一、Flume--数据采集器基本原理和使用

一、概述

1、flume是什么

1) Flume提供一个分布式的，可靠的，对大数据量的日志进行高效收集、聚集、移动的服务，Flume只能在Linux环境下运行。
2) Flume基于流式架构，容错性强，也很灵活简单，架构简单。
3) Flume、Kafka用来实时进行数据收集，Spark、Storm用来实时处理数据，impala用来实时查询。

专注于为中小企业提供做网站、成都做网站服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业永康免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了上千家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。

2、flume的基本架构

一、Flume--数据采集器基本原理和使用

图1.1 flume架构

说到flume的架构，直接拿官网的图来说就足够了。
首先在每个数据源上都会部署一个 flume agent ，这个agent就是用来采取数据的。
这个agent由3个组件组成：source，channel，sink。而在flume中，数据传输的基本单位是event。下面讲讲这几个概念

（1）source

用于从数据源采集数据，并将数据传输在channel中。source支持多种数据源采集方式。比如监听端口采集数据，从文件中采集，从目录中采集，从http服务中采集等。

（2）channel

位于source和sink之间，是数据的一个暂存区域。一般情况下，从source流出数据的速率和sink流出的数据的速率会有所差异。所以需要一个空间暂存那些还没办法传输到sink进行处理的数据。所以channel类似于一个缓冲区，一个队列。

（3）sink

从channel获取数据，并将数据写到目标源。目标源支持多种，比如本地文件、hdfs、kafka、下一个flume agent的source等均可。

（4）event

传输单元，flume传输的基本单位，包括 headers和body两部分，header可以添加一些头部信息，body则是数据。

3、flume传输过程

基于上面的概念，流程基本很清晰，source监控数据源，如果产生新的数据，则获取数据，并封装成一个event，然后将event传输到channel，接着sink从channel拉取数据写入到目标源中。

二、flume的使用

1、flume部署

flume的程序本身的部署非常简单，
（1）部署jdk1.8
（2）解压flume的程序压缩包到指定目录，然后添加环境变量即可
（3）修改配置文件

cd /opt/modules/apache-flume-1.8.0-bin

将模板配置文件复制重命名为正式配置文件
cp conf/flume-env.sh.template conf/flume-env.sh

添加jdk家目录变量
vim conf/flume-env.sh
加上这句
export JAVA_HOME=/opt/modules/jdk1.8.0_144

这就完成配置了，基本没啥难度。flume的使用重点在于agent的配置文件的编写，根据业务场景不同，配置也不同。简单来说其实就是对source，channel，sink三大组件的工作属性的配置。

2、agent定义流程

agent的配置其实就是对source、channel、sink的配置。主要有5个步骤，下面看看这个流程是怎样的。

# 1、定义的agent名称，指定使用的source sinks channels的名称
# 可以有多个source sinks channels。
.sources = 
.sinks = 
.channels = 

# 2、定义source工作属性。
# 基本格式就是 agent名.sources.source名.参数名=value
# 第一个参数都是type，就是指定source类型的
.sources..type=xxxx
.sources..=xxxx
.sources..=xxxx
.........

# 3、设置channel工作属性.格式都是类似的
# 第一个参数都是type，就是指定channel类型的
.channels..type=xxxxx
.channels..=xxxxx
.channels..=xxxxx
.........

# 4、设置sink工作属性
# 第一个参数都是type，就是指定sink类型的
.sinks..type=xxxxx
.sinks..=xxxxx
.sinks..=xxxxx
...............

# 5、设置source以及sink使用的channel，通过channel将两者连接起来
.sources..channels = 
.sinks..channel =

这就是agent定义的完整流程，source、channel、sink每个都有不同的类型，每个类型定义的参数会有差异。下面看看source、channel、sink中常用的类型（想看完整的全部的类型就看官网吧）

3、常用source的类型

（1）netcat--从tcp端口获取数据

常用属性：
type：需指定为  netcat
bind：监听的主机名或者ip
port：监听的端口

例子：监听在 0.0.0.0:6666端口
a1.sources.r1.type = netcat
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 6666

