大数据之Flume数据采集框架

╰半橙微兮° 2022-12-25 10:59 239阅读 0赞

### 目录 ###

*   *  一、Flume概述
     *   *  1.1 Flume定义
         *  1.2 Flume基础架构
     *  二、相关原理
     *   *  2.1 Flume事务
         *  2.2 Flume Agent内部原理
         *  2.3 Flume拓扑结构
         *   *  2.3.1 简单串联
             *  2.3.2 复制和多路复用
             *  2.3.3 负载均衡和故障转移
             *  2.3.4 聚合

## 一、Flume概述 ##

### 1.1 Flume定义 ###

> 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。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70]

> Flume最主要的作用就是，**实时读取服务器本地磁盘数据，将数据写入到HDFS**，也可以将数据传送给Kafuka、spark等框架进行数据分析处理。

### 1.2 Flume基础架构 ###

Flume组成架构如下图所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 1]

**1.2.1 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，启动flume采集数据的时候启动的就是agent进程。  
> Agent主要有3个部分组成，**Source、Channel、Sink**。

**1.2.2 Source**

> 定义**从哪里采集数据**：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。

**1.2.3 Sink**

> 定义**数据保存到哪里**：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。

**1.2.4 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。

**1.2.5 Event**

> 传输单元，Flume数据传输的基本单元，source采集数据之后会封装成Event，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。  
> ![在这里插入图片描述][20201201171529540.png]

## 二、相关原理 ##

### 2.1 Flume事务 ###

> flume的source采集数据之后，如果不做控制，在source->channel以及channel->sink这中间是有可能出现数据丢失的。所以需要用事务进行控制  
> flume的事务分为两种: source->channel的**put事务**,channel->sink的**take事务**  
> ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 2]

**Put事务流程：**

1.  Source采集一个批次的数据
2.  通过doPut方法将批次的数据放入putList\[putList的大小=事务容量大小\]中
3.  putList有容量限制不能无限存放数据，所以当putList满了之后会将putList里面的所有数据通过doCommit保存到channel里面
4.  如果channel中空间不足，此时会保存失败，失败的时候事务会回滚\[会清空putList里面的所有数据，然后抛出异常,source捕获到异常之后会重新采集\]

**Take事务流程：**

1.  sink从channel中拉取一个批次的数据【拉取的是数据的引用】
2.  通过doTake方法将批次的数据写入takeList\[takeList的大小=事务容量大小\]里面
3.  通过doCommit方法将takeList里面的数据写入存储介质
4.  如果写入报错，此时会回滚\[清空takeList里面的数据\]，如果写入成功,清空takeList里面的数据,同时也会清除channel里面的已经写入成功数据

> 注意：**一个批次采集数据量batchSize <= channel的事务容量transactionCapacity <= channel的容量capacity**

### 2.2 Flume Agent内部原理 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 3]  
流程：

Source->
    	Channel processor->
    	    			拦截器->
    						通过channel selector确定数据应该发到哪个channel里面->
    		     					channel->
    									通过sink processor确定数据应该发到哪个sink里面->
    										sink

> 重要组件：  
> 1）Channel Selector  
> ChannelSelector的作用就是选出Event将要被发往哪个Channel。其共有两种类型，分别是**Replicating**（复制）和**Multiplexing**（多路复用）。
> 
>  *  Replicating Channel Selector: 将Source中的每个数据都向所有的channel都发送一份
>  *  Multiplexing Channel Selector: 将source中的数据指定发到哪个或者那几个channel中

> 2）Sink Processor  
> SinkProcessor共有三种类型，分别是**DefaultSinkProcessor**、**LoadBalancingSinkProcessor**和**FailoverSinkProcessor**  
> DefaultSinkProcessor对应的是单个的Sink，LoadBalancingSinkProcessor和FailoverSinkProcessor对应的是Sink Group，LoadBalancingSinkProcessor可以实现负载均衡的功能，FailoverSinkProcessor可以错误恢复的功能。  
> 一个channel对应一个sink的时候使用  
> 1、Default Sink Processor:  
> 一个channel对应一个sinkd的时候使用  
> 2、Failover Sink Processor: 故障转移,channel中的数据首先向某一个sink写入,直到该sink宕机才会想第二个sink写入  
> 3、Load balancing Sink Processor: 负载均衡, 数据均衡的写入不同的sink

### 2.3 Flume拓扑结构 ###

#### 2.3.1 简单串联 ####

![在这里插入图片描述][202012011814474.png]

图 Flume Agent连接

> 这种模式是将多个flume顺序连接起来了，从最初的source开始到最终sink传送的目的存储系统。此模式不建议桥接过多的flume数量， flume数量过多不仅会影响传输速率，而且一旦传输过程中某个节点flume宕机，会影响整个传输系统。

#### 2.3.2 复制和多路复用 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 4]

图 单source，多channel、sink

> Flume支持将事件流向一个或者多个目的地。这种模式可以将相同数据复制到多个channel中，或者将不同数据分发到不同的channel中，sink可以选择传送到不同的目的地。

#### 2.3.3 负载均衡和故障转移 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 5]

图 Flume负载均衡或故障转移

> Flume支持使用将多个sink逻辑上分到一个sink组，sink组配合不同的SinkProcessor可以实现负载均衡和错误恢复的功能。

#### 2.3.4 聚合 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 6]

图 Flume Agent聚合

> 这种模式是我们最常见的，也非常实用，日常web应用通常分布在上百个服务器，大者甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用flume的这种组合方式能很好的解决这一问题，每台服务器部署一个flume采集日志，传送到一个集中收集日志的flume，再由此flume上传到hdfs、hive、hbase等，进行日志分析。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70]: /images/20221120/b9eb227e50aa45e5ba6283aecaeaaf09.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 1]: /images/20221120/446f3a710d5c42349c7bd0165e48a1e5.png
[20201201171529540.png]: /images/20221120/f71edafd09b9448ab554896c9cc3fcd6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 2]: /images/20221120/3ba5837712734e3eae205553134e2b7a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 3]: /images/20221120/5b293521b8a049d591baf81aa271da2a.png
[202012011814474.png]: /images/20221120/dcae6f9d96484c89ba6c0d3c22a9e52b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 4]: /images/20221120/deb016bdd8ad48a0a81bf1c3c9e01812.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 5]: /images/20221120/78668749063943f4bdf9d0c69557b48c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 6]: /images/20221120/99db20bf553748c1b33285470bc54689.png