flume主要用於日誌採集，其中的agent裏面包含3個核心的組件：source（採集/輸入）—->channel（緩存/管道）—–>sink（輸出）,類似生產者、倉庫、消費者的架構。
source：source組件是專門用來收集數據的，可以處理各種類型、各種格式的日誌數據,包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、自定義。
channel：source組件把數據收集來以後，臨時存放在channel中，即channel組件在agent中是專門用來存放臨時數據的——對採集到的數據進行簡單的緩存，可以存放在memory、jdbc、file等等。
sink：sink組件是用於把數據發送到目的地的組件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定義。
Flume與Kafka對比可參看文章末尾部分
Flume
在具體介紹本文內容之前，先給大家看一下Hadoop業務的整體開發流程：
從Hadoop的業務開發流程圖中可以看出，在大數據的業務處理過程中，對於數據的採集是十分重要的一步，也是不可避免的一步，從而引出我們本文的主角—Flume。本文將圍繞Flume的架構、Flume的應用(日誌採集)進行詳細的介紹。
（一）Flume架構介紹
1、Flume的概念
flume是分佈式的日誌收集系統，它將各個服務器中的數據收集起來並送到指定的地方去，比如說送到圖中的HDFS，簡單來說flume就是收集日誌的。
2、Event的概念
在這裏有必要先介紹一下flume中event的相關概念：flume的核心是把數據從數據源(source)收集過來，在將收集到的數據送到指定的目的地(sink)。爲了保證輸送的過程一定成功，在送到目的地(sink)之前，會先緩存數據(channel),待數據真正到達目的地(sink)後，flume在刪除自己緩存的數據。
在整個數據的傳輸的過程中，流動的是event，即事務保證是在event級別進行的。那麼什麼是event呢？—–event將傳輸的數據進行封裝，是flume傳輸數據的基本單位，如果是文本文件，通常是一行記錄，event也是事務的基本單位。event從source，流向channel，再到sink，本身爲一個字節數組，並可攜帶headers(頭信息)信息。event代表着一個數據的最小完整單元，從外部數據源來，向外部的目的地去。
爲了方便大家理解，給出一張event的數據流向圖：
一個完整的event包括：event headers、event body、event信息(即文本文件中的單行記錄)，如下所以：
其中event信息就是flume收集到的日記記錄。
3、flume架構介紹
flume之所以這麼神奇，是源於它自身的一個設計，這個設計就是agent，agent本身是一個java進程，運行在日誌收集節點—所謂日誌收集節點就是服務器節點。
agent裏面包含3個核心的組件：source—->channel—–>sink,類似生產者、倉庫、消費者的架構。
source：source組件是專門用來收集數據的，可以處理各種類型、各種格式的日誌數據,包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy、自定義。
channel：source組件把數據收集來以後，臨時存放在channel中，即channel組件在agent中是專門用來存放臨時數據的——對採集到的數據進行簡單的緩存，可以存放在memory、jdbc、file等等。
sink：sink組件是用於把數據發送到目的地的組件，目的地包括hdfs、logger、avro、thrift、ipc、file、null、hbase、solr、自定義。
4、flume的運行機制
flume的核心就是一個agent，這個agent對外有兩個進行交互的地方，一個是接受數據的輸入——source，一個是數據的輸出sink，sink負責將數據發送到外部指定的目的地。source接收到數據之後，將數據發送給channel，chanel作爲一個數據緩衝區會臨時存放這些數據，隨後sink會將channel中的數據發送到指定的地方—-例如HDFS等，注意：只有在sink將channel中的數據成功發送出去之後，channel纔會將臨時數據進行刪除，這種機制保證了數據傳輸的可靠性與安全性。
5、flume的廣義用法
flume之所以這麼神奇—-其原因也在於flume可以支持多級flume的agent，即flume可以前後相繼，例如sink可以將數據寫到下一個agent的source中，這樣的話就可以連成串了，可以整體處理了。flume還支持扇入(fan-in)、扇出(fan-out)。所謂扇入就是source可以接受多個輸入，所謂扇出就是sink可以將數據輸出多個目的地destination中。
（二）flume應用—日誌採集
對於flume的原理其實很容易理解，我們更應該掌握flume的具體使用方法，flume提供了大量內置的Source、Channel和Sink類型。而且不同類型的Source、Channel和Sink可以自由組合—–組合方式基於用戶設置的配置文件，非常靈活。比如：Channel可以把事件暫存在內存裏，也可以持久化到本地硬盤上。Sink可以把日誌寫入HDFS, HBase，甚至是另外一個Source等等。下面我將用具體的案例詳述flume的具體用法。
其實flume的用法很簡單—-書寫一個配置文件，在配置文件當中描述source、channel與sink的具體實現，而後運行一個agent實例，在運行agent實例的過程中會讀取配置文件的內容，這樣flume就會採集到數據。
配置文件的編寫原則：
1>從整體上描述代理agent中sources、sinks、channels所涉及到的組件
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
2>詳細描述agent中每一個source、sink與channel的具體實現：即在描述source的時候，需要
指定source到底是什麼類型的，即這個source是接受文件的、還是接受http的、還是接受thrift
的；對於sink也是同理，需要指定結果是輸出到HDFS中，還是Hbase中啊等等；對於channel
需要指定是內存啊，還是數據庫啊，還是文件啊等等。
# 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
3>通過channel將source與sink連接起來
