1 需求分析

WebServer/ApplicationServer分散在各个机器上，然而我们依旧想在Hadoop平台上进行统计分析，如何将日志收集到Hadoop平台呢？

• 简单的这样吗？

shell cp hadoop集群的机器上；
hadoop fs -put ... /

显然该法面临着容错、负载均衡、高延迟、数据压缩等一系列问题

这显然已经无法满足需求了！

不如问问神奇的Flume呢？？？

只需要配置文件，轻松解决以上问题！

2 Flume概述

2.1 官网

• Flume是一种分布式，可靠且可用的服务，用于有效地收集，聚合和移动大量日志数据。
• 它具有基于流式数据流的简单灵活的架构。

• 它具有可靠的可靠性机制和许多故障转移和恢复机制，具有强大的容错性。
• 它使用简单的可扩展数据模型，允许在线分析应用程序。

2.2 设计目标

可靠性

当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不会进行确认）。

扩展性

Flume采用了三层架构，分别为agent，collector和storage，每一层均可以水平扩展。

其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题。

管理性

所有agent和colletor由master统一管理，这使得系统便于维护。多master情况，Flume利用ZooKeeper和gossip，保证动态配置数据的一致性。用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。Flume提供了web 和shell script command两种形式对数据流进行管理。

功能可扩展性

用户可以根据需要添加自己的agent，collector或者storage。此外，Flume自带了很多组件，包括各种agent（file， syslog等），collector和storage（file，HDFS等）。

2.3 主流竞品对比

其他的还有比如：

• Logstash: ELK(ElasticsSearch, Logstash, Kibana)
• Chukwa: Yahoo/Apache, 使用Java语言开发, 负载均衡不是很好, 已经不维护了。
• Fluentd: 和Flume类似, Ruby开发。

2.4 发展史

• Cloudera公司提出0.9.2，叫Flume-OG
• 2011年Flume-728编号，重要里程碑(Flume-NG)，贡献给Apache社区
• 2012年7月 1.0版本
• 2015年5月 1.6版本
• ~ 1.9版本