Flume 进阶
# Flume 进阶
# Flume 事务
# Agent 内部原理
ChannelSelector
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）。 默认为 Replicating（复制） ReplicatingSelector 会将同一个 Event 发往所有的 Channel，Multiplexing 会根据相应的原则，将不同的 Event 发往不同的 Channel。
SinkProcessor
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。
# Flume 拓扑结构
# 简单串联
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。
# 实现串联 输出到 arvo
flume1 配置文件
#agent1 netcatsource --> memorychannel --> arvosink
a1.sources = r1
a1.sinks = k1
a1.channels = c1
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop102
a1.sources.r1.port = 22222
#设置为arvosink 向指定地址:端口输出数据
a1.sinks.k1.type = arvo
#输出数据的地址
a1.sinks.k1.hostname = hadoop103
#输出数据的地址
a1.sinks.k1.port = 33333
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
flume2 配置文件
#agent2 netcatsource --> memorychannel --> loggersink
a1.sources = r1
a1.sinks = k1
a1.channels = c1
#输入数据类型改为 arvo
a1.sources.r1.type = arvo
#输入地址
a1.sources.r1.bind = hadoop102
#输入端口
a1.sources.r1.port = 33333
#设置为logger 写入到log文件 持久化
a1.sinks.k1.type = logger
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
测试
#先启动103 否则102发送数据无人接收 在hadoop103操作
flume-ng agent --conf conf/ --name a1 --conf-file datas/avrosource_loggersink.conf -Dflume.root.logger=INFO,console
1
2
2
#在hadoop102操作
flume-ng agent --conf conf/ --name a1 --conf-file datas/netcatsource_avrosink.conf -Dflume.root.logger=INFO,console
#在另外个ssh窗口中操作
nc hadoop102 22222
1
2
3
4
2
3
4
# 复制和多路复用
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。
# 实现复制 selector=replicating
从指定文件中读取日志 复制转发到个 channel 中 channel 再转发给指定的 sink 方
#agent 1 hadoop102
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2
a1.sources.r1.type = exec
#读取hive日志文件
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log
#selector频道选择器 默认为replicating 为复制 不配置type也是这个方案
a1.sources.r1.selector.type = replicating
#可选的channel
#a1.sources.r1.selector.optional = c3
#设置为arvosink 向指定地址:端口输出数据
a1.sinks.k1.type = arvo
#输出数据的地址
a1.sinks.k1.hostname = hadoop103
#输出数据的地址
a1.sinks.k1.port = 33333
#第二个sinks
a1.sinks.k2.type = arvo
a1.sinks.k2.hostname = hadoop104
a1.sinks.k2.port = 44444
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
#第二个channel
a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100
#一个sources 对接两个channels
a1.sources.r1.channels = c1 c2
#每个sinks对应一个channel
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
sink 方 1 从 hadoop102 接收数据 再存储到 hdfs 中
#agent2 hadoop103
a1.sources = r1
a1.sinks = k1
a1.channels = c1
a1.sources.r1.type = avro
a1.sources.r1.bind = hadoop103
a1.sources.r1.port = 33333
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:8020/flume2/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = flume2-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
sink2 从 hadoop102 接收数据 再通过 File_roll sink 存储到本地目录中
#agent3 hadoop104
a1.sources = r1
a1.sinks = k1
a1.channels = c1
a1.sources.r1.type = avro
a1.sources.r1.bind = hadoop104
a1.sources.r1.port = 44444
#将event数据存储在指定sink为file_roll 本地存储模式
a1.sinks.k1.type = file_roll
#存放目录 输出的本地目录必须是已经存在的目录
a1.sinks.k1.sink.directory = /opt/module/flume/demo
#默认为30s 滚动文件 设置为0将不再滚动
a1.sinks.k1.sink.rollInterval = 30
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
启动 先启动 103 和 104 的监听 再启动 102 的监听
# 实现多路复用 selector=multiplexing
agent1
#agent 1 hadoop102
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2
a1.sources.r1.type = exec
