• Flume学习笔记（1）—— Flume入门

    Flume 概述

    Flume 是 Cloudera 提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统

    Flume 基于流式架构，灵活简单

    Flume最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到HDFS

    基础架构

    Agent

    Agent 是一个 JVM 进程，它以事件的形式将数据从源头送至目的

    Agent 主要有 3 个部分组成，Source、Channel、Sink

    Source

    Source 是负责接收数据到 Flume Agent 的组件。Source 组件可以处理各种类型、各种格式的日志数据，包括 avro、thrift、exec、jms、spooling directory、netcat、taildir、sequence generator、syslog、http、legacy

    Sink

    Sink 不断地轮询 Channel 中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个 Flume Agent

    Sink 组件目的地包括 hdfs、logger、avro、thrift、ipc、file、HBase、solr、自定义

    Channel

    Channel 是位于 Source 和 Sink 之间的缓冲区。因此，Channel 允许 Source 和 Sink 运作在不同的速率上Channel 是线程安全的，可以同时处理几个 Source 的写入操作和几个Sink 的读取操作

    Flume 自带两种 Channel：Memory Channel 和 File Channel

    • Memory Channel 是内存中的队列。Memory Channel 在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么 Memory Channel 就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失。
    • File Channel 将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据

    Event

    Flume 数据传输的基本单元，以 Event 的形式将数据从源头送至目的地

    Event 由 Header 和 Body 两部分组成，Header 用来存放该 event 的一些属性，为 K-V 结构，Body 用来存放该条数据，形式为字节数组

    Flume 安装部署

    flume官网：Welcome to Apache Flume — Apache Flume

    官方文档：Flume 1.11.0 User Guide — Apache Flume

    下载：Index of /dist/flume

    1.下载tar包：

    版本：1.9.0

    2.上传到服务器，解压至/opt/module/路径下；

    3.重命名：mv /opt/module/apache-flume-1.9.0-bin/opt/module/flume

    4.将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3：rm/opt/module/flume/lib/guava-11.0.2.jar

    Flume入门案例

    监控端口数据官方案例

    需求：使用 Flume 监听一个端口，收集该端口数据，并打印到控制台

    实现步骤：

    1. 通过netcat工具向本机的44444端口发送数据
    2. Flume监控本机的44444端口，通过Flume的source端读取数据
    3. Flume将获取的数据通过Sink端写出到控制台

    实现流程：

    • 安装 netcat 工具：sudo yum install -y nc
    • 判断 44444 端口是否被占用：netstat -nlp | grep 44444

    netstat：显示网络状态；

    相关参数说明：Linux netstat命令 | 菜鸟教程

    • 在 flume 目录下创建 job 文件夹并进入 job 文件夹；
    • 在 job 文件夹下创建 Flume Agent 配置文件net-flume-logger.conf
    • 配置文件内容如下：
    1. # example.conf: A single-node Flume configuration
    2.  
    3. # Name the components on this agent（source，channel，sink的名称）
    4. a1.sources = r1
    5. a1.sinks = k1
    6. a1.channels = c1
    7.  
    8. # Describe/configure the source（source的类型，绑定的ip）
    9. a1.sources.r1.type = netcat
    10. a1.sources.r1.bind = localhost
    11. a1.sources.r1.port = 44444
    12.  
    13. # Describe the sink（sink的类型）
    14. a1.sinks.k1.type = logger
    15.  
    16. # Use a channel which buffers events in memory（channel的类型，容量）
    17. a1.channels.c1.type = memory
    18. a1.channels.c1.capacity = 1000
    19. a1.channels.c1.transactionCapacity = 100
    20.  
    21. # Bind the source and sink to the channel（将source、sink和channel绑定）
    22. a1.sources.r1.channels = c1
    23. a1.sinks.k1.channel = c1

    具体参数详解如下：

    • 开启 flume 监听端口：bin/flume-ng agent --conf conf/ --name a1 --conf-file job/net-flume-logger.conf -Dflume.root.logger=INFO,console或者 bin/flume-ng agent -c conf/ -n a1 -f job/net-flume-logger.conf -Dflume.root.logger=INFO,console

