一、Flume--数据采集器基本原理和使用
一、概述
1、flume是什么
1) Flume提供一个分布式的，可靠的，对大数据量的日志进行高效收集、聚集、移动的服务，Flume只能在Linux环境下运行。
2) Flume基于流式架构，容错性强，也很灵活简单，架构简单。
3) Flume、Kafka用来实时进行数据收集，Spark、Storm用来实时处理数据，impala用来实时查询。
专注于为中小企业提供做网站、成都做网站服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业永康免费做网站提供优质的服务。我们立足成都，凝聚了一批互联网行业人才，有力地推动了上千家企业的稳健成长，帮助中小企业通过网站建设实现规模扩充和转变。
2、flume的基本架构
图1.1 flume架构
说到flume的架构，直接拿官网的图来说就足够了。
首先在每个数据源上都会部署一个 flume agent ，这个agent就是用来采取数据的。
这个agent由3个组件组成：source，channel，sink。而在flume中，数据传输的基本单位是event。下面讲讲这几个概念
（1）source
用于从数据源采集数据，并将数据传输在channel中。source支持多种数据源采集方式。比如监听端口采集数据，从文件中采集，从目录中采集，从http服务中采集等。
（2）channel
位于source和sink之间，是数据的一个暂存区域。一般情况下，从source流出数据的速率和sink流出的数据的速率会有所差异。所以需要一个空间暂存那些还没办法传输到sink进行处理的数据。所以channel类似于一个缓冲区，一个队列。
（3）sink
从channel获取数据，并将数据写到目标源。目标源支持多种，比如本地文件、hdfs、kafka、下一个flume agent的source等均可。
（4）event
传输单元，flume传输的基本单位，包括 headers和body两部分，header可以添加一些头部信息，body则是数据。
3、flume传输过程
基于上面的概念，流程基本很清晰，source监控数据源，如果产生新的数据，则获取数据，并封装成一个event，然后将event传输到channel，接着sink从channel拉取数据写入到目标源中。
二、flume的使用
1、flume部署
flume的程序本身的部署非常简单，
（1）部署jdk1.8
（2）解压flume的程序压缩包到指定目录，然后添加环境变量即可
（3）修改配置文件
cd /opt/modules/apache-flume-1.8.0-bin
将模板配置文件复制重命名为正式配置文件
cp conf/flume-env.sh.template conf/flume-env.sh
添加jdk家目录变量
vim conf/flume-env.sh
加上这句
export JAVA_HOME=/opt/modules/jdk1.8.0_144这就完成配置了，基本没啥难度。flume的使用重点在于agent的配置文件的编写，根据业务场景不同，配置也不同。简单来说其实就是对source，channel，sink三大组件的工作属性的配置。
2、agent定义流程
agent的配置其实就是对source、channel、sink的配置。主要有5个步骤，下面看看这个流程是怎样的。
# 1、定义的agent名称，指定使用的source sinks channels的名称
# 可以有多个source sinks channels。
<Agent>.sources = <Source>
<Agent>.sinks = <Sink>
<Agent>.channels = <Channel1>
# 2、定义source工作属性。
# 基本格式就是 agent名.sources.source名.参数名=value
# 第一个参数都是type，就是指定source类型的
<Agent>.sources.<Source>.type=xxxx
<Agent>.sources.<Source>.<parameter1>=xxxx
<Agent>.sources.<Source>.<parameter2>=xxxx
.........
# 3、设置channel工作属性.格式都是类似的
# 第一个参数都是type，就是指定channel类型的
<Agent>.channels.<Channel1>.type=xxxxx
<Agent>.channels.<Channel1>.<parameter1>=xxxxx
<Agent>.channels.<Channel1>.<parameter2>=xxxxx
.........
# 4、设置sink工作属性
# 第一个参数都是type，就是指定sink类型的
<Agent>.sinks.<sink>.type=xxxxx
<Agent>.sinks.<sink>.<parameter1>=xxxxx
<Agent>.sinks.<sink>.<parameter2>=xxxxx
...............
