一、Flume概述
（一）Flume定义
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、聚合和传输的系统。Flume基于流式架构，灵活简单。说白了，这个工具就是帮助我们实时的采集数据的，如果没有这个工具的话，我们需要自己写好多代码来完成数据采集，而且采集的数据或者目的地一旦发生变化，那么需要修改代码，比较麻烦，有了这个工具之后只需要简单的进行配置，就可以使用它采集数据了，不用写代码。
?
Flume支持定制各类数据发送方，用于收集各类型数据；同时，Flume支持定制各种数据接受方，用于最终存储数据。一般的采集需求，通过对flume的简单配置即可实现。针对特殊场景也具备良好的自定义扩展能力。因此，flume可以适用于大部分的日常数据采集场景。
当前Flume有两个版本。Flume 0.9X版本的统称Flume OG（original generation），Flume1.X版本的统称Flume NG（next generation）。由于Flume NG经过核心组件、核心配置以及代码架构重构，与Flume OG有很大不同，使用时请注意区分。改动的另一原因是将Flume纳入 apache 旗下，Cloudera Flume 改名为 Apache Flume。
（二）Flume基础架构
Flume组成架构如下图所示。
1、Agent
Agent是一个JVM进程，它以事件的形式将数据从源头送至目的。
Agent主要有3个部分组成，Source、Channel、Sink。
2、Source
Source是负责接收数据到Flume Agent的组件。Source组件可以处理各种类型、各种格式的日志数据，包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy。
3、Sink
Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。
Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义。
4、Channel
Channel是位于Source和Sink之间的缓冲区。因此，Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作。
Flume自带两种Channel：Memory Channel和File Channel。
Memory Channel是内存中的队列。Memory Channel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么Memory Channel就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失。
File Channel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。
5、Event
传输单元，Flume数据传输的基本单元，以Event的形式将数据从源头送至目的地。Event由Header和Body两部分组成，Header用来存放该event的一些属性，为K-V结构，Body用来存放该条数据，形式为字节数组。
?
（三）Flume的使用思路
既然flume是个工具，来帮我们采集数据的，所以，我们只需要考虑清楚我们的数据来自于哪里，想让flume采集后给我放到哪里去。这两件事情考虑清楚后，通过配置文件告诉flume，flume就可以给我们采集传递数据了。
二、 Flume入门
（一）Flume安装部署
1、下载地址
（1） Flume官网地址：Welcome to Apache Flume — Apache Flume
（2）文档查看地址：
Flume 1.9.0 User Guide — Apache Flume
Flume1.9中文手册：https://flume.liyifeng.org/
（3）下载地址：http://archive.apache.org/dist/flume/
2、安装部署
上传解压重命名
tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /home/offcn/apps/
mv apache-flume-1.9.0-bin flume-1.9.0
sudo vim /etc/profile
#Flume-1.9.0
export FLUME_HOME=/home/offcn/apps/flume-1.9.0
export PATH=$PATH:$FLUME_HOME/bin
source /etc/profile
验证
flume-ng version
（二）Flume入门案例
1、监控端口数据官方案例
（1）案例需求：
使用Flume监听一个端口，收集该端口数据，并打印到控制台。
（2）需求分析：
?（3）实现步骤：
（1）安装telnet工具
[offcn@bd-offcn-01 ~]$ sudo yum -y install telnet.*
（2）判断4444端口是否被占用
[offcn@bd-offcn-01 ~]$ sudo netstat -tnlp | grep 4444
（3）创建Flume Agent配置文件flume-netcat-logger.conf
在flume-1.9.0目录下创建flume-job文件夹并进入flume-job文件夹。
[offcn@bd-offcn-01 ~]$ mkdir /home/offcn/apps/flume-1.9.0/flume-job
在job文件夹下创建Flume Agent配置文件flume-netcat-logger.conf。
[offcn@bd-offcn-01 flume-job]$ vim flume-netcat-logger.conf
在flume-netcat-logger.conf文件中添加如下内容。
添加内容如下：
# 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 = 4444
# 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
（4）先开启flume监听端口
第一种写法：
bin/flume-ng agent --conf conf --name a1 --conf-file flume-job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
第二种写法：
bin/flume-ng agent -c conf -n a1 -f flume-job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
参数说明：
- -conf/-c：表示flume配置文件存储的目录
- -name/-n：表示给agent起名为a1
- -conf-file/-f：flume本次启动读取的采集方案是在flume-job文件夹下的flume-telnet.conf文件。
- -Dflume.root.logger=INFO,console ：-D表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error。
（5）使用telcat工具向本机的4444端口发送内容
当开启了监控之后，4444端口就会被flume监听了
[offcn@bd-offcn-01 ~]$ sudo netstat -tnlp | grep 4444
tcp6 0 0 127.0.0.1:4444 :::* LISTEN 72011/java
[offcn@bd-offcn-01 ~]$ telnet localhost 4444
hello
offcn
（6）在Flume监听页面观察接收数据情况
?