（2）exec--执行命令输出作为数据源

常用属性：
type:需指定为 exec
command:运行的命令
shell:运行名为所需的shell，如 /bin/bash -c

例子：监控文件的新增内容
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /var/log/secure
a1.sourcesr.r1.shell = /bin/bash -c

（3）spooldir--监控目录内容

常用的属性：
type:设置为 spooldir
spoolDir：监控的目录路径
fileSuffix：上传完成的文件加上指定的后缀，默认是 .COMPLETED
fileHeader：是否在event的header添加一个key标明该文件的绝对路径，默认为false
ignorePattern：正则匹配，忽略的文件
还有其他很多参数，具体到官网上看吧

例子：
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume1.8.0/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
#忽略所有以.tmp结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)

（4）avro--flume之间串联的中间格式

这个源比较特别，通常用在上一个flume的sink 输出，然后作为下一个flume的输入的格式。

常用的属性：
type：需指定为  avro
bind：监听的主机名或者ip，只能是agent所在主机的ip或者hostname
port：监听的端口

例子：
a1.sources.r1.type = avro
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 4141

（5）TAILDIR--监控文件或者目录内容变化（1.7以及之后才有）

spoolDir有一个bug，就是已经上传完成的文件，不能再追加内容，否则会报错，而且也无法读取到新的文件内容。所以spooldir只能用来监控目录下新文件的变化，没办法监控已有文件的内容变化。以往这种情况只能使用 exec源，然后使用tail -f xxxlog 的方式来监听文件内容变化，但是这种方式有缺陷，就是容易丢失数据。而在flume1.7之后有一个新的source，叫TAILDIR，可以直接监听文件变化的内容。看看用法：

常用属性：
type：TAILDIR ，记住，要全部大写
filegroups：要监听的文件组的名字，可以有多个文件组
filegroups.：指定文件组的包含哪些文件，可以使用扩展正则表达式，这里可以有的小技巧 /path/.*  这样就可以监听目录下的所有文件内容的变化
positionFile：这个文件json格式记录了目录下每个文件的inode，以及pos偏移量
fileHeader：是否添加header

属性过多，可以当官网看：http://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html#spooling-directory-source

例子：
a1.sources = r1
a1.channels = c1
a1.sources.r1.type = TAILDIR
a1.sources.r1.channels = c1
a1.sources.r1.positionFile = /var/log/flume/taildir_position.json
a1.sources.r1.filegroups = f1 f2  有两个文件组
# 文件组1内容
a1.sources.r1.filegroups.f1 = /var/log/test1/example.log
a1.sources.r1.headers.f1.headerKey1 = value1
# 使用正则表达式指定文件组
a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*
a1.sources.r1.headers.f2.headerKey1 = value2
a1.sources.r1.headers.f2.headerKey2 = value2-2
a1.sources.r1.fileHeader = true
a1.sources.ri.maxBatchCount = 1000

下面再说说上面说到的 positionFile 这个东东，看看它的格式：

[{"inode":408241856,"pos":27550,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/flume.log.COMPLETED"},

{"inode":406278032,"pos":0,"file":"/opt/modules/apache-flume-1.8.0-bi
n/logs/words.txt.COMPLETED"},{"inode":406278035,"pos":0,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/words.txt"},

{"inode":406278036,"pos":34,"file":"/opt/modules/apache
-flume-1.8.0-bin/logs/test.txt"}]

分析：
1、每个文件都是一个json串，由多个json串组成一个类似于数组的东西。
2、每个json包含内容有：
    inode：这个什么意思就自己具体看看文件系统的基本知识吧
    pos：开始监听文件内容的起始偏移量
    file:文件绝对路径名
3、小技巧：
（1）如果监听目录时，某些文件已存在，那么flume默认是从文件最后作为监听起始点进行监听。当文件内容更新时，flume会获取，然后sink。接着就会更新pos值。所以因为这个特点，就算flume agent突然崩了，下一次启动时，自动从上次崩溃的pos开始监听，而不是从最新的文件末尾开始监听。这样就不会丢失数据了，而且不会重复读取旧数据。
（2）从（1）可知，pos就是实时更新的一个文件内容监听点，如果我们想文件从头开始监听，有时候有需求，需要将监听目录下的文件全部传输一边。这时候很简单，将json文件中的pos改为0就好了。
4、如果没有指定positionFile路径，默认为/USER_HOME/.flume/taildir_position.json

