3 Exec+memary+logger
创建配置文件f2.conf：
#定义agent名， source、channel、sink的名称
a1.sources = r1
a1.channels = c1
a1.sinks = k1
#具体定义source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -f /wishedu/testdata/flume/logs/0.log
#具体定义channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
#具体定义sink
a1.sinks.k1.type = logger
#组装source、channel、sink
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
三. 安装配置
3.1 解压安装
tar -zxvf apache-flume-1.6.0-bin.tar.gz -C /wishedu/
3.2配置环境变量
vi /etc/profile
export FLUME_HOME=/wishedu/flume-1.6.0
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$FLUME_HOME/bin:
保存退出后，刷新profile
source /etc/profile
修改flume-env.sh 里的JAVA_HOME
3.3验证
#查看flume版本：
[root@wishedu bin]# flume-ng version
Flume 1.6.0
Source code repository: https://git-wip-us.apache.org/repos/asf/flume.git
Revision: 2561a23240a71ba20bf288c7c2cda88f443c2080
Compiled by hshreedharan on Mon May 11 11:15:44 PDT 2015
From source with checksum b29e416802ce9ece3269d34233baf43f
#出现上面的信息，表示安装成功了
四.注意事项
4.1监控一个目录时
(1)flume会把这个目录里监控过的文件做一个标记，在其后面加一个后缀(.COMPLETED)，如果重新启动flume，flume就不会再监听这个文件了。
(2)不能修改正在监控的文件，不然flume会报错