# 5、设置source以及sink使用的channel，通过channel将两者连接起来
<Agent>.sources.<Source>.channels = <Channel1>
<Agent>.sinks.<Sink>.channel = <Channel1>这就是agent定义的完整流程，source、channel、sink每个都有不同的类型，每个类型定义的参数会有差异。下面看看source、channel、sink中常用的类型（想看完整的全部的类型就看官网吧）
3、常用source的类型
（1）netcat--从tcp端口获取数据
常用属性：
type：需指定为 netcat
bind：监听的主机名或者ip
port：监听的端口
例子：监听在 0.0.0.0:6666端口
a1.sources.r1.type = netcat
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 6666（2）exec--执行命令输出作为数据源
常用属性：
type:需指定为 exec
command:运行的命令
shell:运行名为所需的shell，如 /bin/bash -c
例子：监控文件的新增内容
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /var/log/secure
a1.sourcesr.r1.shell = /bin/bash -c（3）spooldir--监控目录内容
常用的属性：
type:设置为 spooldir
spoolDir：监控的目录路径
fileSuffix：上传完成的文件加上指定的后缀，默认是 .COMPLETED
fileHeader：是否在event的header添加一个key标明该文件的绝对路径，默认为false
ignorePattern：正则匹配，忽略的文件
还有其他很多参数，具体到官网上看吧
例子：
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume1.8.0/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)（4）avro--flume之间串联的中间格式
这个源比较特别，通常用在上一个flume的sink 输出，然后作为下一个flume的输入的格式。
常用的属性：
type：需指定为 avro
bind：监听的主机名或者ip，只能是agent所在主机的ip或者hostname
port：监听的端口
例子：
a1.sources.r1.type = avro
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 4141（5）TAILDIR--监控文件或者目录内容变化（1.7以及之后才有）
spoolDir有一个bug，就是已经上传完成的文件，不能再追加内容，否则会报错，而且也无法读取到新的文件内容。所以spooldir只能用来监控目录下新文件的变化，没办法监控已有文件的内容变化。以往这种情况只能使用 exec源，然后使用tail -f xxxlog 的方式来监听文件内容变化，但是这种方式有缺陷，就是容易丢失数据。而在flume1.7之后有一个新的source，叫TAILDIR，可以直接监听文件变化的内容。看看用法：
常用属性：
type：TAILDIR ，记住，要全部大写
filegroups：要监听的文件组的名字，可以有多个文件组
filegroups.<filegroupName>：指定文件组的包含哪些文件，可以使用扩展正则表达式，这里可以有的小技巧 /path/.* 这样就可以监听目录下的所有文件内容的变化
positionFile：这个文件json格式记录了目录下每个文件的inode，以及pos偏移量
fileHeader：是否添加header
属性过多，可以当官网看：http://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html#spooling-directory-source
例子：
a1.sources = r1
a1.channels = c1
a1.sources.r1.type = TAILDIR
a1.sources.r1.channels = c1
a1.sources.r1.positionFile = /var/log/flume/taildir_position.json
a1.sources.r1.filegroups = f1 f2 有两个文件组
# 文件组1内容
a1.sources.r1.filegroups.f1 = /var/log/test1/example.log
a1.sources.r1.headers.f1.headerKey1 = value1
# 使用正则表达式指定文件组
a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*
a1.sources.r1.headers.f2.headerKey1 = value2
a1.sources.r1.headers.f2.headerKey2 = value2-2
a1.sources.r1.fileHeader = true
a1.sources.ri.maxBatchCount = 1000下面再说说上面说到的 positionFile 这个东东，看看它的格式：
[{"inode":408241856,"pos":27550,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/flume.log.COMPLETED"},
{"inode":406278032,"pos":0,"file":"/opt/modules/apache-flume-1.8.0-bi
n/logs/words.txt.COMPLETED"},{"inode":406278035,"pos":0,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/words.txt"},
{"inode":406278036,"pos":34,"file":"/opt/modules/apache
-flume-1.8.0-bin/logs/test.txt"}]
分析：
1、每个文件都是一个json串，由多个json串组成一个类似于数组的东西。
2、每个json包含内容有：
inode：这个什么意思就自己具体看看文件系统的基本知识吧
pos：开始监听文件内容的起始偏移量
file:文件绝对路径名
3、小技巧：
（1）如果监听目录时，某些文件已存在，那么flume默认是从文件最后作为监听起始点进行监听。当文件内容更新时，flume会获取，然后sink。接着就会更新pos值。所以因为这个特点，就算flume agent突然崩了，下一次启动时，自动从上次崩溃的pos开始监听，而不是从最新的文件末尾开始监听。这样就不会丢失数据了，而且不会重复读取旧数据。
（2）从（1）可知，pos就是实时更新的一个文件内容监听点，如果我们想文件从头开始监听，有时候有需求，需要将监听目录下的文件全部传输一边。这时候很简单，将json文件中的pos改为0就好了。
