flume原理及代码实现

转载标明出处：http://www.cnblogs.com/adealjason/p/6240122.html

最近想玩一下流计算，先看了flume的实现原理及源码

源码可以去apache 官网下载

下面整理下flume的原理及代码实现：

flume是一个实时数据收集工具，hadoop的生态圈之一，主要用来在分布式环境下各服务器节点做数据收集，然后汇总到统一的数据存储平台，flume支持多种部署架构模式，单点agent部署，分层架构模式部署，如通过一个负载均衡agent将收集的数据分发到各个子agent，然后在汇总到同一个agent上，数据传输到统一的数据存储平台，再次不多废话，flume支持的部署架构图可以参见源码中的doc目录下的图片

flume原理：

目前最新版本是Flume NG，以下基于Flume NG来说：

flume由以下几个核心概念：

flume event：flume内部的数据单元，包含两部分，一个头结点，一个body结点，头结点是一个Map<String, String>，部署的agent结点可以通过现有的Interceptor或者自定义Interceptor往消息头里放置数据，如ip，hostname等标识消息来源于哪台服务器，event在flume内部做流转，是数据传输的载体

flume source：source是flume的数据来源，flume支持多种数据来源，如taildir监控一个文件的变化，spollDir监控一个文件夹的变化，jmsSource接收jms消息等，最常用的avroSource是构成flume分层架构的基础，source是一个接口，flume提供了多种消息接入方式，在sourceType枚举类中都有详细列出，特殊说明下，由于flume是面向接口编程，其中有一个Other的枚举，是占位符，使用者可以自定义source源，只要求在flume启动的时候可以加载到这个类即可（底层是通过反射获取到class的实例的）

flume channel：flume是基于pipeline的模式，channel的存在丰富了flume的数据传播途径，channel可以再source和sink之间做缓冲，动态调节数据的收集及发送（内部有一个xxxCounter会没接收到一个event或者发送一个event都会做记录），缓冲source和sink之间的压力，其二channel可以关联多个source，如一个source可以按照配置选择的将数据复制到各个管道，或者按照消息头自动分发到指定的管道，一个channel可以接多个sink，这个实现了同一份数据的多发发送池，实现了数据的复用及负载均衡等功能，channel内部流转的数据载体是event，flume channel支持多种数据缓冲实现方式，如fileChannel：用一个文件做数据缓存、memoryChannel：使用内存缓存，底层实现是一个LinkedBlockingDeque，一个双向阻塞列表，具体可参见ChannelType

flume sink：flume的数据发送池，主要负责数据的发送，从channel接收到event，然后发送到指定的数据接收方，flume提供多种sink实现，具体可参见SinkType，常用的有：loggerSink：这个主要用于flume的部署调试，它会将接收到的event事件直接用log4j输出出来，RollingFileSink：这个sink主要是将接收到的日志文件序列化到一个文件目录中，所以需要配置文件的地址，切分文件的频率等，avroSink：这个是flume分层架构中最常用的sink，一般和avroSource配对使用，avro是apache的一个子项目，用于数据的序列化，使用avroSource及avroSink时，需要在avroSource的agent节点服务器上监听一个端口，avroSink的agent把接收到的数据发送到该ip、port上即完成了flume的分层部署，avro仅是一个数据序列化工具，底层实现由一个RpcClient的东东来将数据在这source和sink之间传输（可以留一下启动日志，会自动创建一个RpcClient），当然，flume的编码是按照面向接口来的，所以和source一样支持自定义的sink

上述是几个核心的概念，正式由于flume的这种设计思想及编码风格，让flume有很强的拓展性

当然仅仅有这几个还是不可以完全让flume运行起来的，flume提供了很多辅助类用于驱动、分发内部event及整个flume系统的运转，基本如下：

配置领域：

AgentConfiguration：这个看名字就知道是flume的配置元素领域内的东西，是的，使用者在flume-conf.properties中配置的数据解析成AgentConfiguration，是配置文件到面向对象的一个抽象

