Flume部署及入门案例

一、Flume 安装部署

1.1 安装地址

1、Flume 官网地址
http://flume.apache.org/
2、下载地址
http://archive.apache.org/dist/flume/
3、文档地址
http://flume.apache.org/FlumeUserGuide.html

1.2 安装部署

1、将 apache-flume-1.7.0-bin.tar.gz 上传到服务器的/opt/software 目录下

2、解压 apache-flume-1.7.0-bin.tar.gz 到/opt/module/目录下

[test@hadoop151 software]$ tar -zxvf apache-flume-1.7.0-bin.tar.gz -C /opt/module/

3、修改 apache-flume-1.7.0-bin 的名称为 flume

[test@hadoop151 module]$ mv apache-flume-1.7.0-bin/ flume

4、将 flume/conf 下的 flume-env.sh.template 文件修改为 flume-env.sh，并配置 flume-env.sh 文件

export JAVA_HOME=/opt/module/jdk1.8.0_144

二、入门案例 – 监控端口数据官方案例

2.1 案例介绍

1、案例需求
使用 Flume 监听一个端口，收集该端口数据，并打印到控制台。

2、需求分析

2.2 案例步骤

1、安装 netcat 工具

[test@hadoop151 conf]$ sudo yum install -y nc

2、判断 44444 端口是否被占用

[test@hadoop151 conf]$ sudo netstat -tunlp | grep 44444

3、创建 Flume Agent 配置文件 flume-netcat-logger.conf
(1) 在 flume 目录下创建 job 文件夹并进入 job 文件夹

[test@hadoop151 flume]$ mkdir job
[test@hadoop151 flume]$ cd job/

(2) 在 job 文件夹下创建 Flume Agent 配置文件 flume-netcat-logger.conf

[test@hadoop151 job]$ vim flume-netcat-logger.conf

(3) 在 flume-netcat-logger.conf 文件中添加如下内容

# 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 = 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 

4、配置文件解析

注：配置文件来源于官方手册 http://flume.apache.org/FlumeUserGuide.html

5、开启 flume 监听端口
第一种写法：

bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf Dflume.root.logger=INFO,console

第二种写法：

bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

参数说明：
–conf/-c：表示配置文件存储在 conf/目录

–name/-n：表示给 agent 起名为 a1

–conf-file/-f：flume 本次启动读取的配置文件是在 job 文件夹下的 flume-telnet.conf 文件。

-Dflume.root.logger=INFO,console ：-D 表示 flume 运行时动态修改 flume.root.logger 参数属性值，并将控制台日志打印级别设置为 INFO 级别。日志级别包括:log、info、warn、error。

6、使用 netcat 工具向本机的 44444 端口发送内容

[test@hadoop151 jdk1.8.0_144]$ nc localhost 44444
hello
OK
123456
OK

7、在 Flume 监听页面观察接收数据情况

三、入门案例 – 实时监控单个追加文件

3.1 案例介绍

1、案例需求
实时监控 Hive 日志，并上传到 HDFS 中。

2、需求分析

3.2 案例步骤

1、Flume 要想将数据输出到 HDFS，必须持有 Hadoop 相关 jar 包

将下面的 jar 包

commons-configuration-1.6.jar、 
hadoop-auth-2.7.2.jar、 
hadoop-common-2.7.2.jar、 
hadoop-hdfs-2.7.2.jar、 
commons-io-2.4.jar、 
htrace-core-3.1.0-incubating.jar 

拷贝到 /opt/module/flume/lib 文件夹下

2、创建 flume-file-hdfs.conf 文件
创建文件

[test@hadoop151 job]$ vim flume-file-hdfs.conf

注：要想读取 Linux 系统中的文件，就得按照 Linux 命令的规则执行命令。由于 Hive 日志 在 Linux 系统中所以读取文件的类型选择：exec 即 execute 执行的意思。表示执行 Linux命令来读取文件。

添加如下内容：

# Name the components on this agent 
a2.sources = r2 
a2.sinks = k2 
a2.channels = c2 
 
# Describe/configure the source 
a2.sources.r2.type = exec 
a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log 
a2.sources.r2.shell = /bin/bash -c 
 