4、如果没有指定positionFile路径，默认为/USER_HOME/.flume/taildir_position.json4、常用channel类型
（1）memory--用内存作为暂存空间
常用的属性：
type：需指定为 memory
capacity：存储在channel中event数量的最大值
transactionCapacity：一次传输的event的最大数量
例子：
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100（2）file--使用磁盘文件作为暂存空间
常用的属性：
type：需指定为 file
checkpointDir:存储checkpoint文件的目录
dataDirs：存储数据的目录
例子：
a1.channels.c1.type = file
a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
a1.channels.c1.dataDirs = /mnt/flume/data（3）SPILLABLEMEMORY--文件+内存作为暂存空间
这个类型是将内存+文件作为channel，当容量空间超过内存时就写到文件中
常用的属性：
type:指定为 SPILLABLEMEMORY
memoryCapacity：使用内存存储的event的最大数量
overflowCapacity：存储到文件event的最大数量
byteCapacity：使用内存存储的event的最大容量，单位是 bytes
checkpointDir：存储checkpoint文件的目录
dataDirs：存储数据的目录
例子：
a1.channels.c1.type = SPILLABLEMEMORY
a1.channels.c1.memoryCapacity = 10000
a1.channels.c1.overflowCapacity = 1000000
a1.channels.c1.byteCapacity = 800000
a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
a1.channels.c1.dataDirs = /mnt/flume/data（4）kafka--作为channel
生产环境中，flume+kafka也是常用的技术栈，但是一般是将kafka作为sink目标
常用属性：
type：设置为 org.apache.flume.channel.kafka.KafkaChannel
bootstrap.servers：kafka集群的服务器， ip:port,ip2:port,....
topic：kafka中的topic
consumer.group.id：消费者的groupid
例子：
a1.channels.channel1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.channel1.kafka.bootstrap.servers = kafka-1:9092,kafka-2:9092,kafka-3:9092
a1.channels.channel1.kafka.topic = channel1
a1.channels.channel1.kafka.consumer.group.id = flume-consumer5、常用sink类型
（1）logger--直接作为log信息输出
常用属性：
type：logger
例子：
a1.sinks.k1.type = logger这个类型比较简单，一般用于调试时使用
（2）avro--串联flume的中间格式
这个类型主要就是用来给下一个flume作为输入的格式，是字节流的方式，而且是序列化的序列。
常用属性：
type：avro
hostname：输出目标的主机名或者ip，可以任意主机，不局限于本机
ip：输出到的端口
例子：
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = 10.10.10.10
a1.sinks.k1.port = 4545（3）hdfs--直接写入到hdfs
常用属性：
type：hdfs
hdfs.path:存储路径 , hdfs://namenode:port/PATH
hdfs.filePrefix：上传的文件的前缀（额外加上的）
hdfs.round：是否按时间滚动文件夹
hdfs.roundValue：滚动的时间值
hdfs.roundUnit：滚动的时间的单位
hdfs.userLocalTimeStamp：是否使用本地时间戳，true还是false
hdfs.batchSize：积攒多少个event才flush到hdfs 一次
hdfs.fileType：文件类型，DataStream（普通文件），SequenceFile（二进制格式，默认），CompressedStream（压缩格式）
hdfs.rollInterval：多久生成一个新的文件，单位是秒
hdfs.rollSize：文件滚动大小，单位是 bytes
hdfs.rollCount：文件滚动是否与event数量有关，true 还是false
hdfs.minBlockReplicas：最小副本数
例子：
#指定sink的类型为存储在hdfs中
a2.sinks.k2.type = hdfs
# 路径命名为按小时
a2.sinks.k2.hdfs.path = hdfs://bigdata121:9000/flume/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = king-
#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,单位是秒
a2.sinks.k2.hdfs.rollInterval = 600
#设置每个文件的滚动大小,单位是bytes
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
#最小副本数
a2.sinks.k2.hdfs.minBlockReplicas = 1（4）file_roll--存储到本地文件系统
常用属性：
type：file_roll
sink.directory:存储路径
例子：
a1.sinks.k1.type = file_roll
a1.sinks.k1.sink.directory = /var/log/flum（5）kafka--存储到kafka集群中
常用属性：
tpye:org.apache.flume.sink.kafka.KafkaSink
kafka.topic：kafka话题名
kafka.bootstrap.servers：集群服务器列表，以逗号分隔
kafka.flumeBatchSize：刷写到kafka的event数量
kafka.producer.acks：接收到时返回ack信息时，写入的最少的副本数
kafka.producer.compression.type：压缩类型