4、常用channel类型

（1）memory--用内存作为暂存空间

常用的属性：
type：需指定为  memory
capacity：存储在channel中event数量的最大值
transactionCapacity：一次传输的event的最大数量 

例子：
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

（2）file--使用磁盘文件作为暂存空间

常用的属性：
type：需指定为  file
checkpointDir:存储checkpoint文件的目录
dataDirs：存储数据的目录

例子：
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
a1.channels.c1.dataDirs = /mnt/flume/data

（3）SPILLABLEMEMORY--文件+内存作为暂存空间

这个类型是将内存+文件作为channel，当容量空间超过内存时就写到文件中

常用的属性：
type:指定为 SPILLABLEMEMORY
memoryCapacity：使用内存存储的event的最大数量
overflowCapacity：存储到文件event的最大数量
byteCapacity：使用内存存储的event的最大容量，单位是 bytes
checkpointDir：存储checkpoint文件的目录
dataDirs：存储数据的目录

例子：
a1.channels.c1.type = SPILLABLEMEMORY
a1.channels.c1.memoryCapacity = 10000
a1.channels.c1.overflowCapacity = 1000000
a1.channels.c1.byteCapacity = 800000
a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
a1.channels.c1.dataDirs = /mnt/flume/data

（4）kafka--作为channel

生产环境中，flume+kafka也是常用的技术栈，但是一般是将kafka作为sink目标

常用属性：
type：设置为 org.apache.flume.channel.kafka.KafkaChannel
bootstrap.servers：kafka集群的服务器， ip:port,ip2:port,....
topic：kafka中的topic
consumer.group.id：消费者的groupid

例子：
a1.channels.channel1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.channel1.kafka.bootstrap.servers = kafka-1:9092,kafka-2:9092,kafka-3:9092
a1.channels.channel1.kafka.topic = channel1
a1.channels.channel1.kafka.consumer.group.id = flume-consumer

5、常用sink类型

（1）logger--直接作为log信息输出

常用属性：
type：logger

例子：
a1.sinks.k1.type = logger

这个类型比较简单，一般用于调试时使用

（2）avro--串联flume的中间格式

这个类型主要就是用来给下一个flume作为输入的格式，是字节流的方式，而且是序列化的序列。

常用属性：
type：avro
hostname：输出目标的主机名或者ip，可以任意主机，不局限于本机
ip：输出到的端口

例子：
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = 10.10.10.10
a1.sinks.k1.port = 4545

（3）hdfs--直接写入到hdfs

常用属性：
type：hdfs
hdfs.path:存储路径 , hdfs://namenode:port/PATH
hdfs.filePrefix：上传的文件的前缀（额外加上的）
hdfs.round：是否按时间滚动文件夹
hdfs.roundValue：滚动的时间值
hdfs.roundUnit：滚动的时间的单位
hdfs.userLocalTimeStamp：是否使用本地时间戳，true还是false
hdfs.batchSize：积攒多少个event才flush到hdfs 一次
hdfs.fileType：文件类型，DataStream（普通文件），SequenceFile（二进制格式，默认），CompressedStream（压缩格式）
hdfs.rollInterval：多久生成一个新的文件，单位是秒
hdfs.rollSize：文件滚动大小，单位是 bytes
hdfs.rollCount：文件滚动是否与event数量有关，true 还是false
hdfs.minBlockReplicas：最小副本数

例子：
#指定sink的类型为存储在hdfs中
a2.sinks.k2.type = hdfs
# 路径命名为按小时
a2.sinks.k2.hdfs.path = hdfs://bigdata121:9000/flume/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = king-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 1000
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件,单位是秒
a2.sinks.k2.hdfs.rollInterval = 600
#设置每个文件的滚动大小,单位是bytes
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
#最小副本数
a2.sinks.k2.hdfs.minBlockReplicas = 1