注意:如果看不到结果，将我们之前添加再hadoop classpath的hbase的jar配置注释掉
即：将该行注释掉
?
2、实时监控单个文件
（1）案例需求：
实时监控日志文件，并上传到HDFS中
（2）需求分析：
?
（3）实现步骤：
（1）创建flume-file-hdfs.conf文件
创建文件
[offcn@bd-offcn-01 flume-job]$ vim flume-file-hdfs.conf
注：要想读取Linux系统中的文件，就得按照Linux命令的规则执行命令。由于日志文件在Linux系统中所以读取文件的类型选择：exec即execute执行的意思。表示执行Linux命令来读取文件。
添加如下内容
a1.sources = r1
a1.channels = c1
a1.sinks = k1
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /home/offcn/tmp/xxx.log
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path =hdfs://bd-offcn-01:8020/flume-datas/%y-%m-%d/%H%M/%S
a1.sinks.k1.hdfs.filePrefix = logs-
# 开启本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
# 是否开启文件夹关于时间上的舍弃
a1.sinks.k1.hdfs.round = true
# 向下舍弃的值
a1.sinks.k1.hdfs.roundValue = 10
# 向下舍弃的单位
a1.sinks.k1.hdfs.roundUnit = minute
#多久生成一个新的文件（秒）
a1.sinks.k1.hdfs.rollInterval = 60
#设置每个文件的滚动大小（字节）
a1.sinks.k1.hdfs.rollSize = 134217728
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0
#访问hdfs的超时时间 默认10 000 毫秒
a1.sinks.k1.hdfs.callTimeout = 1000000
#设置文件类型，可支持压缩 此处存储为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 10000
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
注意：
对于所有与时间相关的转义序列，Event Header中必须存在以 “timestamp”的key（除非hdfs.useLocalTimeStamp设置为true，此方法会使用TimestampInterceptor自动添加timestamp）。
a3.sinks.k3.hdfs.useLocalTimeStamp = true
参数解析：
- 控制文件的滚动
- 控制文件的滚动
| 参数 | 默认值 | 参数解析 |
| hdfs.rollInterval | 30 | 当前文件写入达到该值时间后触发滚动创建新文件（0表示不按照时间来分割文件），单位：秒 |
| hdfs.rollSize | 1024 | 当前文件写入达到该大小后触发滚动创建新文件（0表示不根据文件大小来分割文件），单位：字节 |
| hdfs.rollCount | 10 | 当前文件写入Event达到该数量后触发滚动创建新文件（0表示不根据 Event 数量来分割文件） |
- 控制文件夹的滚动
| 参数 | 默认值 | 参数解析 |
| hdfs.round | false | 是否应将时间戳向下舍入（如果为true，则影响除?%t?之外的所有基于时间的转义符） |
| hdfs.roundValue | 1 | 向下舍入（小于当前时间）的这个值的最高倍（单位取决于下面的?hdfs.roundUnit?） 例子：假设当前时间戳是18:32:01，hdfs.roundUnit?=?minute?如果roundValue=5，则时间戳会取为：18:30 如果roundValue=7，则时间戳会取为：18:28 如果roundValue=10，则时间戳会取为：18:30 |
| hdfs.roundUnit | second | 向下舍入的单位，可选值：?second?、?minute?、?hour |
（3）运行Flume
[offcn@bd-offcn-01 flume-1.9.0]$ bin/flume-ng agent -c conf -n a1 -f flume-job/flume-file-hdfs.conf -Dflume.root.logger=INFO,console（4）运行报错
2029-06-09 09:16:49,821 ERROR hdfs.HDFSEventSink: process failed
java.lang.NoSuchMethodError: com.google.common.base.Preconditions.checkArgument(ZLjava/lang/String;Ljava/lang/Object;)V
