01_Flume基本架构及原理
Flume消息收集系统，在整个系统架构中的位置
Flume概况
1) Apache软件基金会的顶级项目
2）存在两个大的版本：Flume 0.9.x(Flume-OG,original generation), Flume 1.x(Flume-NG,next generation)
3) 信息采集系统（分布式，支持水平扩展，事务机制保证消息event可靠传输，可定制的信息输入和信息输出，基于Java运行）
事务机制：下游agent将信息成功缓存后，上游agent才认为该信息传输成功
4）主要目的：deliver data from application to Apache Hadoop's ecosystem(HDFS，HBASE，HIVE，LocalFileSystem）
多管道接入(fan in)，多管道输出（fan out)，上下文路由(将event根据需求发送给不同的接收方）
5）运行环境：基于java编写，运行在unix-like系统（Ubuntu，CentOS， RHEL，SLES，Mac OS X）
数据从产生到进入分析阶段的整个流程
Flume的输入数据和输出数据
Flume架构
打开Flume来看
一般来说，Agent和Collector分离部署：
1）业务Server，只部署Agent, 尽量少的入侵业务系统
2）Collector可能会有多个，负责event汇聚的分发
3）Agent layer, Collector Layer, Storage Layer
打开Agent或者collector来看
Agent或者Collector由3个必要组件，2个可选组件构成，Event是组件间的数据传递单位
1个Agent或者Collector，就是1个JVM进程
必要组件
1）Source：对接各种输入数据源（数据源直接发送event，或者Source将数据转换为event，Event由可选的Header和Byte净荷构成)
2) Channel：缓存event，直到event被Sink成功发送
最常用的是 memory(内存队列）和 file(本地文件），其他类型的channel还包括jdbc channel,kafka channel等
memory channel最大的问题是可能存在event丢失的风险，file可以持久化存储event但肯定就没有内存队列快
3) Sink： 将event送给下游Agent,或者将event送给下游存储
Agent间的级联，上游Sink必须为avro sink, 下游Source必须为avro source
可选组件
interceptor：干预器，主要用于向Event Header中注入一些附加信息（时间戳，主机信息，自定义信息，由于上下文路由）或者信息过滤（匹配正则的Event放行，匹配正则的Event丢弃）
1) timestamp interceptor: 在event的header中添加时间戳(处理该event的即时时间）
2) host interceptor: 在event的header中添加当前agent运行的主机的hostname或者IP地址
3) static interceptor: 在event的header中添加配置文件中指定的key,value
4) Regex Filtering: 将event的body中的内容和指定的正则表达式匹配，将匹配的event丢弃
5) Regex Extractor: 将event的body中的内容和指定的正则表达式匹配，将匹配的event放行，并添加header(指定的key, value为匹配的内容）
总结：interceptor可以级联，配置文件中通过空格分隔，前一个interceptor处理后的event,是后一个interceptor的输入event
selector： 选择器，主要用于选择Event将发往哪一个Channel(路由）
selector将event发送给channel有两种方式：复制Replicating（全部都发，默认方式）， 复用Multiplexing（根据一定规则分发）；
复用分发原理：selector根据event header中指定key的值来决定该event应该发给哪一个channel
Flume可靠性信息传递的原理（上下游协同，事务处理）
简单来说：下游agent将event成功缓存到channel后，上游agent才认为该event传输成功, 然后上游将该event从channel中删除
Flume的级联
1）多Agent级联
2) 多个Agent聚合级联
3) 复用分流