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
啓動agent的shell操作：
flume-ng agent -n a1 -c ../conf -f ../conf/example.file
-Dflume.root.logger=DEBUG,console
參數說明： -n 指定agent名稱(與配置文件中代理的名字相同)
-c 指定flume中配置文件的目錄
-f 指定配置文件
-Dflume.root.logger=DEBUG,console 設置日誌等級
具體案例：
案例1： NetCat Source：監聽一個指定的網絡端口，即只要應用程序向這個端口裏面寫數據，這個source組件就可以獲取到信息。 其中 Sink：logger Channel：memory
flume官網中NetCat Source描述：
Property Name Default Description
channels –
type – The component type name, needs to be netcat
bind – 日誌需要發送到的主機名或者Ip地址，該主機運行着netcat類型的source在監聽
port – 日誌需要發送到的端口號，該端口號要有netcat類型的source在監聽
a) 編寫配置文件：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = 192.168.80.80
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
b) 啓動flume agent a1 服務端
flume-ng agent -n a1 -c ../conf -f ../conf/netcat.conf -Dflume.root.logger=DEBUG,console
c) 使用telnet發送數據
telnet 192.168.80.80 44444 big data world！（windows中運行的）
d) 在控制檯上查看flume收集到的日誌數據：
案例2：NetCat Source：監聽一個指定的網絡端口，即只要應用程序向這個端口裏面寫數據，這個source組件就可以獲取到信息。 其中 Sink：hdfs Channel：file (相比於案例1的兩個變化)
flume官網中HDFS Sink的描述：
a) 編寫配置文件：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = 192.168.80.80
a1.sources.r1.port = 44444
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
a1.sinks.k1.hdfs.writeFormat = Text
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.rollInterval = 10
a1.sinks.k1.hdfs.rollSize = 0
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
a1.sinks.k1.hdfs.useLocalTimeStamp = true
# Use a channel which buffers events in file
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /usr/flume/checkpoint
a1.channels.c1.dataDirs = /usr/flume/data
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
b) 啓動flume agent a1 服務端
flume-ng agent -n a1 -c ../conf -f ../conf/netcat.conf -Dflume.root.logger=DEBUG,console
c) 使用telnet發送數據
telnet 192.168.80.80 44444 big data world！（windows中運行的）
d) 在HDFS中查看flume收集到的日誌數據：
案例3：Spooling Directory Source：監聽一個指定的目錄，即只要應用程序向這個指定的目錄中添加新的文件，source組件就可以獲取到該信息，並解析該文件的內容，然後寫入到channle。寫入完成後，標記該文件已完成或者刪除該文件。其中 Sink：
logger Channel：memory
flume官網中Spooling Directory Source描述：
Property Name Default Description
channels –
type – The component type name, needs to be spooldir.
spoolDir – Spooling Directory Source監聽的目錄
fileSuffix .COMPLETED 文件內容寫入到channel之後，標記該文件
deletePolicy never 文件內容寫入到channel之後的刪除策略: never or immediate
fileHeader false Whether to add a header storing the absolute path filename.
ignorePattern ^$ Regular expression specifying which files to ignore (skip)
interceptors – 指定傳輸中event的head(頭信息)，常用timestamp
Spooling Directory Source的兩個注意事項：
①If a file is written to after being placed into the spooling directory, Flume will print an error to its log file and stop processing.
即：拷貝到spool目錄下的文件不可以再打開編輯
②If a file name is reused at a later time, Flume will print an error to its log file and stop processing.
