分散式日誌收集系統 —— Flume

  • 2019 年 10 月 3 日
  • 筆記

一、Flume簡介

Apache Flume 是一個分散式，高可用的數據收集系統。它可以從不同的數據源收集數據，經過聚合後發送到存儲系統中，通常用於日誌數據的收集。Flume 分為 NG 和 OG (1.0 之前) 兩個版本，NG 在 OG 的基礎上進行了完全的重構，是目前使用最為廣泛的版本。下面的介紹均以 NG 為基礎。

二、Flume架構和基本概念

下圖為 Flume 的基本架構圖：

2.1 基本架構

外部數據源以特定格式向 Flume 發送 events (事件)，當 source 接收到 events 時，它將其存儲到一個或多個 channel，channe 會一直保存 events 直到它被 sink 所消費。sink 的主要功能從 channel 中讀取 events，並將其存入外部存儲系統或轉發到下一個 source，成功後再從 channel 中移除 events。

2.2 基本概念

1. Event

Evnet 是 Flume NG 數據傳輸的基本單元。類似於 JMS 和消息系統中的消息。一個 Evnet 由標題和正文組成：前者是鍵/值映射，後者是任意位元組數組。

2. Source

數據收集組件，從外部數據源收集數據，並存儲到 Channel 中。

3. Channel

Channel 是源和接收器之間的管道，用於臨時存儲數據。可以是記憶體或持久化的文件系統：

  • Memory Channel : 使用記憶體，優點是速度快，但數據可能會丟失 (如突然宕機)；
  • File Channel : 使用持久化的文件系統，優點是能保證數據不丟失，但是速度慢。

4. Sink

Sink 的主要功能從 Channel 中讀取 Evnet，並將其存入外部存儲系統或將其轉發到下一個 Source，成功後再從 Channel 中移除 Event。

5. Agent

是一個獨立的 (JVM) 進程，包含 Source、 Channel、 Sink 等組件。

2.3 組件種類

Flume 中的每一個組件都提供了豐富的類型，適用於不同場景：

  • Source 類型 ：內置了幾十種類型，如 Avro Source，Thrift Source，Kafka Source，JMS Source；

  • Sink 類型 ：HDFS Sink，Hive Sink，HBaseSinks，Avro Sink 等；

  • Channel 類型 ：Memory Channel，JDBC Channel，Kafka Channel，File Channel 等。

對於 Flume 的使用，除非有特別的需求，否則通過組合內置的各種類型的 Source，Sink 和 Channel 就能滿足大多數的需求。在 Flume 官網 上對所有類型組件的配置參數均以表格的方式做了詳盡的介紹，並附有配置樣例；同時不同版本的參數可能略有所不同，所以使用時建議選取官網對應版本的 User Guide 作為主要參考資料。

三、Flume架構模式

Flume 支援多種架構模式，分別介紹如下

3.1 multi-agent flow

Flume 支援跨越多個 Agent 的數據傳遞，這要求前一個 Agent 的 Sink 和下一個 Agent 的 Source 都必須是 Avro 類型，Sink 指向 Source 所在主機名 (或 IP 地址) 和埠（詳細配置見下文案例三）。

3.2 Consolidation

日誌收集中常常存在大量的客戶端（比如分散式 web 服務），Flume 支援使用多個 Agent 分別收集日誌，然後通過一個或者多個 Agent 聚合後再存儲到文件系統中。

3.3 Multiplexing the flow

Flume 支援從一個 Source 向多個 Channel，也就是向多個 Sink 傳遞事件，這個操作稱之為 Fan Out(扇出)。默認情況下 Fan Out 是向所有的 Channel 複製 Event，即所有 Channel 收到的數據都是相同的。同時 Flume 也支援在 Source 上自定義一個復用選擇器 (multiplexing selector) 來實現自定義的路由規則。

四、Flume配置格式

Flume 配置通常需要以下兩個步驟：

  1. 分別定義好 Agent 的 Sources，Sinks，Channels，然後將 Sources 和 Sinks 與通道進行綁定。需要注意的是一個 Source 可以配置多個 Channel，但一個 Sink 只能配置一個 Channel。基本格式如下：
<Agent>.sources = <Source>  <Agent>.sinks = <Sink>  <Agent>.channels = <Channel1> <Channel2>    # set channel for source  <Agent>.sources.<Source>.channels = <Channel1> <Channel2> ...    # set channel for sink  <Agent>.sinks.<Sink>.channel = <Channel1>
  1. 分別定義 Source，Sink，Channel 的具體屬性。基本格式如下：
  <Agent>.sources.<Source>.<someProperty> = <someValue>    # properties for channels  <Agent>.channel.<Channel>.<someProperty> = <someValue>    # properties for sinks  <Agent>.sources.<Sink>.<someProperty> = <someValue>

五、Flume的安裝部署

為方便大家後期查閱，本倉庫中所有軟體的安裝均單獨成篇，Flume 的安裝見：

Linux 環境下 Flume 的安裝部署

六、Flume使用案例

介紹幾個 Flume 的使用案例：

  • 案例一：使用 Flume 監聽文件內容變動，將新增加的內容輸出到控制台。
  • 案例二：使用 Flume 監聽指定目錄，將目錄下新增加的文件存儲到 HDFS。
  • 案例三：使用 Avro 將本伺服器收集到的日誌數據發送到另外一台伺服器。