#读取hive日志文件
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log
#复用配置
#selector频道选择器 默认为replicating multiplexing为复用 需要配合拦截器使用
a1.sources.r1.selector.type = multiplexing
# header的key 根据event的header里面指定key 判断值 分发给哪个channel
a1.sources.r1.selector.header = state
#CZ为自定义value值 为上面指定key中对应值 如key中值为CZ 则分发给 c1 channel
a1.sources.r1.selector.mapping.CZ = c1
#值为US 则分发到 c2 channel
a1.sources.r1.selector.mapping.US = c2
# 设置拦截器 (用于向headers中添加指定键值对)
#拦截器名称
a1.sources.r1.interceptors = i1
#拦截器类型 static 向header添加 自定义键值对
a1.sources.r1.interceptors.i1.type = static
a1.sources.r1.interceptors.i1.key = state
#多个值只能通过自定义拦截器定义 此处是写死为CZ
a1.sources.r1.interceptors.i1.value = CZ
#设置为arvosink 向指定地址:端口输出数据
a1.sinks.k1.type = arvo
#输出数据的地址
a1.sinks.k1.hostname = hadoop103
#输出数据的地址
a1.sinks.k1.port = 33333
#第二个sinks
a1.sinks.k2.type = arvo
a1.sinks.k2.hostname = hadoop104
a1.sinks.k2.port = 44444
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
#第二个channel
a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100
#一个sources 对接两个channels
a1.sources.r1.channels = c1 c2
#每个sinks对应一个channel
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
agent2 和 agent3 与上面复制一样 或 自定义
# 负载均衡和故障转移
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。
# 实现故障转移 processor=failover
#agent1 hadoop102
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop102
a1.sources.r1.port = 22222
#sinks1
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop103
a1.sinks.k1.port = 33333
#sinks2
a1.sinks.k2.type = avro
a1.sinks.k2.hostname = hadoop104
a1.sinks.k2.port = 44444
#定义sinkgroups
a1.sinkgroups = g1
#该组下面有哪些sink实例
a1.sinkgroups.g1.sinks = k1 k2
#failover为故障转移 默认为一对一
a1.sinkgroups.g1.processor.type = failover
#优先级 值越大优先级越大
a1.sinkgroups.g1.processor.priority.k1 = 5
a1.sinkgroups.g1.processor.priority.k2 = 10
#sink连接超时时间 默认为30000毫秒
a1.sinkgroups.g1.processor.maxpenalty = 10000
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
#sinks绑定的channel 应为一个
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
# 实现负载均衡 processor=load_balance
#agent1 hadoop102
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1
a1.sources.r1.type = netcat
a1.sources.r1.bind = hadoop102
a1.sources.r1.port = 22222
#sinks1
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop103
a1.sinks.k1.port = 33333
#sinks2
a1.sinks.k2.type = avro
a1.sinks.k2.hostname = hadoop104
a1.sinks.k2.port = 44444
#定义sinkgroups
a1.sinkgroups = g1
#该组下面有哪些sink实例
a1.sinkgroups.g1.sinks = k1 k2
#load_balance 为负载均衡
a1.sinkgroups.g1.processor.type = load_balance
# 默认为round_robin轮询sink random为随机发给某个sink
a1.sinkgroups.g1.processor.selector = random
#连接超时时间 30000毫秒
a1.sinkgroups.g1.processor.maxpenalty = 10000
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
#sinks绑定的channel 应为一个
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
# 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。
# 实现聚合
将分开的 agent 的 sink 全部汇总到一个 agent 上 再进行持久化
# 拦截器 Interceptor
更多类型拦截器查看官方文档
通过配置文件 配置拦截器 agent 名称.sources.r1.interceptors
a1.sources = r1
a1.sinks = k1
a1.channels = c1
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444
# 设置拦截器 (用于向headers中添加时间戳)
#拦截器名称
a1.sources.r1.interceptors = i1
#拦截器类型 timestamp 向header添加时间戳
a1.sources.r1.interceptors.i1.type = timestamp
a1.sinks.k1.type = logger
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
编辑 (opens new window)
上次更新: 2023/12/06, 01:31:48