Hadoop業(yè)務(wù)的整體開發(fā)流程：

從Hadoop的業(yè)務(wù)開發(fā)流程圖中可以看出，在大數(shù)據(jù)的業(yè)務(wù)處理過程中，對于數(shù)據(jù)的采集是十分重要的一步，也是不可避免的一步，從而引出我們本文的主角—Flume。本文將圍繞Flume的架構(gòu)、Flume的應用(日志采集)進行詳細的介紹。

Flume架構(gòu)介紹

1、Flume的概念

flume是分布式的日志收集系統(tǒng)，它將各個服務(wù)器中的數(shù)據(jù)收集起來并送到指定的地方去，比如說送到圖中的HDFS，簡單來說flume就是收集日志的。

2、Event的概念

在這里有必要先介紹一下flume中event的相關(guān)概念：flume的核心是把數(shù)據(jù)從數(shù)據(jù)源(source)收集過來，在將收集到的數(shù)據(jù)送到指定的目的地(sink)。為了保證輸送的過程一定成功，在送到目的地(sink)之前，會先緩存數(shù)據(jù)(channel),待數(shù)據(jù)真正到達目的地(sink)后，flume在刪除自己緩存的數(shù)據(jù)。 在整個數(shù)據(jù)的傳輸?shù)倪^程中，流動的是event，即事務(wù)保證是在event級別進行的。那么什么是event呢？—–event將傳輸?shù)臄?shù)據(jù)進行封裝，是flume傳輸數(shù)據(jù)的基本單位，如果是文本文件，通常是一行記錄，event也是事務(wù)的基本單位。event從source，流向channel，再到sink，本身為一個字節(jié)數(shù)組，并可攜帶headers(頭信息)信息。event代表著一個數(shù)據(jù)的最小完整單元，從外部數(shù)據(jù)源來，向外部的目的地去。

3、flume架構(gòu)介紹

flume之所以這么神奇，是源于它自身的一個設(shè)計，這個設(shè)計就是agent，agent本身是一個Java進程，運行在日志收集節(jié)點—所謂日志收集節(jié)點就是服務(wù)器節(jié)點。

agent里面包含3個核心的組件：source—->channel—–>sink,類似生產(chǎn)者、倉庫、消費者的架構(gòu)。

source：source組件是專門用來收集數(shù)據(jù)的，可以處理各種類型、各種格式的日志數(shù)據(jù),包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、自定義。

channel：source組件把數(shù)據(jù)收集來以后，臨時存放在channel中，即channel組件在agent中是專門用來存放臨時數(shù)據(jù)的——對采集到的數(shù)據(jù)進行簡單的緩存，可以存放在memory、jdbc、file等等。

sink：sink組件是用于把數(shù)據(jù)發(fā)送到目的地的組件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、Hbase、solr、自定義。

4、flume的運行機制

flume的核心就是一個agent，這個agent對外有兩個進行交互的地方，一個是接受數(shù)據(jù)的輸入——source，一個是數(shù)據(jù)的輸出sink，sink負責將數(shù)據(jù)發(fā)送到外部指定的目的地。source接收到數(shù)據(jù)之后，將數(shù)據(jù)發(fā)送給channel，chanel作為一個數(shù)據(jù)緩沖區(qū)會臨時存放這些數(shù)據(jù)，隨后sink會將channel中的數(shù)據(jù)發(fā)送到指定的地方—-例如HDFS等，注意：只有在sink將channel中的數(shù)據(jù)成功發(fā)送出去之后，channel才會將臨時數(shù)據(jù)進行刪除，這種機制保證了數(shù)據(jù)傳輸?shù)目煽啃耘c安全性。

5、flume的廣義用法

flume之所以這么神奇—-其原因也在于flume可以支持多級flume的agent，即flume可以前后相繼，例如sink可以將數(shù)據(jù)寫到下一個agent的source中，這樣的話就可以連成串了，可以整體處理了。flume還支持扇入(fan-in)、扇出(fan-out)。所謂扇入就是source可以接受多個輸入，所謂扇出就是sink可以將數(shù)據(jù)輸出多個目的地destination中。

flume應用—日志采集

對于flume的原理其實很容易理解，我們更應該掌握flume的具體使用方法，flume提供了大量內(nèi)置的Source、Channel和Sink類型。而且不同類型的Source、Channel和Sink可以自由組合—–組合方式基于用戶設(shè)置的配置文件，非常靈活。比如：Channel可以把事件暫存在內(nèi)存里，也可以持久化到本地硬盤上。Sink可以把日志寫入HDFS, HBase，甚至是另外一個Source等等。下面我將用具體的案例詳述flume的具體用法。

其實flume的用法很簡單—-書寫一個配置文件，在配置文件當中描述source、channel與sink的具體實現(xiàn)，而后運行一個agent實例，在運行agent實例的過程中會讀取配置文件的內(nèi)容，這樣flume就會采集到數(shù)據(jù)。