文章目錄
歡迎訪問筆者個人技術博客:http://rukihuang.xyz/
學習視頻來源於尚硅谷,視頻鏈接:尚硅谷大數據項目數據倉庫,電商數倉V1.2新版,Respect!
1 概述
1.1 Flume定義
- Flume 是Cloudera 提供的一個高可用的,高可靠的,分佈式的海量日誌採集、聚合和傳輸的系統。Flume 基於流式架構,靈活簡單。
- Flume最主要的作用:實時讀取服務器本地磁盤的數據,將數據寫入到HDFS
1.2 Flume組成架構
1.2.1 Agent
- Agent 是一個JVM 進程,它以事件的形式將數據從源頭送至目的,是Flume 數據傳輸的基本單元。
- Agent 主要有3 個部分組成,
Source
、Channel
、Sink
。
1.2.2 Source
- Source 是負責接收數據到Flume Agent 的組件。Source 組件可以處理各種類型、各種格式的日誌數據,包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy。
1.2.3 Channel
- Channel 是位於Source 和Sink 之間的緩衝區。因此,Channel 允許Source 和Sink 運作在不同的速率上。Channel 是線程安全的,可以同時處理幾個Source 的寫入操作和幾個Sink的讀取操作。
- Flume 自帶兩種Channel:
Memory Channel
和File Channel
。 - Memory Channel 是內存中的隊列。Memory Channel 在不需要關心數據丟失的情景下適用。如果需要關心數據丟失,那麼Memory Channel 就不應該使用,因爲程序死亡、機器宕機或者重啓都會導致數據丟失。
- File Channel 將所有事件寫到磁盤。因此在程序關閉或機器宕機的情況下不會丟失數據。
- Flume 自帶兩種Channel:
1.2.4 Sink
- Sink 不斷地輪詢Channel 中的事件且批量地移除它們,並將這些事件批量寫入到存儲或索引系統、或者被髮送到另一個Flume Agent。
- Sink 是完全事務性的。在從Channel 批量刪除數據之前,每個Sink 用Channel 啓動一個事務。批量事件一旦成功寫出到存儲系統或下一個Flume Agent,Sink 就利用Channel 提交事務。事務一旦被提交,該Channel 從自己的內部緩衝區刪除事件。
- Sink 組件目的地包括hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定義。
1.2.5 Event
- 傳輸單元,Flume 數據傳輸的基本單元,以事件的形式將數據從源頭送至目的地。
1.3 Flume拓撲結構
1.3.1 Agent連接
1.3.2 單source多channel、sink
1.3.3 負載均衡
1.3.4 Agent聚合
1.4 Flume Agent內部原理
2 Flume的安裝與配置
2.1 下載地址
- Flume官網地址:http://flume.apache.org/
- 文檔地址:http://flume.apache.org/FlumeUserGuide.html
- 下載地址:http://archive.apache.org/dist/flume/
2.2 安裝部署
-
將
apache-flume-1.7.0-bin.tar.gz
上傳到102機器 的/opt/software
目錄下 -
解壓安裝至
/opt/module
目錄下
tar -zxvf apache-flume-1.7.0-bin.tar.gz -C /opt/module/
- 將
/opt/module/apache-flume-1.7.0-bin/conf
中的flume-env.sh.template
文件修改爲flume-env.sh
, 並配置flume-env.sh
文件
export JAVA_HOME=/opt/module/jdk1.8.0_144
3 項目經驗——flume組件
3.1 source
Taildir Source
相比Exec Source
、Spooling Directory Source
的優勢TailDir Source
:斷點續傳、多目錄。Flume1.6 以前需要自己自定義Source 記錄每次讀取文件位置,實現斷點續傳。Exec Source
:可以實時蒐集數據,但是在Flume 不運行或者Shell 命令出錯的情況下,數
據將會丟失。Spooling Directory Source
:監控目錄,不支持斷點續傳。
3.2 channel
- 採用Kafka Channel,省去了Sink,提高了效率。KafkaChannel 數據存儲在Kafka 裏面,所以數據是存儲在磁盤中。
- 注意在Flume1.7 以前,Kafka Channel 很少有人使用,因爲發現parseAsFlumeEvent 這個配置起不了作用。也就是無論parseAsFlumeEvent 配置爲true 還是false,都會轉爲Flume Event。這樣的話,造成的結果是,會始終都把Flume 的headers 中的信息混合着內容一起寫入Kafka的消息中,這顯然不是我所需要的,我只是需要把內容寫入即可。
4 日誌採集的flume配置
4.1 配置分析
4.2 flume的具體配置文件
- 由於flume要與kafka整合,因此在
/opt/module/flume/conf
目錄下創建file-flume-kafka.conf
文件(由於使用flume1.7,在啓動flume時出現報錯,經查證是源碼的問題,詳見下文注意點5.2,筆者最後使用了flume1.8,因此目錄更改爲/opt/module/flume1.8/conf
)
a1.sources=r1
a1.channels=c1 c2
# configure source
a1.sources.r1.type = TAILDIR
a1.sources.r1.positionFile = /opt/module/flume1.8/test/log_position.json
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /tmp/logs/app.+
a1.sources.r1.fileHeader = true
a1.sources.r1.channels = c1 c2
#interceptor
a1.sources.r1.interceptors = i1 i2
a1.sources.r1.interceptors.i1.type = com.atguigu.flume.interceptor.LogETLInterceptor$Builder
a1.sources.r1.interceptors.i2.type = com.atguigu.flume.interceptor.LogTypeInterceptor$Builder