    参数说明：

    --conf/-c：表示配置文件存储在 conf/目录

    --name/-n：表示给 agent 起名为 a1

    --conf-file/-f：flume 本次启动读取的配置文件是在 job 文件夹下的 flume-telnet.conf文件

    -Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改 flume.root.logger参数属性值，并将控制台日志打印级别设置为 INFO 级别。日志级别包括:log、info、warn、error

    • 使用 netcat 工具向本机的 44444 端口发送内容：nc localhost 44444

    • 在 Flume 监听页面观察接收数据情况：

    实时监控单个追加文件

    需求：实时监控 Hive 日志，并上传到 HDFS 中

    实现流程：

    1.flume要想将数据上传到hadoop，需要依赖相关的jar包，所以需要确定hadoop及Java的环境变量已经配置好了：

    2.创建配置文件（在job目录下）：flume-file-hdfs.conf

    1. # Name the components on this agent
    2. a2.sources = r2
    3. a2.sinks = k2
    4. a2.channels = c2
    5.  
    6. # Describe/configure the source
    7. a2.sources.r2.type = exec
    8. a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log
    9.  
    10. # Describe the sink
    11. a2.sinks.k2.type = hdfs
    12. a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
    13. #上传文件的前缀
    14. a2.sinks.k2.hdfs.filePrefix = logs-
    15. #是否按照时间滚动文件夹
    16. a2.sinks.k2.hdfs.round = true
    17. #多少时间单位创建一个新的文件夹
    18. a2.sinks.k2.hdfs.roundValue = 1
    19. #重新定义时间单位
    20. a2.sinks.k2.hdfs.roundUnit = hour
    21. #是否使用本地时间戳
    22. a2.sinks.k2.hdfs.useLocalTimeStamp = true
    23. #积攒多少个 Event 才 flush 到 HDFS 一次
    24. a2.sinks.k2.hdfs.batchSize = 100
    25. #设置文件类型，可支持压缩
    26. a2.sinks.k2.hdfs.fileType = DataStream
    27. #多久生成一个新的文件
    28. a2.sinks.k2.hdfs.rollInterval = 60
    29. #设置每个文件的滚动大小
    30. a2.sinks.k2.hdfs.rollSize = 134217700
    31. #文件的滚动与 Event 数量无关
    32. a2.sinks.k2.hdfs.rollCount = 0
    33.  
    34. # Use a channel which buffers events in memory
    35. a2.channels.c2.type = memory
    36. a2.channels.c2.capacity = 1000
    37. a2.channels.c2.transactionCapacity = 100
    38.  
    39. # Bind the source and sink to the channel
    40. a2.sources.r2.channels = c2
    41. a2.sinks.k2.channel = c2

    参数说明：

    ①source为exec source：Flume 1.11.0 User Guide — Apache Flume

    • exec及execute的意思，执行给定的Uxin系统指令；
    • 相应的command即需要执行的指令，在本示例中即读取Hive日志文件中的内容

    tail -F：循环读取

    Linux tail 命令 | 菜鸟教程

    ②sind为hdfs sinkFlume 1.11.0 User Guide — Apache Flume

    path即hdfs上文件的路径，hdfs sink允许使用一些转义序列，如下：

    根据官网描述：

    The files can be rolled (close current file and create a new one) periodically based on the elapsed time or size of data or number of events

    文件的滚动可以通过时间、文件、events的数量来控制；

    • 时间：主要是round——是否开启时间控制；roundUnit——时间单位；roundValue——时间值

    • 文件：主要是rollInterval——生成新文件的间隔（设置为0表示不按照时间滚动）；rollSize——单个文件的最大大小（单位：bytes）；rollCount——新文件生成时必须满足的events数量；

    • events数量：通过batchSize来设置

    ③对于所有与时间相关的转义序列，Event Header 中必须存在以 “timestamp”的key（除非 hdfs.useLocalTimeStamp 设置为 true，此方法会使用 TimestampInterceptor 自动添加 timestamp）

