flume学习（一）---flume总览

绪论：

　　本文的内容包括flume的背景、数据流模型、常见的数据流操作、flume agent启动和flume agent简单实例。参考文档为flume官网的flume1.8.0 FlumeUserGuide。

一、背景

　　flume是由cloudera软件公司产出的可分布式日志收集系统，2009年被捐赠给apache软件基金会，目前是apache的一个顶级项目。

　　flume是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，值得注意的是，由于传输的数据是可定制的，因此flume不仅可以用于日志记录的传输，也可以用于传输网络流量数据、社交媒体数据、邮件信息等数据。

　　当前Flume有两个版本，Flume 0.9X版本统称Flume-og，Flume1.X版本统称Flume-ng。由于Flume-ng经过重大重构，与Flume-og有很大不同，使用时请注意区分。

二、数据流模型

　　flume中的数据流模型如图2.1，其中flume中定义的术语解释如下：

　　1.event:一个数据流单元，存储格式为字节；

　　2.agent:一个JVM进程，是flume的最小组成单位，负责flume组件（包括source、channel和sink等）的管理。每个组件可以有多个；

　　3.source:数据源，负责接收外部数据源发送的数据；

　　4.channel:缓冲区，当source接收数据后，会存储在一个或者多个channel中；

　　5.sink:负责消费channel中的数据并将其发送至HDFS等外部存储或者另一个flume agent的source。

　　

图2.1 flume数据流模型

　　一个flume agent的典型数据流动过程为：

　　1.外部数据源（一个或多个）发送指定格式的数据至flume agent，source对数据作反序列化处理并存储在一个或多个channel中;

　　2.当sink需要某个数据时，从指定的channel中取出并删除channel中的原始数据。

　　3.sink按指定格式对数据做序列化并发送到指定位置。

　　要点：

　　1.一个source可以对应一个或多个channel，但一个sink只能对应一个channel；

　　2.当sink消费了对应channel中的数据之后，channel中的原始数据会被删除；

　　3.source和sink都必须指定其type，type不同，序列化机制不同。

三、常见的数据流操作

　　flume1.8.0的FlumeUserGuide中提到了以下常见的数据流操作：

　　1.多个agent级联（multi-agent flow）

　　flume agent可以级联起来，形成agent链。

 

图3.1 multi-agent flow

　　2.合并（Consolidation）

　　通过Consolidation，flume可以用于收集多个数据源生产的数据。

　　

图3.2 Consolidation

　　3.Multiplexing the flow

　　通过Multiplexing，flume可以将一个event流发送到一个或多个目的地。

图3.3 Multiplexing the flow

四、flume agent启动 

　　如上所述，一个flume agent可以包含多个source、channel和sink。根据flume1.8.0的FlumeUserGuide，可以通过以下命令启动一个flume agent：

$FLUME_HOME/bin/flume-ng agent -n $agent_name -c conf -f conf/flume-conf.properties.template

　　其中，-n参数用于指定agent名称，-c参数用于指定conf目录，-f参数用于指定配置文件。

　　一个flume agent的启动流程如下：

　　1.根据需求编写配置文件；

　　2.使用上述命令指定配置文件并启动flume agent。

五、flume agent实例

　　flume官网提供了一个flume agent的简单实例，其名称是a1，配置文件如下：

# 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 = 44444

# 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

　　上述配置文件配置了一个flume agent，其名称为a1，包含一个名为r1的source、名为c1的channel和名为k1的sink，数据流方向为r1-->c1-->k1。各组件的详细属性如下：

组件/属性	名称	type	bind	port	channel	capacity	transactionCapacity
source	r1	netcat	localhost	44444	c1	无	无
channel	c1	memory	无	无	无	1000	100
sink	k1	logger	无	无	c1	无	无

　　在flume的安装目录执行如下命令启动该flume agent：（备注：example.conf位于flume安装目录下）

bin/flume-ng agent --conf conf --conf-file example.conf --name a1 -Dflume.root.logger=INFO,console

　　命令参数解释：

　　1.--conf conf指定配置文件目录为当前目录下的conf目录；（注意：该目录下必须有flume-enx.sh文件和log4j的配置文件，否则运行失败）

　　2.--conf-file example.conf指定配置文件为当前目录的example.conf文件；

　　3.--name a1指定agent名称为a1；

　　4.-Dflume.root.logger=INFO,console指定日志输出级别为INFO，且输出目的地为控制台。

　　启动信息如下：

　　当向localhost:44444通过TCP连接发送数据时，该flume agent将会接收到发送的数据并打印在控制台：

　　1.通过telnet建立TCP连接并发送数据：

　　2.agent接收数据并打印在控制台：