大数据日志收集框架之Flume入门

Flume是Cloudrea公司开源的一款优秀的日志收集框架，主要经历了两个大的版本，分别是
Flume-OG
Flume-NG
OG是0.9.x的版本，依赖zookeeper，角色职责不够单一，
NG是新版本指1.x的版本，官网解释它更轻量级，更小，角色职责更单一，利用点到点进行容错，当然这也是以后的趋势，
要理解Flume，就首先理解它的架构，下面看下，官网的一张拓扑图：



名词解释：
Source：泛指所有的日志收集源，可以是web页面，log文件，数据库，端口，卡口信息等
Channel：提供中转的临时存储区，可以是本地文件，redis，kakfa，数据库，内存等
Sink：指日志最终落地的存储区，可以是数据库，HDFS，Hbase，Hive，本地文件等
Agent：指上面三者组合后的一个完整的数据收集代理，有了这个代理，我们把它安装任何机器上进行收集日志，当然前提是这个Agent符合这个机器上的业务。

下面看下，安装实战例子：

首先下载flume-ng的安装包：

wget http://archive.apache.org/dist/flume/1.6.0/apache-flume-1.6.0-bin.tar.gz

解压
tar -zxvf apache-flume-1.6.0-bin.tar.gz

将根目录下的conf下的一些模板文件，重命名成正常文件

如果没有配置JAVA_HOME为环境变量的话，
则需要在flume-env.sh里面配置jdk的地址

1，然后新建一个first.properties的文件，加入以下配置：

Java代码



[webmaster@Hadoop -0-187 conf]$ cat first.properties

# example.conf: A single-node Flume configuration

# Name the components on this agent

#datasource

a1.sources = r1

#store

a1.sinks = k1

#transfer

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

配置例子2：收集本地日志到hadoop里面

hdfs的sink目前支持三种文件类型：
(1)SequenceFile 文本不可见
(2)DataStream 设置hdfs.writeFormat=Text，文本可见
(3)CompressedStream 设置hdfs.codeC=gzip, bzip2, lzo, lzop, snappy，其中一种，后面三个需要编译hadoop时支持才能设置。

默认是SequenceFile，以文本方式写进入的数据，是不可见的，除非改变类型为DataStream ，
然后设置hdfs.writeFormat=Text即可，这个选项默认是Writable

Java代码



a.sources=exec-source

a.sinks=hdfs-sink

a.channels=ch1

#####source conf

a.sources.exec-source.type=exec

a.sources.exec-source.command=tail -F /ROOT/server/flume/v.log

#####sink conf

a.sinks.hdfs-sink.type=hdfs

a.sinks.hdfs-sink.hdfs.path=hdfs://h1:9000/flume/events

a.sinks.hdfs-sink.hdfs.filePrefix=search

a.sinks.hdfs-sink.hdfs.rollInterval=10

a.sinks.hdfs-sink.hdfs.rollSize=0

#不设置压缩，指定文本方式加入hdfs

#a.sinks.hdfs-sink.hdfs.fileType=DataStream

#a.sinks.hdfs-sink.hdfs.writeFormat=Text

#设置压缩lzo或者snappy

a.sinks.hdfs-sink.hdfs.fileType=CompressedStream

#a.sinks.hdfs-sink.hdfs.codeC=snappy

#a.sinks.hdfs-sink.hdfs.codeC=lzo

#a.sinks.hdfs-sink.hdfs.codeC=lzop

#a.sinks.hdfs-sink.hdfs.codeC=gzip

a.sinks.hdfs-sink.hdfs.codeC=bzip2

####channels conf

a.channels.ch1.type=memory

a.channels.ch1.capacity=1000

a.sources.exec-source.channels=ch1

a.sinks.hdfs-sink.channel=ch1

启动命令： 最后的a与配置文件里面的agent的name必须一致
bin/flume-ng agent --conf conf --conf-file conf/to_hdfs.properties --name a

