日志采集框架Flume

前言

在一个完整的大数据处理系统中，除了hdfs+mapreduce+hive组成分析系统的核心以外，还须要数据采集、结果数据导出、任务调度等不可或缺的辅助系统，而这些辅助工具在hadoop生态体系中都有便捷的开源框架，如图所示：

 

 

 

 

 

 

1. 日志采集框架Flume

1.1 Flume介绍

1.1.1 概述

u  Flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。

u  Flume能够采集文件，socket数据包等各类形式源数据，又能够将采集到的数据输出到HDFS、hbase、hive、kafka等众多外部存储系统中

u  通常的采集需求，经过对flume的简单配置便可实现

u  Flume针对特殊场景也具有良好的自定义扩展能力，所以，flume能够适用于大部分的平常数据采集场景

 

1.1.2 运行机制

一、  Flume分布式系统中最核心的角色是agent，flume采集系统就是由一个个agent所链接起来造成

二、  每个agent至关于一个数据传递员[M1] ，内部有三个组件：

a)       Source：采集源，用于跟数据源对接，以获取数据

b)       Sink：下沉地，采集数据的传送目的，用于往下一级agent传递数据或者往最终存储系统传递数据

c)        Channel：angent内部的数据传输通道，用于从source将数据传递到sink

 

 

 

 

 

1.1.4 Flume采集系统结构图

 

1. 简单结构

单个agent采集数据

 

 

2. 复杂结构

多级agent之间串联

 

 

 

1.2 Flume实战案例

1.2.1 Flume的安装部署

一、Flume的安装很是简单，只须要解压便可，固然，前提是已有hadoop环境

上传安装包到数据源所在节点上

而后解压  tar -zxvf apache-flume-1.6.0-bin.tar.gz

而后进入flume的目录，修改conf下的flume-env.sh，在里面配置JAVA_HOME

 

二、根据数据采集的需求配置采集方案，描述在配置文件中(文件名可任意自定义)

三、指定采集方案配置文件，在相应的节点上启动flume agent

 

先用一个最简单的例子来测试一下程序环境是否正常

一、先在flume的conf目录下新建一个文件

vi   netcat-logger.conf

# 定义这个agent中各组件的名字 a1.sources = r1 a1.sinks = k1 a1.channels = c1   # 描述和配置source组件：r1 a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444   # 描述和配置sink组件：k1 a1.sinks.k1.type = logger   # 描述和配置channel组件，此处使用是内存缓存的方式 a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100   # 描述和配置source  channel   sink之间的链接关系 a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1

 

二、启动agent去采集数据

bin/flume-ng agent -c conf -f conf/netcat-logger.conf -n a1  -Dflume.root.logger=INFO,console

-c conf   指定flume自身的配置文件所在目录

-f conf/netcat-logger.con  指定咱们所描述的采集方案

-n a1  指定咱们这个agent的名字

三、测试

先要往agent采集监听的端口上发送数据，让agent有数据可采

随便在一个能跟agent节点联网的机器上

telnet anget-hostname  port   （telnet localhost 44444）

 

 

 

 

1.2.2 采集案例

一、采集目录到HDFS

采集需求：某服务器的某特定目录下，会不断产生新的文件，每当有新文件出现，就须要把文件采集到HDFS中去

根据需求，首先定义如下3大要素

l  采集源，即source——监控文件目录 :  spooldir

l  下沉目标，即sink——HDFS文件系统  :  hdfs sink

l  source和sink之间的传递通道——channel，可用file channel 也能够用内存channel

 