6.1 案例一

需求： 監聽文件內容變動，將新增加的內容輸出到控制台。

實現： 主要使用 Exec Source 配合 tail 命令實現。

1. 配置

新建配置文件 exec-memory-logger.properties,其內容如下：

#指定agent的sources,sinks,channels  a1.sources = s1  a1.sinks = k1  a1.channels = c1    #配置sources屬性  a1.sources.s1.type = exec  a1.sources.s1.command = tail -F /tmp/log.txt  a1.sources.s1.shell = /bin/bash -c    #將sources與channels進行綁定  a1.sources.s1.channels = c1    #配置sink  a1.sinks.k1.type = logger    #將sinks與channels進行綁定  a1.sinks.k1.channel = c1    #配置channel類型  a1.channels.c1.type = memory

2. 啟動　

flume-ng agent   --conf conf   --conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/exec-memory-logger.properties   --name a1   -Dflume.root.logger=INFO,console

3. 測試

向文件中追加數據：

控制台的顯示：

6.2 案例二

需求： 監聽指定目錄，將目錄下新增加的文件存儲到 HDFS。

實現：使用 Spooling Directory Source 和 HDFS Sink。

1. 配置

#指定agent的sources,sinks,channels  a1.sources = s1  a1.sinks = k1  a1.channels = c1    #配置sources屬性  a1.sources.s1.type =spooldir  a1.sources.s1.spoolDir =/tmp/logs  a1.sources.s1.basenameHeader = true  a1.sources.s1.basenameHeaderKey = fileName  #將sources與channels進行綁定  a1.sources.s1.channels =c1      #配置sink  a1.sinks.k1.type = hdfs  a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H/  a1.sinks.k1.hdfs.filePrefix = %{fileName}  #生成的文件類型，默認是Sequencefile，可用DataStream，則為普通文本  a1.sinks.k1.hdfs.fileType = DataStream  a1.sinks.k1.hdfs.useLocalTimeStamp = true  #將sinks與channels進行綁定  a1.sinks.k1.channel = c1    #配置channel類型  a1.channels.c1.type = memory

2. 啟動

flume-ng agent   --conf conf   --conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/spooling-memory-hdfs.properties   --name a1 -Dflume.root.logger=INFO,console

3. 測試

拷貝任意文件到監聽目錄下，可以從日誌看到文件上傳到 HDFS 的路徑：

# cp log.txt logs/

查看上傳到 HDFS 上的文件內容與本地是否一致：

# hdfs dfs -cat /flume/events/19-04-09/13/log.txt.1554788567801

6.3 案例三

需求： 將本伺服器收集到的數據發送到另外一台伺服器。

實現：使用 avro sources 和 avro Sink 實現。

1. 配置日誌收集Flume

新建配置 netcat-memory-avro.properties，監聽文件內容變化，然後將新的文件內容通過 avro sink 發送到 hadoop001 這台伺服器的 8888 埠：

#指定agent的sources,sinks,channels  a1.sources = s1  a1.sinks = k1  a1.channels = c1    #配置sources屬性  a1.sources.s1.type = exec  a1.sources.s1.command = tail -F /tmp/log.txt  a1.sources.s1.shell = /bin/bash -c  a1.sources.s1.channels = c1    #配置sink  a1.sinks.k1.type = avro  a1.sinks.k1.hostname = hadoop001  a1.sinks.k1.port = 8888  a1.sinks.k1.batch-size = 1  a1.sinks.k1.channel = c1    #配置channel類型  a1.channels.c1.type = memory  a1.channels.c1.capacity = 1000  a1.channels.c1.transactionCapacity = 100

2. 配置日誌聚合Flume

使用 avro source 監聽 hadoop001 伺服器的 8888 埠，將獲取到內容輸出到控制台：

#指定agent的sources,sinks,channels  a2.sources = s2  a2.sinks = k2  a2.channels = c2    #配置sources屬性  a2.sources.s2.type = avro  a2.sources.s2.bind = hadoop001  a2.sources.s2.port = 8888    #將sources與channels進行綁定  a2.sources.s2.channels = c2    #配置sink  a2.sinks.k2.type = logger    #將sinks與channels進行綁定  a2.sinks.k2.channel = c2    #配置channel類型  a2.channels.c2.type = memory  a2.channels.c2.capacity = 1000  a2.channels.c2.transactionCapacity = 100

3. 啟動

啟動日誌聚集 Flume：

flume-ng agent   --conf conf   --conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/avro-memory-logger.properties   --name a2 -Dflume.root.logger=INFO,console

在啟動日誌收集 Flume:

flume-ng agent   --conf conf   --conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/netcat-memory-avro.properties   --name a1 -Dflume.root.logger=INFO,console

這裡建議按以上順序啟動，原因是 avro.source 會先與埠進行綁定，這樣 avro sink 連接時才不會報無法連接的異常。但是即使不按順序啟動也是沒關係的，sink 會一直重試，直至建立好連接。

4.測試

向文件 tmp/log.txt 中追加內容：

可以看到已經從 8888 埠監聽到內容，並成功輸出到控制台：

更多大數據系列文章可以參見 GitHub 開源項目： 大數據入門指南

VirMach 便宜 VPS

QNews

QNews