[大数据]flume使用

1.flume介绍

flume是一个实时的、分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，Event携带日志数据(字节数组形式)并且携带有头信息，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负责将这些信息传输到目标位置

2.flume的组件

Client：Client生产数据，运行在一个独立的线程。

Event： 一个数据单元，消息头和消息体组成。（Events可以是日志记录、 avro 对象等。） Flow： Event从源点到达目的点的迁移的抽象。

Agent： 一个独立的Flume进程，包含组件Source、 Channel、 Sink。（Agent使用JVM 运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。） Source： 数据收集组件。（source从Client收集数据，传递给Channel）

Channel： 中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接 sources 和 sinks ，这个有点像一个队列。）

Sink： 从Channel中读取并移除Event，将Event传递到FlowPipeline中的下一个Agent（如果有的话）（Sink从Channel收集数据，运行在一个独立线程。）

3.怎么写

source,channel，sink可以用的种类非常的多，根据自己的需要从官方文档里面挑选

Welcome to Apache Flume — Apache Flumehttps://flume.apache.org/

?首先我们写的是从linux本地读取文件，打印到控制台的案例

source(Spooling)： 首先加粗的都是必选的字段,这个内容太长了，就截取了一点

type：根据文档内容， 写spooldir

?spoolDir：这是你需要监听的文件路径?

channels:留在组装的时候写

channels(memory):

可以看出必选的是type,memory

sink(logger)：

type:logger，表示打印在控制台

channel :留在组装的时候写

写一个conf文件，内容如下：

#给agent取一个名字，通常就写a1
a1.sources=r1
a1.channels=c1
a1.sinks=k1

#配置source
a1.sources.r1.type=spooldir
a1.sources.r1.spoolDir=/root/data
 
#配置channels
a1.channels.c1.type=memory

#配置sinks
a1.sinks.k1.type=logger

#组装
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1

格式：flume-ng agent -n agent名称 ?写过配置的conf文件

flume-ng agent -n a1 -f ./spoolingtest.conf  

运行结果： 监听到了我们指定的/root/data文件夹下面的内容

然后，在flume读取完了我们的文件后，在上面打上了一个COMPLETED的标记?

?

?此时我们向这个文件中再次写入数据，是不会打印出改动的内容的，所以我们可以给这个文件改个名字，把标记去掉就可以看到新的内容了。

再给一个复杂的案例,从本地到hdfs

配置文件现在写复杂一点了：

#命名
a.sources=r1
a.sinks=k1
a.channels=c1

#指定spooldir的属性
a.sources.r1.type=spooldir
a.sources.r1.spoolDir=/root/data
a.sources.r1.fileHeader=true
# 将拦截器i1的类型设置为timestamp 
#会将处理数据的时间以毫秒的格式插入event的header中
a.sources.r1.interceptors=i1
a.sources.r1.interceptors.i1.type=timestamp

#指定sink的类型为hdfs(type必须是hdfs)
a.sinks.k1.type=hdfs
#hdfs.path，必选的设置输出文件路径
a.sinks.k1.hdfs.path=/flume/data/dir1
#指定我们输出文件的前缀是student，后缀是.txt
a.sinks.k1.hdfs.filePrefix=student
a.sinks.k1.hdfs.fileSuffix=.txt
# 指定达到多少数据量写一次文件 单位：bytes
a.sinks.k1.hdfs.rollSize = 102400
# 指定多少条写一次文件，原来默认是10行数据就写一次，会产生很多小文件，我们就给他改大一点
#rollSize和rollCount只要满足一个条件就可以被写成文件
a.sinks.k1.hdfs.rollCount = 1000
#文件格式默认是SequenceFile，我们需要改成DataStream
a.sinks.k1.hdfs.fileType=DataStream
# 指定文件输出格式 为text
a.sinks.k1.hdfs.writeFormat=text


#指定channel
a.channels.c1.type=memory
a.channels.c1.capacity=1000
# 表示sink每次会从channel里取多少数据
a.channels.c1.transationCapacity=100

a.sources.r1.channels=c1
a.sinks.k1.channel=c1

flume-ng agent -n a -f spoolingToHDFS.conf

成功将内容传输到hdfs上了?

sink(hdfs)中还有3个重要的参数说明一下

hdfs.rollSize?? ?1024?? ?当临时文件达到多少1024byte时，滚动成目标文件，??
hdfs.rollCount? ? 10? 当 events 数据也就是10行数据的时候，就滚动文件

hdfs.rollInterval?? ?30?? ?间隔30s将临时文件滚动成最终目标文件

可以看下面这张图片，我们的数据读取完成了，但是这个新的临时文件既没有到达我们指定的大小，event也没满足，所以只能等30秒被处理成正常的文件

?