a1.sources.r1.selector.type = multiplexing
a1.sources.r1.selector.header = topic
a1.sources.r1.selector.mapping.topic_start = c1
a1.sources.r1.selector.mapping.topic_event = c2
# configure channel
a1.channels.c1.type =org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.channels.c1.kafka.topic = topic_start
a1.channels.c1.parseAsFlumeEvent = false
a1.channels.c1.kafka.consumer.group.id = flume-consumer
a1.channels.c2.type =org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c2.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.channels.c2.kafka.topic = topic_event
a1.channels.c2.parseAsFlumeEvent = false
a1.channels.c2.kafka.consumer.group.id = flume-consumer
4.3 攔截器
- 創建Maven工程
flume-interceptor
- 創建包名:
com.atguigu.flume.interceptor
4.3.1 pom.xml
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.atguigu</groupId>
<artifactId>flume-interceptor</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.apache.flume</groupId>
<artifactId>flume-ng-core</artifactId>
<version>1.7.0</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
</project>
4.3.2 LogETLInterceptor
package com.atguigu.flume.interceptor;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.nio.charset.Charset;
import java.util.ArrayList;
import java.util.List;
public class LogETLInterceptor implements Interceptor {
@Override
public void initialize() {
}
@Override
public Event intercept(Event event) {
// 1 獲取數據
byte[] body = event.getBody();
String log = new String(body, Charset.forName("UTF-8"));
// 2 判斷數據類型並向Header中賦值
if (log.contains("start")) {
if (LogUtils.validateStart(log)){
return event;
}
}else {
if (LogUtils.validateEvent(log)){
return event;
}
}
// 3 返回校驗結果
return null;
}
@Override
public List<Event> intercept(List<Event> events) {
ArrayList<Event> interceptors = new ArrayList<>();
for (Event event : events) {
Event intercept1 = intercept(event);
if (intercept1 != null){
interceptors.add(intercept1);
}
}
return interceptors;
}
@Override
public void close() {
}
public static class Builder implements Interceptor.Builder{
@Override
public Interceptor build() {
return new LogETLInterceptor();
}
@Override
public void configure(Context context) {
}
}
}
4.3.3 LogETLInterceptor
package com.atguigu.flume.interceptor;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.nio.charset.Charset;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;
public class LogTypeInterceptor implements Interceptor {
@Override
public void initialize() {
}
@Override
public Event intercept(Event event) {
// 區分日誌類型: body header
// 1 獲取body數據
byte[] body = event.getBody();
String log = new String(body, Charset.forName("UTF-8"));
// 2 獲取header
Map<String, String> headers = event.getHeaders();
// 3 判斷數據類型並向Header中賦值
if (log.contains("start")) {
headers.put("topic","topic_start");
}else {
headers.put("topic","topic_event");
}
return event;
}
@Override
public List<Event> intercept(List<Event> events) {
ArrayList<Event> interceptors = new ArrayList<>();
for (Event event : events) {
