Flume理论

Flume定义

1.Flume是什么？

• 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

分布式的海量日志采集、聚合和传输的系统
分布式的海量日志采集、聚合和传输的系统
分布式的海量日志采集、聚合和传输的系统

日志日志日志！！！重要的事情说三遍

2.定义

• Flume基于流式架构，灵活简单
• 适用于实时推送事件，尤其是在数据流是持续的且量级很大的情况

Flume组成架构

1.简单架构图

2.详细架构图

3.讲解

• Agent

Agent是一个JVM进程
	以事件的形式将数据从源头送至目的，是Flume数据传输的基本单元
3个部分组成：Source、Channel、Sink

• Source

Source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
		日志数据！！！！！
	包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy

• Channel

Channel是位于Source和Sink之间的缓冲区
	类似于生产者消费者模式，方式写数据过快而读数据过慢
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
	1.Memory Channel
		基于内存，关机或重启或程序死亡，机器宕机等情况会导致数据丢失
		在不需要关心数据丢失的情景下适用
	2.File Channel
		基于磁盘，以上情况都不会导致数据丢失，但大量的IO也是系统的瓶颈

• 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是完全事务性的
	在从Channel批量删除数据之前，每个Sink用Channel启动一个事务
	批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务
	事务一旦被提交，该Channel从自己的内部缓冲区删除事件
Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定义
常用Sink
	1.Logger Sink：记录INFO级别的日志，一般用于调试
	2.File Roll Sink：在本地文件系统中存储事件，每隔指定时长生成文件保存这段事件内收集到的日志信息
	3.Avro Sink：实现多级流，扇出流(1对多)扇入流(多对1)的基础，实现多个flume节点的连接
		若要实现扇出，需要配置多个channel与sink，如果只配置一个channel，会被多个sink互斥消耗掉
		Hadoop创始人Doug Cutting创建的一种语言无关的数据序列化和RPC框架
		RPC（Remote Procedure Call）—远程过程调用，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议
	4.HDFS Sink

• Event

传输单元，Flume数据传输的基本单元
以事件的形式将数据从源头送至目的地

Agent内部原理

1.图解

2.Channel选择器有两种类型

• Replicating Channel Selector(默认)：将source发过来的event发往所有Channel
• Multiplexing Channel Selector：可配置source发过来的event发往哪些Channel

Flume拓扑图

1.Flume Agent连接

2.单source，多channel、sink

3. Flume Agent聚合

4.Flume负载均衡