at org.apache.hadoop.conf.Configuration.set(Configuration.java:1357)
at org.apache.hadoop.conf.Configuration.set(Configuration.java:1338)
at org.apache.hadoop.conf.Configuration.setBoolean(Configuration.java:1679)
at org.apache.flume.sink.hdfs.BucketWriter.open(BucketWriter.java:221)
at org.apache.flume.sink.hdfs.BucketWriter.append(BucketWriter.java:572)
at org.apache.flume.sink.hdfs.HDFSEventSink.process(HDFSEventSink.java:412)
at org.apache.flume.sink.DefaultSinkProcessor.process(DefaultSinkProcessor.java:67)
at org.apache.flume.SinkRunner$PollingRunner.run(SinkRunner.java:145)
at java.lang.Thread.run(Thread.java:748)
（5）向文件追加内容
[offcn@bd-offcn-01 tmp]$ echo aaa >> xxx.log
（6）在HDFS上查看文件。
3、实时监控目录下多个新文件
（1）案例需求：
使用Flume监听整个目录的文件，并上传至HDFS
（2）需求分析：
?
（3）实现步骤：
（1）创建配置文件flume-dir-hdfs.conf
创建一个文件
[offcn@bd-offcn-01 flume-job]$ vim flume-dir-hdfs.conf
添加如下内容
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /home/offcn/tmp/upload/
a1.sources.r1.fileSuffix = .COMPLETED
a1.sources.r1.fileHeader = true
#忽略所有以.tmp结尾的文件，不上传
a1.sources.r1.ignorePattern = ([^ ]*\.tmp)
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://bd-offcn-01:8020/flume-datas/upload/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是128M
a1.sinks.k1.hdfs.rollSize = 114217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0
#访问hdfs的超时时间 默认10 000 毫秒
a1.sinks.k1.hdfs.callTimeout = 1000000
# 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
（2）启动监控文件夹命令
[offcn@bd-offcn-01 flume-1.9.0]$ bin/flume-ng agent -c /home/offcn/apps/flume-1.9.0/conf -n a1 -f flume-job/flume-dir-hdfs.conf -Dflume.root.logger=INFO,console
说明：在使用Spooling Directory Source时，不要在监控目录中创建并持续修改文件；上传完成的文件会以.COMPLETED结尾；被监控文件夹每500毫秒扫描一次文件变动。
（3）向upload文件夹中添加文件
在/home/offcn/tmp目录下创建upload文件夹
[offcn@bd-offcn-01 tmp]$ mkdir upload
向upload文件夹中添加文件,并添加内容
[offcn@bd-offcn-01 upload]$ vi offcn.txt
[offcn@bd-offcn-01 upload]$ vi offcn.tmp
[offcn@bd-offcn-01 upload]$ vi offcn.log
（4）查看HDFS上的数据
（5）等待1s，再次查询upload文件夹
[offcn@bd-offcn-01 upload]$ ll
total 0
-rw-rw-r-- 1 offcn offcn 0 Jun 10 08:00 offcn.log
-rw-rw-r-- 1 offcn offcn 0 Jun 10 08:00 offcn.log.COMPLETED
-rw-rw-r-- 1 offcn offcn 0 Jun 10 07:59 offcn.txt.COMPLETED
-rw-rw-r-- 1 offcn offcn 0 Jun 10 08:01 offcn.xml