（4）file_roll--存储到本地文件系统

常用属性：
type：file_roll
sink.directory:存储路径

例子：
a1.sinks.k1.type = file_roll
a1.sinks.k1.sink.directory = /var/log/flum

（5）kafka--存储到kafka集群中

常用属性：
tpye:org.apache.flume.sink.kafka.KafkaSink
kafka.topic：kafka话题名
kafka.bootstrap.servers：集群服务器列表，以逗号分隔
kafka.flumeBatchSize：刷写到kafka的event数量
kafka.producer.acks：接收到时返回ack信息时，写入的最少的副本数
kafka.producer.compression.type：压缩类型

例子：
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.topic = mytopic
a1.sinks.k1.kafka.bootstrap.servers = localhost:9092
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.compression.type = snappy

6、拦截器interceptors 常用类型

拦截器interceptors并不是必须的，它是工作在source和channel之间的一个组件，用于过滤source来的数据，并输出到channel。
使用格式：

先指定拦截器的名字，然后对每个拦截器进行工作属性配置
.sources..interceptors = 
.sources..interceptors.. = xxxx

（1）timestamp时间戳拦截器

在event 的header中添加一个字段，用于标明时间戳如：headers:{timestamp:111111}。

常用属性：
type：timestamp
headerName：在header中的key名字，默认是 timestamp

例子：
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = timestamp

（2）host主机名拦截器

在event 的header中添加一个字段，用于标明host戳，如：headers:{host:bigdata121}。

常用属性：
type：host
hostHeader：在header中的key名字，默认是 host
useIP:用ip还是主机名

例子：
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = host

（3）UUID拦截器

在event 的header中添加一个字段，用于标明uuid如：headers:{id:111111}。

常用属性：
type：org.apache.flume.sink.solr.morphline.UUIDInterceptor$Builder
headName：在header中的key名字，默认是 id
prefix:给每个UUID添加前缀

（4）search_replace查询替换

使用正则匹配，然后替换指定字符

常用属性：
type：search_replace
searchPattern：匹配的正则
replaceString：替换的字符串
charset：字符集，默认UTF-8

例子：删除特定字符开头的字符串
a1.sources.avroSrc.interceptors = search-replace
a1.sources.avroSrc.interceptors.search-replace.type = search_replace
a1.sources.avroSrc.interceptors.search-replace.searchPattern = ^[A-Za-z0-9_]+
a1.sources.avroSrc.interceptors.search-replace.replaceString =

（5）regex_filter正则过滤

正则匹配，匹配到的丢弃或者留下

常用属性：
type:regex_filter
regex:正则
excludeEvents：true为过滤掉匹配的，false为留下匹配的

例子：
a1.sources.r1.interceptors.i1.type = regex_filter
a1.sources.r1.interceptors.i1.regex = ^A.*
#如果excludeEvents设为false,表示过滤掉不是以A开头的events。如果excludeEvents设为true，则表示过滤掉以A开头的events。
a1.sources.r1.interceptors.i1.excludeEvents = true

（6） regex_extractor正则抽取

这里其实是利用正则的分组匹配来获取多个匹配组，然后将每个组的匹配值存储到header中，key可以自定义。

a1.sources.r1.type = exec
a1.sources.r1.channels = c1
a1.sources.r1.command = tail -F /opt/Andy
a1.sources.r1.interceptors = i1
# 指定类型为 regex_extractor
a1.sources.r1.interceptors.i1.type = regex_extractor
# 分组匹配的正则
a1.sources.r1.interceptors.i1.regex = hostname is (.*?) ip is (.*)
# 两个分组各自的key别名
a1.sources.r1.interceptors.i1.serializers = s1 s2
# 分别设置key的名字
a1.sources.r1.interceptors.i1.serializers.s1.name = cookieid
a1.sources.r1.interceptors.i1.serializers.s2.name = ip

（7）自定义拦截器

继承接口 org.apache.flume.interceptor.Interceptor，实现里面的特定方法，如：

import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;

import java.util.ArrayList;
import java.util.List;

public class MyInterceptor implements Interceptor {
    @Override
    public void initialize() {
    }

