Flume - [08] 绝密档案Ⅰ
题记部分
(1)Flume使用场景
线上数据一般主要是落地(存储到磁盘)或者通过socket传输给另一个系统,这种情况下,你很难推动线上应用或服务去修改接口,实现直接向kafka里写数据,这时候你可能就需要flume这样的系统帮你去做传输。
(2)Flume丢包问题
单机upd的flume source的配置,100+M/s数据量,10w qps flume就开始大量丢包,因此很多公司在搭建系统时,抛弃了flume,自己研发传输系统,但是往往会参考flume的Source-Channel-Sink模式。一些公司在Flume工作过程中,会对业务日志进行监控,例如Flume agent中有多少条日志,Flume到Kafka后有多少条日志,Flume到Kafka后有多少条日志等等,如果数据丢失保持在1%左右是没有问题的,当数据丢失达到5%左右时就必须采取相应措施。
(3)Flume和kafka的选取
采集层主要可以使用Flume、Kafka两种技术。
Flume:Flume是管道流方式,提供了很多的默认实现,让用户通过参数部署,及扩展API。
Kafka:Kafka是一个可持久化的分布式的消息队列。
Kafka是一个非常通用的系统。你可以有许多生产者和很多消费者共享多个主题Topics,相比之下,Flume是一个专用工具被设计为旨在往HDFS,HBase发送数据。它对HDFS有特殊的优化,并且集成了Hadoop的安全特性,所以,Cloudera建议如果数据被多个系统消费的话,使用Kafka;如果数据被设计给Hadoop使用,使用Flume。
正如你们所知,Flume内置很多的Source和Sink组件。然鹅,kafka明显有一个更小的生产消费者生态系统,并且kafka的社区支持不好,希望将来这种情况会得到改善,但是目前:使用Kafka意味着你准备好了编写你自己的生产者和消费者代码。如果已经存在的Flume Sources和Sinks满足你的需求,并且你更喜欢不需要任何开发的系统,请使用Flume。
Flume可以使用拦截器实时处理数据。这些对数据屏蔽或者过量是很有用的。Kafka需要外部的流处理系统才能做到。
Kafka和Flume都是可靠的系统,通过适当的配置能保证零数据丢失。然鹅,Flume不支持副本事件。于是,如果Flume代理的一个节点崩溃了,即使使用了可靠的文件管道方式,你也将丢失这些事件直到你恢复这些磁盘。如果你需要一个高可靠性的管道,那么使用Kafka是个更好的选择。
Flume和Kafka可以很好地结合起来使用。如果你的设计需要从Kafka到Hadoop的流数据,使用Flume代理并配置Kafka的Source读取数据也是可行的:你没有必要实现自己的消费者。你可以直接利用Flume与HDFS及HBase的结合的所有好处,你可以使用Cloudera Manager对消费者的监控,并且你甚至可以添加拦截器进行一些流处理。
(4)数据怎么采集到kafka,实现方式
使用官方提供的flumeKafka插件,插件的实现方式是自定义了flume的sink,将数据从channel中取出,通过Kafka的producer写入到Kafka中,可以自定义分区等。
(5)flume管道内存,flume宕机了数据丢失怎么解决
① Flume的channel分为很多种,可以将数据写入文件。
② 防止非首个宕机的方法数可以做集群或者主备。
(6)flume配置方式,flume集群(详细讲解下)
Flume的配置围绕着Source、Channel、Sink叙述,Flume的集群是做在agent上的,而非机器上。
(7)Flume不采集Nginx日志,通过Logger4j采集日志,优缺点是什么?
优点:
① Nginx的日志格式是固定的,但是缺少了sessionid,通过logger4j采集的日志是带有sessionid的
② session可以通过redis共享,保证了集群日志中的同一session落到不同的tomcat时,sessionid还是一样的,而且logger4j的方式比较稳定,不会宕机。
缺点:
① 不够灵活,logger4j的方式和项目结合过于紧密,而flume的方式比较灵活,插拔式比较好,不会影响项目性能
(8)flume和kafka采集日志区别,采集日志时中间停了,怎么记录之前的日志
Flume采集日志是通过流的方式直接将日志收集到存储层,而Kafka是将缓存在kafka集群,待后期可以采集到存储层。
Flume采集中间停了,可以采用文件的方式记录之前的日志,而kafka是采用offset的方式记录了之前的日志。
(9)flume有哪些组件,flume的source、channel、sink具体是做什么的
① Source:用于采集数据,Source是产生数据流的地方,同时Source会将产生的数据流传输到Channel,这个有点类似于Java IO部分的Channel。
② Channel:用于桥接Sources和Sinks,类似于一个队列。
③ Sink:从Channel收集数据,将数据写到目标源(可以是下一个Source,也可以是HDFS或者Hbase)。
— 业精于勤荒于嬉,行成于思毁于随 —