Event intercept1 = intercept(event);
interceptors.add(intercept1);
}
return interceptors;
}
@Override
public void close() {
}
public static class Builder implements Interceptor.Builder{
@Override
public Interceptor build() {
return new LogTypeInterceptor();
}
@Override
public void configure(Context context) {
}
}
}
4.3.4 LogUtils
package com.atguigu.flume.interceptor;
import org.apache.commons.lang.math.NumberUtils;
public class LogUtils {
public static boolean validateEvent(String log) {
// 服務器時間 | json
// 1549696569054 | {"cm":{"ln":"-89.2","sv":"V2.0.4","os":"8.2.0","g":"[email protected]","nw":"4G","l":"en","vc":"18","hw":"1080*1920","ar":"MX","uid":"u8678","t":"1549679122062","la":"-27.4","md":"sumsung-12","vn":"1.1.3","ba":"Sumsung","sr":"Y"},"ap":"weather","et":[]}
// 1 切割
String[] logContents = log.split("\\|");
// 2 校驗
if(logContents.length != 2){
return false;
}
//3 校驗服務器時間
if (logContents[0].length()!=13 || !NumberUtils.isDigits(logContents[0])){
return false;
}
// 4 校驗json
if (!logContents[1].trim().startsWith("{") || !logContents[1].trim().endsWith("}")){
return false;
}
return true;
}
public static boolean validateStart(String log) {
// {"action":"1","ar":"MX","ba":"HTC","detail":"542","en":"start","entry":"2","extend1":"","g":"[email protected]","hw":"640*960","l":"en","la":"-43.4","ln":"-98.3","loading_time":"10","md":"HTC-5","mid":"993","nw":"WIFI","open_ad_type":"1","os":"8.2.1","sr":"D","sv":"V2.9.0","t":"1559551922019","uid":"993","vc":"0","vn":"1.1.5"}
if (log == null){
return false;
}
// 校驗json
if (!log.trim().startsWith("{") || !log.trim().endsWith("}")){
return false;
}
return true;
}
}
- 利用maven將項目打包,並將
target
文件夾下的flume-interceptor-1.0-SNAPSHOT.jar
上傳到/opt/module/flume1.8/lib
目錄下,這樣flume才能使用自定義攔截器 - 將自定義攔截器分發到hadoop103、hadoop104機器上
xsync flume/
4.4 Flume羣起/停止腳本
- 在
~/bin
目錄下創建腳本f1.sh
#!/bin/bash
case $1 in
"start"){
for i in hadoop102 hadoop103
do
echo " --------開始$i 採集flume-------"
ssh $i "nohup /opt/module/flume1.8/bin/flume-ng agent --name a1 --conf-file /opt/module/flume1.8/conf/file-flume-kafka.conf -Dflume.root.logger=INFO,LOGFILE >/opt/module/flume1.8/flume.log 2>&1 &"
done
};;
"stop"){
for i in hadoop102 hadoop103
do
echo " --------停止$i 採集flume-------"
ssh $i "ps -ef | grep file-flume-kafka | grep -v grep|awk '{print \$2}' | xargs kill"
done
};;
esac
說明:
nohup
,該命令可以在你退出帳戶/關閉終端之後繼續運行相應的進程。nohup
就是不掛起的意思,不掛斷地運行命令。awk
默認分隔符爲空格xargs
表示取出前面命令運行的結果,作爲後面命令的輸入參數。
- 增加腳本執行權限
chmod 777 f1.sh
- 啓動(
~/bin/
)
f1.sh start
- 停止
f1.sh stop
5 注意點
5.1 ResourceManager無法啓動
- 在部署
ResourceManager
節點上使用羣起命令。參考文章:java.net.BindException: Problem binding to [hadoop21:8031] java.net.BindException: 無法指定被請求的地址
5.2 java.io.EOFException: End of input at line 1 column 1
- 有時候啓動flume會報這個錯誤,是因爲讀取了空的
log_position.json
文件(這個文件是記錄flume讀取日誌文件位置,詳見4.2配置文件)。這個錯誤偶爾會遇到,是源碼的問題,2種方式解決:- 刪除這個位置記錄文件後,再啓動flume
- flume1.8修復了這個問題,使用flume1.8(筆者採取了這個方式解決)
- 參考文章:求問使用flume 1.7 taildir時出現如下錯誤怎麼辦?
5.3 Flume1.8中文文檔(強烈推薦)
- Flume1.8中文文檔:flume.liyifeng.org