    @Override
    public void close() {
    }

    /**
     * 拦截source发送到通道channel中的消息
     * 处理单个event
     * @param event 接收过滤的event
     * @return event    根据业务处理后的event
     */
    @Override
    public Event intercept(Event event) {
        // 获取事件对象中的字节数据
        byte[] arr = event.getBody();
        // 将获取的数据转换成大写
        event.setBody(new String(arr).toUpperCase().getBytes());
        // 返回到消息中
        return event;
    }

    // 处理event集合
    @Override
    public List intercept(List events) {
        List list = new ArrayList<>();
        for (Event event : events) {
            list.add(intercept(event));
        }
        return list;
    }

    //用来返回拦截器对象
    public static class Builder implements Interceptor.Builder {
        // 获取配置文件的属性
        @Override
        public Interceptor build() {
            return new MyInterceptor();
        }

        @Override
        public void configure(Context context) {

        }
    }

pom.xml依赖


        
        
            org.apache.flume
            flume-ng-core
            1.8.0

在 agent的配置文件中指定拦截器

a1.sources.r1.interceptors = i1
#全类名$Builder
a1.sources.r1.interceptors.i1.type = ToUpCase.MyInterceptor$Builder

运行命令：

bin/flume-ng agent -c conf/ -n a1 -f jar/ToUpCase.conf -C jar/Flume_Andy-1.0-SNAPSHOT.jar -Dflume.root.logger=DEBUG,console

-C 指定额外的jar包的路径，就是我们自己写的拦截器的jar包

也可以将jar包放到flume程序目录的lib目录下

三、flume案例

1、读取文件到hdfs

# 1.定义agent的名字a2.以及定义这个agent中的source，sink，channel的名字
a2.sources = r2
a2.sinks = k2
a2.channels = c2

#2.定义Source,定义数据来源
# 定义source类型是exec，执行命令的方式
a2.sources.r2.type = exec
# 命令
a2.sources.r2.command = tail -F /tmp/access.log
# 使用的shell
a2.sources.r2.shell = /bin/bash -c

#3.定义sink
#指定sink的类型为存储在hdfs中
a2.sinks.k2.type = hdfs
# 路径命名为按小时
a2.sinks.k2.hdfs.path = hdfs://bigdata121:9000/flume/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = king-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 1000
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件,单位是秒
a2.sinks.k2.hdfs.rollInterval = 600
#设置每个文件的滚动大小,单位是bytes
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
#最小副本数
a2.sinks.k2.hdfs.minBlockReplicas = 1

# 4.定义Channel,类型、容量限制、传输容量限制 
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100

# 5.链接,通过channel将source和sink连接起来
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2

启动flume-agent：

/opt/module/flume1.8.0/bin/flume-ng agent \
--conf /opt/module/flume1.8.0/conf/ \   flume配置目录
--name a2 \                             agent名字
--conf-file /opt/module/flume1.8.0/jobconf/flume-hdfs.conf  agent配置
-Dflume.root.logger=INFO,console          打印日志到终端

2、多flume联合，一对多

flume1：输出到flume2和flume3
flume2：输出到本地文件
flume3：输出到hdfs

flume1.conf

# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2
# 将数据流复制给多个channel。启动复制模式
a1.sources.r1.selector.type = replicating

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/test
a1.sources.r1.shell = /bin/bash -c

# 这是k1 sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = bigdata111
a1.sinks.k1.port = 4141

# 这是k2 sink
a1.sinks.k2.type = avro
a1.sinks.k2.hostname = bigdata111
a1.sinks.k2.port = 4142

# Describe the channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100

# 给source接入连接两个channel.每个channel对应一个sink
a1.sources.r1.channels = c1 c2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2

flume2.conf

# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1

# Describe/configure the source
a2.sources.r1.type = avro
a2.sources.r1.bind = bigdata111
a2.sources.r1.port = 4141

# Describe the sink
a2.sinks.k1.type = hdfs
a2.sinks.k1.hdfs.path = hdfs://bigdata111:9000/flume2/%H
#上传文件的前缀
a2.sinks.k1.hdfs.filePrefix = flume2-
#是否按照时间滚动文件夹
a2.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a2.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k1.hdfs.rollCount = 0
#最小副本数
a2.sinks.k1.hdfs.minBlockReplicas = 1