例子：
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.topic = mytopic
a1.sinks.k1.kafka.bootstrap.servers = localhost:9092
a1.sinks.k1.kafka.flumeBatchSize = 20
a1.sinks.k1.kafka.producer.acks = 1
a1.sinks.k1.kafka.producer.compression.type = snappy6、拦截器interceptors 常用类型
拦截器interceptors并不是必须的，它是工作在source和channel之间的一个组件，用于过滤source来的数据，并输出到channel。
使用格式：
先指定拦截器的名字，然后对每个拦截器进行工作属性配置
<agent>.sources.<source>.interceptors = <interceptor>
<agent>.sources.<source>.interceptors.<interceptor>.<param> = xxxx（1）timestamp时间戳拦截器
在event 的header中添加一个字段，用于标明时间戳如：headers:{timestamp:111111}。
常用属性：
type：timestamp
headerName：在header中的key名字，默认是 timestamp
例子：
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = timestamp（2）host主机名拦截器
在event 的header中添加一个字段，用于标明host戳，如：headers:{host:bigdata121}。
常用属性：
type：host
hostHeader：在header中的key名字，默认是 host
useIP:用ip还是主机名
例子：
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = host（3）UUID拦截器
在event 的header中添加一个字段，用于标明uuid如：headers:{id:111111}。
常用属性：
type：org.apache.flume.sink.solr.morphline.UUIDInterceptor$Builder
headName：在header中的key名字，默认是 id
prefix:给每个UUID添加前缀（4）search_replace查询替换
使用正则匹配，然后替换指定字符
常用属性：
type：search_replace
searchPattern：匹配的正则
replaceString：替换的字符串
charset：字符集，默认UTF-8
例子：删除特定字符开头的字符串
a1.sources.avroSrc.interceptors = search-replace
a1.sources.avroSrc.interceptors.search-replace.type = search_replace
a1.sources.avroSrc.interceptors.search-replace.searchPattern = ^[A-Za-z0-9_]+
a1.sources.avroSrc.interceptors.search-replace.replaceString =（5）regex_filter正则过滤
正则匹配，匹配到的丢弃或者留下
常用属性：
type:regex_filter
regex:正则
excludeEvents：true为过滤掉匹配的，false为留下匹配的
例子：
a1.sources.r1.interceptors.i1.type = regex_filter
a1.sources.r1.interceptors.i1.regex = ^A.*
#如果excludeEvents设为false,表示过滤掉不是以A开头的events。如果excludeEvents设为true，则表示过滤掉以A开头的events。
a1.sources.r1.interceptors.i1.excludeEvents = true（6） regex_extractor正则抽取
这里其实是利用正则的分组匹配来获取多个匹配组，然后将每个组的匹配值存储到header中，key可以自定义。
a1.sources.r1.type = exec
a1.sources.r1.channels = c1
a1.sources.r1.command = tail -F /opt/Andy
a1.sources.r1.interceptors = i1
# 指定类型为 regex_extractor
a1.sources.r1.interceptors.i1.type = regex_extractor
# 分组匹配的正则
a1.sources.r1.interceptors.i1.regex = hostname is (.*?) ip is (.*)
# 两个分组各自的key别名
a1.sources.r1.interceptors.i1.serializers = s1 s2
# 分别设置key的名字
a1.sources.r1.interceptors.i1.serializers.s1.name = cookieid
a1.sources.r1.interceptors.i1.serializers.s2.name = ip（7）自定义拦截器
继承接口 org.apache.flume.interceptor.Interceptor，实现里面的特定方法，如：
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.util.ArrayList;
import java.util.List;
public class MyInterceptor implements Interceptor {
@Override
public void initialize() {
}
@Override
public void close() {
}
/**
* 拦截source发送到通道channel中的消息
* 处理单个event
* @param event 接收过滤的event
* @return event 根据业务处理后的event
*/
@Override
public Event intercept(Event event) {
// 获取事件对象中的字节数据
byte[] arr = event.getBody();
// 将获取的数据转换成大写
event.setBody(new String(arr).toUpperCase().getBytes());
// 返回到消息中
return event;
}
// 处理event集合
@Override
public List<Event> intercept(List<Event> events) {
List<Event> list = new ArrayList<>();