    3.执行指令：bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

    4.执行hive指令，生成日志文件；为了简单测试这里直接向hive.log文件中写内容：

    echo "test.2023.11.17" > hive.log

    到hdfs中去查看，可以看到对应的文件：

    实时监控目录下多个新文件

    需求：使用 Flume 监听整个目录的文件，并上传至 HDFS

    实现流程：
    1.创建配置文件 flume-dir-hdfs.conf

    配置文件内容如下：

    1. a3.sources = r3
    2. a3.sinks = k3
    3. a3.channels = c3
    4.  
    5. # Describe/configure the source
    6. a3.sources.r3.type = spooldir
    7. #定义监控目录
    8. a3.sources.r3.spoolDir = /opt/module/flume/upload
    9. a3.sources.r3.fileSuffix = .COMPLETED
    10. a3.sources.r3.fileHeader = true
    11. #忽略所有以.tmp 结尾的文件，不上传
    12. a3.sources.r3.ignorePattern = ([^ ]*\.tmp)
    13.  
    14. # Describe the sink
    15. a3.sinks.k3.type = hdfs
    16. a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload/%Y%m%d/%H
    17. #上传文件的前缀
    18. a3.sinks.k3.hdfs.filePrefix = upload-
    19. #是否按照时间滚动文件夹
    20. a3.sinks.k3.hdfs.round = true
    21. #多少时间单位创建一个新的文件夹
    22. a3.sinks.k3.hdfs.roundValue = 1
    23. #重新定义时间单位
    24. a3.sinks.k3.hdfs.roundUnit = hour
    25. #是否使用本地时间戳
    26. a3.sinks.k3.hdfs.useLocalTimeStamp = true
    27. #积攒多少个 Event 才 flush 到 HDFS 一次
    28. a3.sinks.k3.hdfs.batchSize = 100
    29. #设置文件类型，可支持压缩
    30. a3.sinks.k3.hdfs.fileType = DataStream
    31. #多久生成一个新的文件
    32. a3.sinks.k3.hdfs.rollInterval = 60
    33. #设置每个文件的滚动大小大概是 128M
    34. a3.sinks.k3.hdfs.rollSize = 134217700
    35. #文件的滚动与 Event 数量无关
    36. a3.sinks.k3.hdfs.rollCount = 0
    37.  
    38. # Use a channel which buffers events in memory
    39. a3.channels.c3.type = memory
    40. a3.channels.c3.capacity = 1000
    41. a3.channels.c3.transactionCapacity = 100
    42.  
    43. # Bind the source and sink to the channel
    44. a3.sources.r3.channels = c3
    45. a3.sinks.k3.channel = c3

    参数说明：
    source类型是spooldir：Flume 1.11.0 User Guide — Apache Flume

    根据官网的描述：This source will watch the specified directory for new files, and will parse events out of new files as they appear

    该类型的source会监控特定目录，当目录下出现新文件的时候，会进行文件的上传

    • spoolDir：文件监控的目录
    • fileSuffix：默认值.COMPLETED，文件后缀
    • fileHeader：是否添加文件头
    • ignorePattern：定义忽略的文件；ignorePattern = ([^ ]*\.tmp)：忽略所有以tmp结尾的文件而不上传

    2.启动指令： bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

    3.在/opt/module/flume/upload文件夹中上传文件：

    1. touch why.txt
    2. touch why.tmp
    3. touch why.log

    可以看到添加了文件后缀：

    hdfs中也有了对应的文件：

    实时监控目录下的多个追加文件（断点续传）

    • Exec source 适用于监控一个实时追加的文件，不能实现断点续传
    • Spooldir Source适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步
    • Taildir Source适合用于监听多个实时追加的文件，并且能够实现断点续传