# Describe the sink 
a2.sinks.k2.type = hdfs 
a2.sinks.k2.hdfs.path = hdfs://hadoop151:9000/flume/%Y%m%d/%H 
# 上传文件的前缀 
a2.sinks.k2.hdfs.filePrefix = logs- 
# 是否按照时间滚动文件夹 
a2.sinks.k2.hdfs.round = true 
# 多少时间单位创建一个新的文件夹 
a2.sinks.k2.hdfs.roundValue = 1 
# 重新定义时间单位 
a2.sinks.k2.hdfs.roundUnit = hour 
# 是否使用本地时间戳 
a2.sinks.k2.hdfs.useLocalTimeStamp = true 
# 积攒多少个 Event 才 flush 到 HDFS 一次 
a2.sinks.k2.hdfs.batchSize = 1000 
# 设置文件类型，可支持压缩 
a2.sinks.k2.hdfs.fileType = DataStream 
# 多久生成一个新的文件 
a2.sinks.k2.hdfs.rollInterval = 30 
# 设置每个文件的滚动大小 
a2.sinks.k2.hdfs.rollSize = 134217700 
# 文件的滚动与 Event 数量无关 
a2.sinks.k2.hdfs.rollCount = 0 
 
# Use a channel which buffers events in memory 
a2.channels.c2.type = memory 
a2.channels.c2.capacity = 1000 
a2.channels.c2.transactionCapacity = 100 
 
# Bind the source and sink to the channel 
a2.sources.r2.channels = c2 
a2.sinks.k2.channel = c2 

注意：
对于所有与时间相关的转义序列，Event Header 中必须存在以 “timestamp” 的 key（除非hdfs.useLocalTimeStamp 设置为 true，此方法会使用 TimestampInterceptor 自动添加 timestamp）。

a3.sinks.k3.hdfs.useLocalTimeStamp = true

3、运行 Flume

[test@hadoop151 flume]$ bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf

4、开启 Hadoop 和 Hive 并操作 Hive 产生日志

[test@hadoop151 jdk1.8.0_144]$ start-dfs.sh
[test@hadoop152 ~]$ start-yarn.sh 
hive (default)> 

5、在 HDFS 上查看文件

四、入门案例 – 实时监控目录下多个新文件

4.1 案例介绍

1、案例需求
使用 Flume 监听整个目录的文件，并上传至 HDFS。

2、需求分析

4.2 案例步骤

1、创建配置文件

[test@hadoop151 job]$ vim flume-dir-hdfs.conf

添加如下内容：

a3.sources = r3 
a3.sinks = k3 
a3.channels = c3 
 
#Describe/configure the source 
a3.sources.r3.type = spooldir 
a3.sources.r3.spoolDir = /opt/module/flume/upload 
a3.sources.r3.fileSuffix = .COMPLETED 
a3.sources.r3.fileHeader = true 
#忽略所有以.tmp 结尾的文件，不上传 
a3.sources.r3.ignorePattern = ([^ ]*\.tmp) 
 
# Describe the sink 
a3.sinks.k3.type = hdfs 
a3.sinks.k3.hdfs.path = hdfs://hadoop151:9000/flume/upload/%Y%m%d/%H 
#上传文件的前缀 
a3.sinks.k3.hdfs.filePrefix = upload- 
#是否按照时间滚动文件夹 
a3.sinks.k3.hdfs.round = true 
#多少时间单位创建一个新的文件夹 
a3.sinks.k3.hdfs.roundValue = 1 
#重新定义时间单位 
a3.sinks.k3.hdfs.roundUnit = hour 
#是否使用本地时间戳 
a3.sinks.k3.hdfs.useLocalTimeStamp = true 
#积攒多少个 Event 才 flush 到 HDFS 一次 
a3.sinks.k3.hdfs.batchSize = 100 
#设置文件类型，可支持压缩 
a3.sinks.k3.hdfs.fileType = DataStream 
#多久生成一个新的文件 
a3.sinks.k3.hdfs.rollInterval = 60
#设置每个文件的滚动大小大概是 128M 
a3.sinks.k3.hdfs.rollSize = 134217700 
#文件的滚动与 Event 数量无关 
a3.sinks.k3.hdfs.rollCount = 0 
 

# Use a channel which buffers events in memory 
a3.channels.c3.type = memory 
a3.channels.c3.capacity = 1000 
a3.channels.c3.transactionCapacity = 100 
 
