在一個完整的大資料處理系統中，除了hdfs+mapreduce+hive組成分析系統的核心之外，還需要資料採集、結果資料匯出、任務排程等不可或缺的輔助系統，而這些輔助工具在hadoop生態體系中都有便捷的開源框架，如圖所示：

1、Flume介紹

1.1、概述

1. Flume是一個分散式、可靠、和高可用的海量日誌採集、聚合和傳輸的系統。
2. Flume可以採集檔案，socket資料包等各種形式源資料，又可以將採集到的資料輸出到HDFS、hbase、hive、kafka等眾多外部儲存系統中
3. 一般的採集需求，通過對flume的簡單配置即可實現
4. Flume針對特殊場景也具備良好的自定義擴充套件能力，因此，flume可以適用於大部分的日常資料採集場景

1.2、執行機制

1. Flume分散式系統中最核心的角色是agent，flume採集系統就是由一個個agent所連線起來形成
2. 每一個agent相當於一個資料傳遞員[M1] ，內部有三個元件：
   1. 1. Source：採集源，用於跟資料來源對接，以獲取資料
      2. Sink：下沉地，採集資料的傳送目的，用於往下一級agent傳遞資料或者往最終儲存系統傳遞資料
      3. Channel：angent內部的資料傳輸通道，用於從source將資料傳遞到sink

1.3、Flume採集系統結構圖

1. 簡單結構

單個agent採集資料

2. 複雜結構

多級agent之間串聯

2、Flume實戰案例

2.1 Flume的安裝部署

1. Flume的安裝非常簡單，只需要解壓即可，當然，前提是已有hadoop環境上傳安裝包到資料來源所在節點上然後解壓  tar -zxvf apache-flume-1.8.0-bin.tar.gz然後進入flume的目錄，修改conf下的flume-env.sh，在裡面配置JAVA_HOME
2. 根據資料採集的需求配置採集方案，描述在配置檔案中(檔名可任意自定義)
3. 指定採集方案配置檔案，在相應的節點上啟動flume agent

先用一個最簡單的例子來測試一下程式環境是否正常

1、先在flume的conf目錄下新建一個檔案

 vi  netcat-logger.conf

# 定義這個agent中各元件的名字
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# 描述和配置source元件：r1
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# 描述和配置sink元件：k1
a1.sinks.k1.type = logger

# 描述和配置channel元件，此處使用是記憶體快取的方式
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# 描述和配置source  channel   sink之間的連線關係
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

2、啟動agent去採集資料

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

-c conf   指定flume自身的配置檔案所在目錄

-f conf/netcat-logger.con  指定我們所描述的採集方案

-n a1  指定我們這個agent的名字

3、測試

先要往agent採集監聽的埠上傳送資料，讓agent有資料可採，隨便在一個能跟agent節點聯網的機器上

telnet anget-hostname  port   （telnet localhost 44444）

2.2、採集案例

1、採集目錄到HDFS

採集需求：某伺服器的某特定目錄下，會不斷產生新的檔案，每當有新檔案出現，就需要把檔案採集到HDFS中去

根據需求，首先定義以下3大要素

1. 採集源，即source——監控檔案目錄 :  spooldir
2. 下沉目標，即sink——HDFS檔案系統  :  hdfs sink
3. source和sink之間的傳遞通道——channel，可用file channel 也可以用記憶體channel

配置檔案編寫：

#定義三大元件的名稱
agent1.sources = source1
agent1.sinks = sink1
agent1.channels = channel1

# 配置source元件
agent1.sources.source1.type = spooldir
agent1.sources.source1.spoolDir = /home/hadoop/logs/
agent1.sources.source1.fileHeader = false

#配置攔截器
agent1.sources.source1.interceptors = i1
agent1.sources.source1.interceptors.i1.type = host
agent1.sources.source1.interceptors.i1.hostHeader = hostname