即：不能將具有相同文件名字的文件拷貝到這個目錄下
a) 編寫配置文件：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /usr/local/datainput
a1.sources.r1.fileHeader = true
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = timestamp
# 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
b) 啓動flume agent a1 服務端
flume-ng agent -n a1 -c ../conf -f ../conf/spool.conf -Dflume.root.logger=DEBUG,console
c) 使用cp命令向Spooling Directory 中發送數據
cp datafile /usr/local/datainput (注：datafile中的內容爲：big data world！)
d) 在控制檯上查看flume收集到的日誌數據：
從控制檯顯示的結果可以看出event的頭信息中包含了時間戳信息。
同時我們查看一下Spooling Directory中的datafile信息—-文件內容寫入到channel之後，該文件被標記了：
[root@hadoop80 datainput]# ls
datafile.COMPLETED
案例4：Spooling Directory Source：監聽一個指定的目錄，即只要應用程序向這個指定的目錄中添加新的文件，source組件就可以獲取到該信息，並解析該文件的內容，然後寫入到channle。寫入完成後，標記該文件已完成或者刪除該文件。 其中 Sink：hdfs Channel：file (相比於案例3的兩個變化)
a) 編寫配置文件：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /usr/local/datainput
a1.sources.r1.fileHeader = true
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = timestamp
# Describe the sink
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
a1.sinks.k1.hdfs.writeFormat = Text
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.rollInterval = 10
a1.sinks.k1.hdfs.rollSize = 0
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
a1.sinks.k1.hdfs.useLocalTimeStamp = true
# Use a channel which buffers events in file
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /usr/flume/checkpoint
a1.channels.c1.dataDirs = /usr/flume/data
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
b) 啓動flume agent a1 服務端
flume-ng agent -n a1 -c ../conf -f ../conf/spool.conf -Dflume.root.logger=DEBUG,console
c) 使用cp命令向Spooling Directory 中發送數據
cp datafile /usr/local/datainput (注：datafile中的內容爲：big data world！)
d) 在控制檯上可以參看sink的運行進度日誌：
d) 在HDFS中查看flume收集到的日誌數據：
從案例1與案例2、案例3與案例4的對比中我們可以發現：flume的配置文件在編寫的過程中是非常靈活的。
案例5：Exec Source：監聽一個指定的命令，獲取一條命令的結果作爲它的數據源
常用的是tail -F file指令，即只要應用程序向日志(文件)裏面寫數據，source組件就可以獲取到日誌(文件)中最新的內容 。 其中 Sink：hdfs Channel：file
這個案列爲了方便顯示Exec Source的運行效果，結合Hive中的external table進行來說明。
a) 編寫配置文件：
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /usr/local/log.file
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
a1.sinks.k1.hdfs.writeFormat = Text
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.rollInterval = 10
a1.sinks.k1.hdfs.rollSize = 0
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
a1.sinks.k1.hdfs.useLocalTimeStamp = true
# Use a channel which buffers events in file
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /usr/flume/checkpoint
a1.channels.c1.dataDirs = /usr/flume/data
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
b)在hive中建立外部表—–hdfs://hadoop80:9000/dataoutput的目錄，方便查看日誌捕獲內容
hive> create external table t1(infor string)
> row format delimited
> fields terminated by '\t'
> location '/dataoutput/';
OK
Time taken: 0.284 seconds
c) 啓動flume agent a1 服務端
flume-ng agent -n a1 -c ../conf -f ../conf/exec.conf -Dflume.root.logger=DEBUG,console
d) 使用echo命令向/usr/local/datainput 中發送數據
echo big data > log.file
d) 在HDFS和Hive分別中查看flume收集到的日誌數據：
hive> select * from t1;
OK
big data
Time taken: 0.086 seconds
e)使用echo命令向/usr/local/datainput 中在追加一條數據
echo big data world! >> log.file
d) 在HDFS和Hive再次分別中查看flume收集到的日誌數據：
hive> select * from t1;
OK
big data
big data world!
Time taken: 0.511 seconds
總結Exec source：Exec source和Spooling Directory Source是兩種常用的日誌採集的方式，其中Exec source可以實現對日誌的實時採集，Spooling Directory Source在對日誌的實時採集上稍有欠缺，儘管Exec source可以實現對日誌的實時採集，但是當Flume不運行或者指令執行出錯時，Exec source將無法收集到日誌數據，日誌會出現丟失，從而無法保證收集日誌的完整性。
案例6：Avro Source：監聽一個指定的Avro 端口，通過Avro 端口可以獲取到Avro client發送過來的文件 。即只要應用程序通過Avro 端口發送文件，source組件就可以獲取到該文件中的內容。 其中 Sink：hdfs Channel：file
(注：Avro和Thrift都是一些序列化的網絡端口–通過這些網絡端口可以接受或者發送信息，Avro可以發送一個給定的文件給Flume，Avro 源使用AVRO RPC機制)
Avro Source運行原理如下圖：
flume官網中Avro Source的描述：
Property Name Default Description
channels –
type – The component type name, needs to be avro
bind – 日誌需要發送到的主機名或者ip，該主機運行着ARVO類型的source
port – 日誌需要發送到的端口號，該端口要有ARVO類型的source在監聽
1)編寫配置文件
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = avro
a1.sources.r1.bind = 192.168.80.80
a1.sources.r1.port = 4141
# Describe the sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop80:9000/dataoutput
a1.sinks.k1.hdfs.writeFormat = Text
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.rollInterval = 10
a1.sinks.k1.hdfs.rollSize = 0
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.filePrefix = %Y-%m-%d-%H-%M-%S
a1.sinks.k1.hdfs.useLocalTimeStamp = true
# Use a channel which buffers events in file
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /usr/flume/checkpoint
a1.channels.c1.dataDirs = /usr/flume/data
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
b) 啓動flume agent a1 服務端
flume-ng agent -n a1 -c ../conf -f ../conf/avro.conf -Dflume.root.logger=DEBUG,console
c)使用avro-client發送文件
flume-ng avro-client -c ../conf -H 192.168.80.80 -p 4141 -F /usr/local/log.file
注：log.file文件中的內容爲：
[root@hadoop80 local]# more log.file
big data
big data world!