配置文件编写：

#定义三大组件的名称 agent1.sources = source1 agent1.sinks = sink1 agent1.channels = channel1   # 配置source组件 agent1.sources.source1.type = spooldir agent1.sources.source1.spoolDir = /home/hadoop/logs/ agent1.sources.source1.fileHeader = false   #配置拦截器 agent1.sources.source1.interceptors = i1 agent1.sources.source1.interceptors.i1.type = host agent1.sources.source1.interceptors.i1.hostHeader = hostname   # 配置sink组件 agent1.sinks.sink1.type = hdfs agent1.sinks.sink1.hdfs.path =hdfs://hdp-node-01:9000/weblog/flume-collection/%y-%m-%d/%H-%M agent1.sinks.sink1.hdfs.filePrefix = access_log agent1.sinks.sink1.hdfs.maxOpenFiles = 5000 agent1.sinks.sink1.hdfs.batchSize= 100 agent1.sinks.sink1.hdfs.fileType = DataStream agent1.sinks.sink1.hdfs.writeFormat =Text agent1.sinks.sink1.hdfs.rollSize = 102400 agent1.sinks.sink1.hdfs.rollCount = 1000000 agent1.sinks.sink1.hdfs.rollInterval = 60 #agent1.sinks.sink1.hdfs.round = true #agent1.sinks.sink1.hdfs.roundValue = 10 #agent1.sinks.sink1.hdfs.roundUnit = minute agent1.sinks.sink1.hdfs.useLocalTimeStamp = true # Use a channel which buffers events in memory agent1.channels.channel1.type = memory agent1.channels.channel1.keep-alive = 120 agent1.channels.channel1.capacity = 500000 agent1.channels.channel1.transactionCapacity = 600   # Bind the source and sink to the channel agent1.sources.source1.channels = channel1 agent1.sinks.sink1.channel = channel1

 

Channel参数解释：

capacity：默认该通道中最大的能够存储的event数量

trasactionCapacity：每次最大能够从source中拿到或者送到sink中的event数量

keep-alive：event添加到通道中或者移出的容许时间

 

二、采集文件到HDFS

采集需求：好比业务系统使用log4j生成的日志，日志内容不断增长，须要把追加到日志文件中的数据实时采集到hdfs

 

根据需求，首先定义如下3大要素

l  采集源，即source——监控文件内容更新 :  exec  ‘tail -F file’

l  下沉目标，即sink——HDFS文件系统  :  hdfs sink

l  Source和sink之间的传递通道——channel，可用file channel 也能够用 内存channel

 

配置文件编写：

agent1.sources = source1 agent1.sinks = sink1 agent1.channels = channel1   # Describe/configure tail -F source1 agent1.sources.source1.type = exec agent1.sources.source1.command = tail -F /home/hadoop/logs/access_log agent1.sources.source1.channels = channel1   #configure host for source agent1.sources.source1.interceptors = i1 agent1.sources.source1.interceptors.i1.type = host agent1.sources.source1.interceptors.i1.hostHeader = hostname   # Describe sink1 agent1.sinks.sink1.type = hdfs #a1.sinks.k1.channel = c1 agent1.sinks.sink1.hdfs.path =hdfs://hdp-node-01:9000/weblog/flume-collection/%y-%m-%d/%H-%M agent1.sinks.sink1.hdfs.filePrefix = access_log agent1.sinks.sink1.hdfs.maxOpenFiles = 5000 agent1.sinks.sink1.hdfs.batchSize= 100 agent1.sinks.sink1.hdfs.fileType = DataStream agent1.sinks.sink1.hdfs.writeFormat =Text agent1.sinks.sink1.hdfs.rollSize = 102400 agent1.sinks.sink1.hdfs.rollCount = 1000000 agent1.sinks.sink1.hdfs.rollInterval = 60 agent1.sinks.sink1.hdfs.round = true agent1.sinks.sink1.hdfs.roundValue = 10 agent1.sinks.sink1.hdfs.roundUnit = minute agent1.sinks.sink1.hdfs.useLocalTimeStamp = true   # Use a channel which buffers events in memory agent1.channels.channel1.type = memory agent1.channels.channel1.keep-alive = 120 agent1.channels.channel1.capacity = 500000 agent1.channels.channel1.transactionCapacity = 600   # Bind the source and sink to the channel agent1.sources.source1.channels = channel1 agent1.sinks.sink1.channel = channel1