# Bind the source and sink to the channel 
a3.sources.r3.channels = c3 
a3.sinks.k3.channel = c3 

2、参数解析

3、启动监控文件夹命令

[test@hadoop151 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf

说明：在使用 Spooling Directory Source 时不要在监控目录中创建并持续修改文件，上传完成的文件会以.COMPLETED 结尾，被监控文件夹每 500 毫秒扫描一次文件变动。

4、向待监控文件夹中添加文件

[test@hadoop151 flume]$ mkdir upload
[test@hadoop151 flume]$ cd upload/
[test@hadoop151 upload]$ touch 1.txt
[test@hadoop151 upload]$ touch 2.tmp
[test@hadoop151 upload]$ touch 3.log

5、查看 HDFS 上的数据

五、入门案例 – 实时监控目录下的多个追加文件

5.1 各个 Source 介绍

Exec source 适用于监控一个实时追加的文件，但不能保证数据不丢失；Spooldir Source 能够保证数据不丢失，且能够实现断点续传，但延迟较高，不能实时监控；而 Taildir Source 既能够实现断点续传，又可以保证数据不丢失，还能够进行实时监控。

5.2 案例分析

1、需求
使用 Flume 监听整个目录的实时追加文件，并上传至 HDFS。

2、需求分析

5.3 项目步骤

1、创建配置文件 flume-taildir-hdfs.conf
在文件中添加如下内容：

a3.sources = r3 
a3.sinks = k3 
a3.channels = c3 
 
# Describe/configure the source 
a3.sources.r3.type = TAILDIR 
a3.sources.r3.positionFile = /opt/module/flume/tail_dir.json 
a3.sources.r3.filegroups = f1 
a3.sources.r3.filegroups.f1 = /opt/module/flume/files/file.* 
 
# Describe the sink 
a3.sinks.k3.type = hdfs 
a3.sinks.k3.hdfs.path = hdfs://hadoop151:9000/flume/upload/%Y%m%d/%H 
#上传文件的前缀 
a3.sinks.k3.hdfs.filePrefix = upload- 
#是否按照时间滚动文件夹 
a3.sinks.k3.hdfs.round = true 
#多少时间单位创建一个新的文件夹 
a3.sinks.k3.hdfs.roundValue = 1 
#重新定义时间单位 
a3.sinks.k3.hdfs.roundUnit = hour 
#是否使用本地时间戳 
a3.sinks.k3.hdfs.useLocalTimeStamp = true 
#积攒多少个 Event 才 flush 到 HDFS 一次 
a3.sinks.k3.hdfs.batchSize = 100 
#设置文件类型，可支持压缩 
a3.sinks.k3.hdfs.fileType = DataStream 
#多久生成一个新的文件 
a3.sinks.k3.hdfs.rollInterval = 60 
#设置每个文件的滚动大小大概是 128M 
a3.sinks.k3.hdfs.rollSize = 134217700 
#文件的滚动与 Event 数量无关 
a3.sinks.k3.hdfs.rollCount = 0 
 
# Use a channel which buffers events in memory 
a3.channels.c3.type = memory 
a3.channels.c3.capacity = 1000 
a3.channels.c3.transactionCapacity = 100 
 
# Bind the source and sink to the channel 
a3.sources.r3.channels = c3 
a3.sinks.k3.channel = c3

2、参数解释

3、启动监控文件夹命令

[test@hadoop151 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-taildir-hdfs.conf

4、查看 HDFS 文件系统

Taildir 说明：
Taildir Source 维护了一个 json 格式的 position File，其会定期的往 position File
中更新每个文件读取到的最新的位置，因此能够实现断点续传。 Position File的格式如下： {“inode”:2496272,“pos”:12,“file”:"/opt/module/flume/files/file1.t xt"} {“inode”:2496275,“pos”:12,“file”:"/opt/module/flume/files/file2.t xt"}
注：Linux 中储存文件元数据的区域就叫做 inode，每个 inode 都有一个号码，操作系统 用 inode 号码来识别不同的文件，Unix/Linux 系统内部不使用文件名，而使用 inode 号码来识别文件。

六、软件安装包

flume 安装包及所需 jar 包都在百度云盘链接：
链接：https://pan.baidu.com/s/1irJ38usIHp6C0IkFjBIWxg
提取码：5xor