AbstractConfigurationProvider：该类看名字就是一个抽象的配置Provider类，内部有一个很重要的方法就是：getConfiguration()，该方法中通过如下几个private方法来加载flume的channel、source、sink、sinkGroups并将它们关联起来

loadChannels(agentConf, channelComponentMap);

loadSources(agentConf, channelComponentMap, sourceRunnerMap);

loadSinks(agentConf, channelComponentMap, sinkRunnerMap);

flume还支持动态加载，PollingPropertiesFileConfigurationProvider（AbstractConfigurationProvider的一个具体实现）在flume启动的时候会启动一个线程FileWatcherRunnable，监控flume的配置文件变化，配置文件内部加载用的是google的EventBus来驱动的

驱动领域：

flume的source有如下两个子接口：PollableSource和EventDrivenSource，前者需要自己去轮循的访问数据源，当前是否可以加载到数据，如果有则加载进来转换成flume的event，实现类有taildir、spollDir、jsmSource、kafkaSource等，该接口新增了一个process方法用于轮循调用，后者是一个事件驱动的Source，该接口不需要主动去访问数据源，仅需要接收数据推动过来的event并转换成flume的event即可，实现类有：scribeSource（该数据源用来打通Facebook的scribe数据收集工具）、AvroSource等

SourceRunner：

由于这两个source的存在，所以所以flume提供了两个sourceRunner来驱动source的运行，分别是PollableSourceRunner和EventDrivenSourceRunner，前者启动时自动启动一个PollingRunner线程用于定时轮循process方法

channelProcessor：

该类用于source到channel之间的数据发送，实现了一个source可以关联到多个channel，简单点如这2个接口，source的定义：setChannelProcessor(ChannelProcessor channelProcessor)指定一个ChannelProcessor ，ChannelProcessor 关联到一个final的ChannelSelector，selector关联到Channel：setChannels(List<Channel> channels)

ChannelProcessor：

关联到指定的ChannelSelector，ChannelSelector提供了两种selector方式，ReplicatingChannelSelector：将source的event复制到各个channel中，MultiplexingChannelSelector：根据头结点的header信息自动路由到对应的Channel中

Transaction及BasicTransactionSemantics

flume的Channel内部保证一个event的发送在一个事务完成，如果发送失败或者接收失败则回滚，当成功时才从channel中删除掉该event

SinkProcessor：

用过选择要发送的sink，什么意思呢？该类有两个实现：

LoadBalancingSinkProcessor：

负载均衡方式：提供了roud_bin算法和random算法、以及固定order算法的实现方式，将Channel中的event发送到多个sink上

FailoverSinkProcessor：

可以实现实现failover功能，具体流程类似LoadBalancingSinkProcessor，区别是FailoverSinkProcessor维护了一个PriorityQueue，用来根据权重选择sink

SinkRunner：

该类用于驱动一个sink，启动是内部开了一个线程PollingRunner，定时的调用SinkProcessor

上述是所有的核心概念及代码作用，下面描述下flume的运行流程：

1.系统启动时通过配置领域可以按照客户定义的配置加载一个flume

2.SourceRunner和SinkProcessor同时启动，一个往Channel中生产event，一个从Channel中消费event，内部是一个生产者消费者模式

3.通过一些辅助类，实现Channel到source及sink的多路分发及分层架构

下面是一个自己搭建的flume配置文件，供参考：

实现流程：

负载均衡+分发+落地到日志文件

1.负载均衡节点：

从两个文件源读数据，在event头里增加数据来源标识，复制到两个channel中，一个log打印，一个做负载均衡分发到另外两台机器的agent上，负载均衡算法采用roud_robin

loadBalancAgent.sources = taildirSrc

loadBalancAgent.channels = memoryChannel fileChannel

loadBalancAgent.sinks = loggerSink1 loggerSink2 loggerSink3

loadBalancAgent.sinkgroups = loadBalanceGroups

## taildirSrc config

loadBalancAgent.sources.taildirSrc.type = TAILDIR

loadBalancAgent.sources.taildirSrc.positionFile = /alidata1/admin/openSystem/flumetest/log/taildir_position.json