    需求：使用 Flume 监听整个目录的实时追加文件（向文件中写入新的内容），并上传至 HDFS

    实现流程：

    1.创建配置文件 flume-taildir-hdfs.conf

    文件内容如下：

    1. a3.sources = r3
    2. a3.sinks = k3
    3. a3.channels = c3
    4.  
    5. # Describe/configure the source
    6. a3.sources.r3.type = TAILDIR
    7. a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json
    8. a3.sources.r3.filegroups = f1 f2
    9. a3.sources.r3.filegroups.f1 = /opt/module/flume/files/.*txt.*
    10. a3.sources.r3.filegroups.f2 = /opt/module/flume/files2/.*log.*
    11.  
    12. # Describe the sink
    13. a3.sinks.k3.type = hdfs
    14. a3.sinks.k3.hdfs.path = hdfs://hadoop102:8020/flume/upload2/%Y%m%d/%H
    15. #上传文件的前缀
    16. a3.sinks.k3.hdfs.filePrefix = upload-
    17. #是否按照时间滚动文件夹
    18. a3.sinks.k3.hdfs.round = true
    19. #多少时间单位创建一个新的文件夹
    20. a3.sinks.k3.hdfs.roundValue = 1
    21. #重新定义时间单位
    22. a3.sinks.k3.hdfs.roundUnit = hour
    23. #是否使用本地时间戳
    24. a3.sinks.k3.hdfs.useLocalTimeStamp = true
    25. #积攒多少个 Event 才 flush 到 HDFS 一次
    26. a3.sinks.k3.hdfs.batchSize = 100
    27. #设置文件类型，可支持压缩
    28. a3.sinks.k3.hdfs.fileType = DataStream
    29. #多久生成一个新的文件
    30. a3.sinks.k3.hdfs.rollInterval = 60
    31. #设置每个文件的滚动大小大概是 128M
    32. a3.sinks.k3.hdfs.rollSize = 134217700
    33. #文件的滚动与 Event 数量无关
    34. a3.sinks.k3.hdfs.rollCount = 0
    35.  
    36. # Use a channel which buffers events in memory
    37. a3.channels.c3.type = memory
    38. a3.channels.c3.capacity = 1000
    39. a3.channels.c3.transactionCapacity = 100
    40.  
    41. # Bind the source and sink to the channel
    42. a3.sources.r3.channels = c3
    43. a3.sinks.k3.channel = c3

    参数说明：

    source类型为taildir：Flume 1.11.0 User Guide — Apache Flume

    • positionFile：默认值：~/.flume/taildir_position.json；根据官方的解释，该文件是用于记录inode的值的，inode即linux中储存文件元数据的区域，linux中可以通过inode来识别不同的文件，因此taildir source通过维护positionFile即可记录每个文件读取到的最新的位置，从而实现断点续传；
    • filegroups ＆ filegroups.：定义一个或多个需要监控的目录；

    .*txt.*即表示所有以txt结尾的文件

    3.执行指令： bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-taildir-hdfs.conf

    4.向/opt/module/flume/files目录下的文件中写入内容：

    1. echo hello1 >> file1.txt
    2. echo hello2 >> file2.txt
    3. echo hello3 >> file3.txt
    4. echo hello4 >> file4.txt

    在files2中：

    echo log1 >> log1.log

    hdfs中出现相应的文件：

    内容如下：

    继续在files中执行：echo log2 >> log1.log

    可以看到已经同步更新：

  • 相关阅读:
    StableAudio-大模型创作音乐的工具
    Neo4j 5的自治图数据库集群
    Java 顺序控制、分支控制、循环控制详解
    视频怎么加水印？这里有你想要的答案
    人工神经网络的应用实例,人工神经网络算法实例
    Android-Framework 时间格式默认使用24小时制、时区为上海
    uniapp自定义权限菜单，动态tabbar
    Ubuntu 虚拟化中Android Studio 不支持HAXM（CPU不支持问题）
    C# net core中的过滤器(Filter)使用及跳过过滤器
    【Redis】Redis 缓存重点解析
  • 原文地址：https://blog.csdn.net/qq_51235856/article/details/134465660