1、Flume概述
1.1 Flume定义
Flume是Cloudera提供的一个高可用，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume基于流式结构，灵活简单。
Flume最主要的作用就是实时读取服务器本地磁盘的数据，将数据写入到HDFS。
1.2 Flume基础架构
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。
Agent主要有三个部分组成，Source、Channel、Sink。
1.2.2 Source
Source是负责接受数据到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
Sink不断轮询Channel中的事件并且批量地移除它们，并将这些事件批量写入到储存或索引系统、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将所有事件都写到磁盘。因为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，以Event的形式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。
2、Flume入门
2.1 Flume安装部署
2.1.1 安装地址
1、Flume 官网地址：http://flume.apache.org/
2、文档查看地址：http://flume.apache.org/FlumeUserGuide.html
3、下载地址：http://archive.apache.org/dist/flume/
2.1.2 安装部署
1、将 apache-flume-1.9.0-bin.tar.gz 上传到 linux 的/opt/software 目录下
2、解压 apache-flume-1.9.0-bin.tar.gz 到/opt/module/目录下
tar -zxf /opt/software/apacheflume-1.9.0-bin.tar.gz -C /opt/module/
3、修改 apache-flume-1.9.0-bin 的名称为 flume-1.9.0
mv /opt/module/apache-flume-1.9.0-bin /opt/module/flume-1.9.0
4、将 lib 文件夹下的 guava-11.0.2.jar 删除以兼容 Hadoop 3.1.3
2.2 Flume入门案例
2.2.1 监控端口数据
1、案例需求
使用 Flume 监听一个端口，收集该端口数据，并打印到控制台。
2、需求分析
3、案例实现
1、安装netcat工具
sudo yum install -y nc
2、判断44444端口是否被占用
sudo netstat -nlp | grep 44444
3、在 flume 目录下创建 job 文件夹并进入 job 文件夹。
4、在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf。
5、在 flume-netcat-logger.conf 文件中添加如下内容。
添加内容如下： # Name the components on this agent a1.sources = r1 a1.sinks = k1 a1.channels = c1 # Describe/configure the source a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444 # Describe the sink a1.sinks.k1.type = logger # Use a channel which buffers events in memory 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
配置文件解析
6、先开启Flume监听端口
第一种写法：
bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
第二种写法：
bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console
参数说明：
--conf/-c：表示配置文件储存在conf/目录下 --name/-n：表示给agent取名为a1 --conf-file/-f：flume本次启动读取的配置文件是在job文件夹下的flume-netcat-logger.conf文件 -Dflume.root.logger=INFO,console:-D表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括log、info、warn、error。
7、使用netcat根据向本级的44444端口发送内容
8、在flume监听页面观察接收数据情况
2.2.2 实时监控单个追加文件
1、案例需求：实时监控Hive日志文件，并且上传到HDFS
2、需求分析：
3、案例实现：
（1）Flume 要想将数据输出到 HDFS，依赖 Hadoop 相关 jar 包
检查/etc/profile.d/my_env.sh 文件，确认 Hadoop 和 Java 环境变量配置正确
（2）创建 flume-file-hdfs.conf 文件
# Name the components on this agent a2.sources = r2 a2.sinks = k2 a2.channels = c2 # Describe/configure the source a2.sources.r2.type = exec a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log # Describe the sink a2.sinks.k2.type = hdfs a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H #上传文件的前缀 a2.sinks.k2.hdfs.filePrefix = logs- #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 = 100 #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 a2.sinks.k2.hdfs.rollInterval = 60 #设置每个文件的滚动大小 a2.sinks.k2.hdfs.rollSize = 134217700 #文件的滚动与 Event 数量无关 a2.sinks.k2.hdfs.rollCount = 0 # Use a channel which buffers events in memory a2.channels.c2.type = memory a2.channels.c2.capacity = 1000 a2.channels.c2.transactionCapacity = 100 # Bind the source and sink to the channel a2.sources.r2.channels = c2 a2.sinks.k2.channel = c2
注：（1）要想读取 Linux 系统中的文件，就得按照 Linux 命令的规则执行命令。由于 Hive
日志在 Linux 系统中所以读取文件的类型选择：exec 即 execute 执行的意思。表示执行
Linux 命令来读取文件。
（2）对于所有与时间相关的转义序列，Event Header 中必须存在以 “timestamp”的
key（除非 hdfs.useLocalTimeStamp 设置为 true，此方法会使用 TimestampInterceptor 自
动添加 timestamp）。
参数分析：
注意：a2.sinks.k2.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
这个参数的填写中主机名和端口号要写NameNode主机名和内部通信的端口号
（3）运行flume
bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf
（4）开启 Hadoop 和 Hive 并操作 Hive 产生日志
（5）在HDFS上查看文件