# Describe the channel
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1

flume3.conf

# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c1

# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = bigdata111
a3.sources.r1.port = 4142

# Describe the sink
a3.sinks.k1.type = file_roll
#备注：此处的文件夹需要先创建好
a3.sinks.k1.sink.directory = /opt/flume3

# Describe the channel
a3.channels.c1.type = memory
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1

启动时，先启动flume2和flume3，最后启动flume1。启动命令不重复了。

3、多flume联合，多对一

多台server产生的日志，需要各自监控，然后汇总起来存储，这种场景很多。
flume1（监听文件）和flume2（监听端口）各自收集数据，然后分别sink到flume3，flume3负责汇总写入hdfs
flume1.conf

# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/Andy
a1.sources.r1.shell = /bin/bash -c

# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = bigdata111
a1.sinks.k1.port = 4141

# Describe the channel
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

flume2.conf

# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1

# Describe/configure the source
a2.sources.r1.type = netcat
a2.sources.r1.bind = bigdata111
a2.sources.r1.port = 44444

# Describe the sink
a2.sinks.k1.type = avro
a2.sinks.k1.hostname = bigdata111
a2.sinks.k1.port = 4141

# Use a channel which buffers events in memory
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1

flume3.conf

# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c1

# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = bigdata111
a3.sources.r1.port = 4141

# Describe the sink
a3.sinks.k1.type = hdfs
a3.sinks.k1.hdfs.path = hdfs://bigdata111:9000/flume3/%H
#上传文件的前缀
a3.sinks.k1.hdfs.filePrefix = flume3-
#是否按照时间滚动文件夹
a3.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a3.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a3.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a3.sinks.k1.hdfs.rollCount = 0
#最小冗余数
a3.sinks.k1.hdfs.minBlockReplicas = 1

# Describe the channel
a3.channels.c1.type = memory
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1

启动时先启动flume3，然后启动flume1和flume2

$ bin/flume-ng agent --conf conf/ --name a3 --conf-file jobconf/flume3.conf
$ bin/flume-ng agent --conf conf/ --name a2 --conf-file jobconf/flume2.conf
$ bin/flume-ng agent --conf conf/ --name a1 --conf-file jobconf/flume1.conf

测试可以通过 telnet bigdata111 44444 端口来发送数据
可以在/opt/Andy文件中追加数据

当前标题：一、Flume--数据采集器基本原理和使用
本文路径：http://scyanting.com/article/jjhjie.html

一、Flume--数据采集器基本原理和使用

一、概述

1、flume是什么

2、flume的基本架构

（1）source

（2）channel

（3）sink

（4）event

3、flume传输过程

二、flume的使用

1、flume部署

2、agent定义流程

3、常用source的类型

（1）netcat--从tcp端口获取数据

（2）exec--执行命令输出作为数据源

（3）spooldir--监控目录内容

（4）avro--flume之间串联的中间格式

（5）TAILDIR--监控文件或者目录内容变化（1.7以及之后才有）

4、常用channel类型

（1）memory--用内存作为暂存空间

（2）file--使用磁盘文件作为暂存空间

（3）SPILLABLEMEMORY--文件+内存作为暂存空间

（4）kafka--作为channel

5、常用sink类型

（1）logger--直接作为log信息输出

（2）avro--串联flume的中间格式

（3）hdfs--直接写入到hdfs

（4）file_roll--存储到本地文件系统

（5）kafka--存储到kafka集群中

6、拦截器interceptors 常用类型

（1）timestamp时间戳拦截器

（2）host主机名拦截器

（3）UUID拦截器

（4）search_replace查询替换

（5）regex_filter正则过滤

（6） regex_extractor正则抽取

（7）自定义拦截器

三、flume案例

1、读取文件到hdfs

2、多flume联合，一对多

3、多flume联合，多对一

其他资讯