flume

1.1 Flume定义

Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume基于流式架构，灵活简单。

大数据框架大致分为3类：

数据的采集和传输：flume
数据的存储：HDFS
数据的计算：MapReduce

1.2 应用场景

flume主要应用于数仓

数仓中，HDFS用来存储数据，HIVE用来对数据进行管理和计算（分层计算）。分析出结果然后给关系型数据库然后再做可视化等。

flume在项目中的基本架构：

1.3 为什么选用flume

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。因此Flume就要部署到日志所在的那台节点上，或者说日志得发送到Flume所在的节点。即日志和Flume必须在一起才行。

1.4 flume基础架构

flume基础架构如图所示：

如何选择相应的flume呢？
根据data source 和 store 来选择相应的source和sink

1.5 Flume架构中的组件：

1.5.1 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3个部分组成，Source、Channel、Sink。

1.5.2 Source

Source是负责接收数据到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、sequence generator、syslog、http、legacy。

其中：
avro：（序列化框架）flume在搭建的时候可能会搭建多层，即涉及到flume的串联，avro主要用在两个flume之间，前一个flume的avro sink，后一个flume的avro source
exec： 主要用来监控一个文件，后面可以跟shell命令——tail -f 文件名 这样就可以监控这个文件了。生产环境中一般不用exec source。
spooling directory： 监控一个路径下的多个文件，
netcat： 用来监听网络端口，如果外界向机器的1234端口发送数据，通过netcat就可以监听到1234这个端口传进来的数据。

1.5.3 Sink

Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、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。

hdfs： 最基本最常用的就是hdfs sink， 将数据存储到hdfs上。
logger： 一般用来做测试，将数据以日志的形式打印在控制台。
avro： 同avro source 进行对接，同样是涉及到flume的串联的时候使用。
file： 输出到本地文件。
hbase： 输出到HBase数据库。

1.5.4 Channel

Channel 两个主要的作用：解耦和缓冲。

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。

优点：速度块，延迟低，吞吐量高
缺点：可能会丢数据

File Channel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。

优点：不会丢数据
缺点：速度没有memory channel快，延迟没有memory channel低，吞吐量低

1.5.5 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用来存放该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。