# 配置sink元件
agent1.sinks.sink1.type = hdfs
agent1.sinks.sink1.hdfs.path =hdfs://hdp-node-01:9000/weblog/flume-collection/%y-%m-%d/%H-%M
agent1.sinks.sink1.hdfs.filePrefix = access_log
agent1.sinks.sink1.hdfs.maxOpenFiles = 5000
agent1.sinks.sink1.hdfs.batchSize= 100
agent1.sinks.sink1.hdfs.fileType = DataStream
agent1.sinks.sink1.hdfs.writeFormat =Text
agent1.sinks.sink1.hdfs.rollSize = 102400
agent1.sinks.sink1.hdfs.rollCount = 1000000
agent1.sinks.sink1.hdfs.rollInterval = 60
#agent1.sinks.sink1.hdfs.round = true
#agent1.sinks.sink1.hdfs.roundValue = 10
#agent1.sinks.sink1.hdfs.roundUnit = minute
agent1.sinks.sink1.hdfs.useLocalTimeStamp = true
# Use a channel which buffers events in memory
agent1.channels.channel1.type = memory
agent1.channels.channel1.keep-alive = 120
agent1.channels.channel1.capacity = 500000
agent1.channels.channel1.transactionCapacity = 600
# Bind the source and sink to the channel
agent1.sources.source1.channels = channel1
agent1.sinks.sink1.channel = channel1

Channel引數解釋：

capacity：預設該通道中最大的可以儲存的event數量

trasactionCapacity：每次最大可以從source中拿到或者送到sink中的event數量

keep-alive：event新增到通道中或者移出的允許時間

2、採集檔案到HDFS

採集需求：比如業務系統使用log4j生成的日誌，日誌內容不斷增加，需要把追加到日誌檔案中的資料實時採集到hdfs

根據需求，首先定義以下3大要素

1. 採集源，即source——監控檔案內容更新 :  exec  ‘tail -F file’
2. 下沉目標，即sink——HDFS檔案系統  :  hdfs sink
3. Source和sink之間的傳遞通道——channel，可用file channel 也可以用 記憶體channel

配置檔案編寫：

agent1.sources = source1
agent1.sinks = sink1
agent1.channels = channel1
# Describe/configure tail -F source1
agent1.sources.source1.type = exec
agent1.sources.source1.command = tail -F /home/hadoop/logs/access_log
agent1.sources.source1.channels = channel1
#configure host for source
agent1.sources.source1.interceptors = i1
agent1.sources.source1.interceptors.i1.type = host
agent1.sources.source1.interceptors.i1.hostHeader = hostname
# Describe sink1
agent1.sinks.sink1.type = hdfs
#a1.sinks.k1.channel = c1
agent1.sinks.sink1.hdfs.path =hdfs://hdp-node-01:9000/weblog/flume-collection/%y-%m-%d/%H-%M
agent1.sinks.sink1.hdfs.filePrefix = access_log
agent1.sinks.sink1.hdfs.maxOpenFiles = 5000
agent1.sinks.sink1.hdfs.batchSize= 100
agent1.sinks.sink1.hdfs.fileType = DataStream
agent1.sinks.sink1.hdfs.writeFormat =Text
agent1.sinks.sink1.hdfs.rollSize = 102400
agent1.sinks.sink1.hdfs.rollCount = 1000000
agent1.sinks.sink1.hdfs.rollInterval = 60
agent1.sinks.sink1.hdfs.round = true
agent1.sinks.sink1.hdfs.roundValue = 10
agent1.sinks.sink1.hdfs.roundUnit = minute
agent1.sinks.sink1.hdfs.useLocalTimeStamp = true
# Use a channel which buffers events in memory
agent1.channels.channel1.type = memory
agent1.channels.channel1.keep-alive = 120
agent1.channels.channel1.capacity = 500000
agent1.channels.channel1.transactionCapacity = 600
# Bind the source and sink to the channel
agent1.sources.source1.channels = channel1
agent1.sinks.sink1.channel = channel1

1.3 更多source和sink元件

Flume支援眾多的source和sink型別，詳細手冊可參考官方文件

Source 到 Channel 到 Sink之間傳遞資料的形式是Event事件；Event事件是一個數據流單元。