d) 在HDFS中查看flume收集到的日誌數據：
通過上面的幾個案例，我們可以發現：flume配置文件的書寫是相當靈活的—-不同類型的Source、Channel和Sink可以自由組合！
最後對上面用的幾個flume source進行適當總結：
① NetCat Source：監聽一個指定的網絡端口，即只要應用程序向這個端口裏面寫數據，這個source組件
就可以獲取到信息。
②Spooling Directory Source：監聽一個指定的目錄，即只要應用程序向這個指定的目錄中添加新的文
件，source組件就可以獲取到該信息，並解析該文件的內容，然後寫入到channle。寫入完成後，標記
該文件已完成或者刪除該文件。
③Exec Source：監聽一個指定的命令，獲取一條命令的結果作爲它的數據源
常用的是tail -F file指令，即只要應用程序向日志(文件)裏面寫數據，source組件就可以獲取到日誌(文件)中最新的內容 。
④Avro Source：監聽一個指定的Avro 端口，通過Avro 端口可以獲取到Avro client發送過來的文件 。即只要應用程序通過Avro 端口發送文件，source組件就可以獲取到該文件中的內容。
Flume與Kafka對比
kafka和flume都是日誌系統，kafka是分佈式消息中間件，自帶存儲，提供push和pull存取數據功能。flume分爲agent（數據採集器）,collector（數據簡單處理和寫入）,storage（存儲器）三部分，每一部分都是可以定製的。比如agent採用RPC（Thrift-RPC）、text（文件）等，storage指定用hdfs做。
kafka做日誌緩存應該是更爲合適的，但是 flume的數據採集部分做的很好，可以定製很多數據源，減少開發量。所以比較流行flume+kafka模式，如果爲了利用flume寫hdfs的能力，也可以採用kafka+flume的方式。
採集層 主要可以使用Flume, Kafka兩種技術。
Flume：Flume 是管道流方式，提供了很多的默認實現，讓用戶通過參數部署，及擴展API.
Kafka：Kafka是一個可持久化的分佈式的消息隊列。
Kafka 是一個非常通用的系統。你可以有許多生產者和很多的消費者共享多個主題Topics。相比之下,Flume是一個專用工具被設計爲旨在往HDFS,HBase發送數據。它對HDFS有特殊的優化，並且集成了Hadoop的安全特性。所以，Cloudera 建議如果數據被多個系統消費的話，使用kafka；如果數據被設計給Hadoop使用，使用Flume。
正如你們所知Flume內置很多的source和sink組件。然而，Kafka明顯有一個更小的生產消費者生態系統，並且Kafka的社區支持不好。希望將來這種情況會得到改善，但是目前：使用Kafka意味着你準備好了編寫你自己的生產者和消費者代碼。如果已經存在的Flume Sources和Sinks滿足你的需求，並且你更喜歡不需要任何開發的系統，請使用Flume。
Flume可以使用攔截器實時處理數據。這些對數據屏蔽或者過量是很有用的。Kafka需要外部的流處理系統才能做到。
Kafka和Flume都是可靠的系統,通過適當的配置能保證零數據丟失。然而，Flume不支持副本事件。於是，如果Flume代理的一個節點崩潰了，即使使用了可靠的文件管道方式，你也將丟失這些事件直到你恢復這些磁盤。如果你需要一個高可靠行的管道，那麼使用Kafka是個更好的選擇。
Flume和Kafka可以很好地結合起來使用。如果你的設計需要從Kafka到Hadoop的流數據，使用Flume代理並配置Kafka的Source讀取數據也是可行的：你沒有必要實現自己的消費者。你可以直接利用Flume與HDFS及HBase的結合的所有好處。你可以使用Cloudera Manager對消費者的監控，並且你甚至可以添加攔截器進行一些流處理。
Flume和Kafka可以結合起來使用。通常會使用Flume + Kafka的方式。其實如果爲了利用Flume已有的寫HDFS功能，也可以使用Kafka + Flume的方式。
原文：https://blog.csdn.net/a2011480169/article/details/51544664