下面是一个按年月日时分，收集的日志：

Java代码



a.sources=exec-source

a.sinks=hdfs-sink

a.channels=ch1

#####source conf

a.sources.exec-source.type=exec

a.sources.exec-source.command=tail -F /ROOT/server/flume/v.log

#####sink conf

a.sinks.hdfs-sink.type=hdfs

a.sinks.hdfs-sink.hdfs.path=hdfs://h1:9000/flume/events/%Y/%m/%d/%H/%M

a.sinks.hdfs-sink.hdfs.filePrefix=search

a.sinks.hdfs-sink.hdfs.rollInterval=10

a.sinks.hdfs-sink.hdfs.rollSize=0

a.sinks.hdfs-sink.hdfs.useLocalTimeStamp=true

#不设置压缩

#a.sinks.hdfs-sink.hdfs.fileType=DataStream

#a.sinks.hdfs-sink.hdfs.writeFormat=Text

#设置压缩lzo或者snappy

a.sinks.hdfs-sink.hdfs.fileType=CompressedStream

#a.sinks.hdfs-sink.hdfs.codeC=snappy

#a.sinks.hdfs-sink.hdfs.codeC=lzo

#a.sinks.hdfs-sink.hdfs.codeC=lzop

#a.sinks.hdfs-sink.hdfs.codeC=gzip

a.sinks.hdfs-sink.hdfs.codeC=bzip2

####channels conf

a.channels.ch1.type=memory

a.channels.ch1.capacity=1000

a.sources.exec-source.channels=ch1

a.sinks.hdfs-sink.channel=ch1

最后看下，配置flume监听linux的rsyslog的日志：

可用nc模拟telent发送数据到5140端口
echo "<1>hello via syslog" | nc -t localhost 5140
配置/etc/rsyslog.conf
在最后一行，加入tcp转发端口：

Java代码



*.* @@localhost :5140

如果不生效，可考虑：取消注释，使下面的生效：

Java代码



# Provides TCP syslog reception

#$ModLoad imtcp

#$InputTCPServerRun 5140

改完之后，重启rsyslog

Java代码



sudo service rsyslog restart

然后配置flume
flume监听rsyslog，或者syslog

Java代码



a.sources=exec-source

a.sinks=hdfs-sink

a.channels=ch1

#####source conf rsyslog

a.sources.exec-source.type=syslogtcp

a.sources.exec-source.port=5140

a.sources.exec-source.host=0.0.0.0

#####sink conf

a.sinks.hdfs-sink.type=hdfs

a.sinks.hdfs-sink.hdfs.path=hdfs://h1:9000/flume/events/%Y/%m/%d/%H/%M

a.sinks.hdfs-sink.hdfs.filePrefix=search

a.sinks.hdfs-sink.hdfs.rollInterval=10

a.sinks.hdfs-sink.hdfs.rollSize=0

a.sinks.hdfs-sink.hdfs.useLocalTimeStamp=true

#不设置压缩

#a.sinks.hdfs-sink.hdfs.fileType=DataStream

#a.sinks.hdfs-sink.hdfs.writeFormat=Text

#设置压缩lzo或者snappy

a.sinks.hdfs-sink.hdfs.fileType=CompressedStream

#a.sinks.hdfs-sink.hdfs.codeC=snappy

#a.sinks.hdfs-sink.hdfs.codeC=lzo

#a.sinks.hdfs-sink.hdfs.codeC=lzop

#a.sinks.hdfs-sink.hdfs.codeC=gzip

a.sinks.hdfs-sink.hdfs.codeC=bzip2

####channels conf

a.channels.ch1.type=memory

a.channels.ch1.capacity=1000

a.sources.exec-source.channels=ch1

a.sinks.hdfs-sink.channel=ch1

配置完成启动：
然后看flume的log再次登陆终端，推出终端，sudo命令执行失败，flume都会采集转发到hdfs上存储起来

总结：
Flume不愧是大数据平台的一个标准组件，与Hadoop能非常完美的结合，当然，除了与hadoop结合外，还支持Hbase，Hive等， 相比Logstash+ElasticSearch+Kibana的ELK里面的Logstash，flume比较适合结构化的日志收集，存储，而Logstasch则还可以非常方便的解析，清洗数据，虽然flume通过扩展jar也能支持，但logstash使用的是Jruby语法，相比java，则比较简单。这也是ELK都能够快速部署的原因，当然flume也支持向elasticsearch推送索引数据，通过扩展的jar，几乎大部分功能都能轻松实现，所以，没有谁最好用，谁最不好用，只有谁最适合业务，才是最好的！