开发者学堂课程【数据湖 JindoFS + OSS 实操干货36讲：Flume 高效写入 OSS】学习笔记，与课程紧密联系，让用户快速学习知识。
课程地址：https://developer.aliyun.com/learning/course/833/detail/13968
Flume 高效写入 OSS
内容介绍
一.Flume 简介
二.Flume 常用组件
三.Flume 使用 JindoFS SDK
四.Flume 实战 JindoFS SDK
一、Apache Flume 简介
1.Apache Flumepache 是基金会的一个顶级项目,以下简称 Flume。
2.Flume 是一个分布式、可靠、高可用的系统,支持从不同数据源高效地收集、聚合、迁移大量日志数据,
聚合到中心化的数据存储服务。
3.Flume 使用最多的场景是日志收集,也可以通过定制 Source来传输其他不同类型的数据。
4.E -MapReduce-从3.16.0版本开始支持 Apache Flume。
Flume中的概念及术语
一个 Flume AgentSource、 Channel、sink 组成。
Event
数据流通过 Flume Agen t的基本单位。
Event 由一个装载字节数组负载( Payload )和一个可选的字符串属性集合组成。
Source
数据源收集器,从外部数据源收集数据,并发送到 Channel。
Channel
Source 和 sink 之间的缓冲队列
Sink
MChannelEvent 从中获取,并将以事务的形式 commitcommit 到外部存储中。一旦事务成功,该 Event 会从 Channel 中移除。
二、Flume 常用组件
常用组件介绍
常见 Source
1.Avro Source:通过监听 vro 端口 Avro 获取 Client 发送的事件。Avro是 Hadoop提供的一种协议，用于序列化反序列化数据。
2.Exec Source：通过监听命令行输出获取数据,如tail-fvar/log/messages。
3.NetCat TCP Source: 监听指定tcp端口获取数据。类似的还有 Netcat UDP Source
4.Taildir Source :监控目录下的多个文件,会记录偏移量，不会丢失数据，最为常用。
常见 Channel
1.Memory Channel :缓存到内存中,性能高,最为常用。
2.File Channel: 缓存到文件中,会记录 checkpoint 和 data 文件,可靠性高,但性能较差。
3.JDBC Channel 缓存到关系型数据库中
4.Kakfa Channel:通过 Kafka来缓存数据
常见Sink
1.Logger Sink 用于测试
2.Avro Sink 转换成 Avro Event 主要用于连接多个 Flume Agent
3.HDFS Sink 写入 hdF,最为常用
4.Hive sink 写入 hive 表或分区,使用 ive 事务 events 写
5.Kafka sink 写入 Kafka
文档
官方文档:
https://flume. apache org/documentation.html
中文文档:
https: //flume. liyifeng .org/
三、Flume 使用 JindoFS SDK
Flume 使用 JindoFS SDK 写入 OSS
环境要求
在集群上已经部署 Fume,已部署 JindoSDK34以上版本。
为什么需要使用 JindoFS SDK 写入 OS
Fume 通过 flush() 调用保证事务性写入，oss本身不支持 Flush功能,通过JindoFS SDK 写入 OSS，虽然不能让 fush 后的数据立刻可见，但是可以保证 flush 后的数据不丢失，Flume 作业失败后,可以使用 JindoFS 命令恢复 flush 过的数据。
配置示例
xoox.sinks. oss sink hdfs path oss:/{your bucket}/flume dir/%Y-m-d/%H
xoox sinks. oss sink hdfs batchSize=100000
xoox sinks.oss sink hdfs. round =true
xoo.sinks. oss sink hdfs. roundValue= 15
xox sinks. oss sink hdfs. Unit =minute
xoox.sinks. oss_sinkhdfs. filePrefix= your_topic
xoox sinks. oss sink rollSize =3600
xox.sinks. oss sink threadsPoolSize=30
文档链接
https://github.com/aliyun/alibabacloud-jindofs/blob/master/docs/flume/jindofs_sdk_on_flume_for oss.md
在EMR集群内对Fush文件恢复
jindo ifs-recover [-R]
[-flushStagingPath (flushStagingPath)]
-accessKeyld$(accessKeyld)]
-accessKeySecret $(accessKeySecret]]
注:如需递归恢复(-R)，建议先停止 Flume 任务，避免 Fume 任务运行异常。
在 EMR 集群外对 Fush 文件恢复
JindoOssFileSystem jindoFileSystem =(JindoOssFileSystem)fs;
boolean isFolder= true:
jindoFileSystem. recover(path, isFolder)
文档链接
https://github.com/aliyun/alibabacloud-jindofs/blob/master/docs/flume/ jindofs_sdk_on_flume_for oss.md
四、Flume 实战 JindoFS SDK
自建 Flume 使用 JindoFS SDK 压缩写入 OSS
环境准备
Hadoop-2.8.5
配置 JindoFS SDK
https://github.com/aliyun/alibabacloud-indofs/blob/master/docs/ jindofs _sdk _how_ to _hadoop. md
下载 Flume
flume-1.9.0: wget https://downloads apache. or/fiume/1.9.0/apache-flume-1.9.0-bin.tar.
添加必要的依赖库
cd $SHADOOP_HOME/share/hadoop/httpfs/tor_home/share/hadoop/ttpfs/tomcat/webapps/webhdfs/web-inf/lib
cp commons-configuration-1.6.jar $FLUME_HOME/lib
cp hadoop-auth-2.8.5. jar SFLUME_HOME/lib
cp hadoop-common-2.8.5. jar SFLUME_HOME/lib
cp hadoop-hdfs-2.8.5.jar SFLUME_HOME/
cp commons-io-2.4. jar SFLUME_HOME/ib
cp htrace-core4-4,0.1-incubating. jar SFLUME_HOME/lib