loadBalancAgent.sources.taildirSrc.filegroups = f1 f2

loadBalancAgent.sources.taildirSrc.filegroups.f1 = /alidata1/admin/dts-server-web/dts-server.log

loadBalancAgent.sources.taildirSrc.headers.f1.headerKey1 = dts-server-log

loadBalancAgent.sources.taildirSrc.filegroups.f2 = /alidata1/admin/flume/test.log

loadBalancAgent.sources.taildirSrc.headers.f2.headerKey1 = flume-test-log

loadBalancAgent.sources.taildirSrc.fileHeader = true

## replicating channel config

loadBalancAgent.sources.taildirSrc.selector.type = replicating

loadBalancAgent.sources.taildirSrc.channels = memoryChannel fileChannel

loadBalancAgent.sources.taildirSrc.selector.optional = fileChannel

## memory chanel config

loadBalancAgent.channels.memoryChannel.type = memory

loadBalancAgent.channels.memoryChannel.capacity = 10000

loadBalancAgent.channels.memoryChannel.transactionCapacity = 10000

loadBalancAgent.channels.memoryChannel.byteCapacityBufferPercentage = 20

loadBalancAgent.channels.memoryChannel.byteCapacity = 800000

## file channel config

loadBalancAgent.channels.fileChannel.type = file

loadBalancAgent.channels.fileChannel.checkpointDir = /alidata1/admin/openSystem/flumetest/log

loadBalancAgent.channels.fileChannel.dataDirs = /alidata1/admin/openSystem/flumetest/data

## loadbalance sink processor

loadBalancAgent.sinkgroups.loadBalanceGroups.sinks = loggerSink1 loggerSink2

loadBalancAgent.sinkgroups.loadBalanceGroups.processor.type = load_balance

loadBalancAgent.sinkgroups.loadBalanceGroups.processor.backoff = true

loadBalancAgent.sinkgroups.loadBalanceGroups.processor.selector = round_robin

## loggerSink1 config

loadBalancAgent.sinks.loggerSink1.type = avro

loadBalancAgent.sinks.loggerSink1.channel = memoryChannel

loadBalancAgent.sinks.loggerSink1.hostname = 10.253.42.162

loadBalancAgent.sinks.loggerSink1.port = 4141

## loggerSink2 config

loadBalancAgent.sinks.loggerSink2.type = avro

loadBalancAgent.sinks.loggerSink2.channel = memoryChannel

loadBalancAgent.sinks.loggerSink2.hostname = 10.139.53.6

loadBalancAgent.sinks.loggerSink2.port = 4141

## loggerSink3 config

loadBalancAgent.sinks.loggerSink3.type = file_roll

loadBalancAgent.sinks.loggerSink3.channel = fileChannel

loadBalancAgent.sinks.loggerSink3.sink.rollInterval = 0

loadBalancAgent.sinks.loggerSink3.sink.directory = /alidata1/admin/openSystem/flumetest/dtsServerLog

2.负载均衡节点1

接收avroSink并落地到文件中

dispatchAgent.sources= avroSrc

dispatchAgent.channels=memoryChannel

dispatchAgent.sinks=loggerSink

## avroSrc config

dispatchAgent.sources.avroSrc.type = avro

dispatchAgent.sources.avroSrc.channels = memoryChannel

dispatchAgent.sources.avroSrc.bind = 0.0.0.0

dispatchAgent.sources.avroSrc.port = 4141

## memoryChannel config

dispatchAgent.channels.memoryChannel.type = memory

dispatchAgent.channels.memoryChannel.capacity = 10000

dispatchAgent.channels.memoryChannel.transactionCapacity = 10000

dispatchAgent.channels.memoryChannel.byteCapacityBufferPercentage = 20

dispatchAgent.channels.memoryChannel.byteCapacity = 800000

## loggerSink config

dispatchAgent.sinks.loggerSink.type = logger

dispatchAgent.sinks.loggerSink.channel = memoryChannel

3.负载均衡节点2