for (Event event : events) {
list.add(intercept(event));
}
return list;
}
//用来返回拦截器对象
public static class Builder implements Interceptor.Builder {
// 获取配置文件的属性
@Override
public Interceptor build() {
return new MyInterceptor();
}
@Override
public void configure(Context context) {
}
}pom.xml依赖
<dependencies>
<!-- flume核心依赖 -->
<dependency>
<groupId>org.apache.flume</groupId>
<artifactId>flume-ng-core</artifactId>
<version>1.8.0</version>
</dependency>
</dependencies>在 agent的配置文件中指定拦截器
a1.sources.r1.interceptors = i1
#全类名$Builder
a1.sources.r1.interceptors.i1.type = ToUpCase.MyInterceptor$Builder运行命令：
bin/flume-ng agent -c conf/ -n a1 -f jar/ToUpCase.conf -C jar/Flume_Andy-1.0-SNAPSHOT.jar -Dflume.root.logger=DEBUG,console
-C 指定额外的jar包的路径，就是我们自己写的拦截器的jar包也可以将jar包放到flume程序目录的lib目录下
三、flume案例
1、读取文件到hdfs
# 1.定义agent的名字a2.以及定义这个agent中的source，sink，channel的名字
a2.sources = r2
a2.sinks = k2
a2.channels = c2
#2.定义Source,定义数据来源
# 定义source类型是exec，执行命令的方式
a2.sources.r2.type = exec
# 命令
a2.sources.r2.command = tail -F /tmp/access.log
# 使用的shell
a2.sources.r2.shell = /bin/bash -c
#3.定义sink
#指定sink的类型为存储在hdfs中
a2.sinks.k2.type = hdfs
# 路径命名为按小时
a2.sinks.k2.hdfs.path = hdfs://bigdata121:9000/flume/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = king-
#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,单位是秒
a2.sinks.k2.hdfs.rollInterval = 600
#设置每个文件的滚动大小,单位是bytes
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
#最小副本数
a2.sinks.k2.hdfs.minBlockReplicas = 1
# 4.定义Channel,类型、容量限制、传输容量限制
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
# 5.链接,通过channel将source和sink连接起来
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2启动flume-agent：
/opt/module/flume1.8.0/bin/flume-ng agent \
--conf /opt/module/flume1.8.0/conf/ \ flume配置目录
--name a2 \ agent名字
--conf-file /opt/module/flume1.8.0/jobconf/flume-hdfs.conf agent配置
-Dflume.root.logger=INFO,console 打印日志到终端2、多flume联合，一对多
flume1：输出到flume2和flume3
flume2：输出到本地文件
flume3：输出到hdfs
flume1.conf
# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2
# 将数据流复制给多个channel。启动复制模式
a1.sources.r1.selector.type = replicating
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/test
a1.sources.r1.shell = /bin/bash -c
# 这是k1 sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = bigdata111
a1.sinks.k1.port = 4141
# 这是k2 sink
a1.sinks.k2.type = avro
a1.sinks.k2.hostname = bigdata111
a1.sinks.k2.port = 4142
# Describe the channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100
# 给source接入连接两个channel.每个channel对应一个sink
a1.sources.r1.channels = c1 c2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2flume2.conf
# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1
# Describe/configure the source
a2.sources.r1.type = avro
a2.sources.r1.bind = bigdata111
a2.sources.r1.port = 4141
# Describe the sink
a2.sinks.k1.type = hdfs
a2.sinks.k1.hdfs.path = hdfs://bigdata111:9000/flume2/%H
#上传文件的前缀
a2.sinks.k1.hdfs.filePrefix = flume2-
#是否按照时间滚动文件夹
a2.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a2.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k1.hdfs.rollCount = 0
#最小副本数
a2.sinks.k1.hdfs.minBlockReplicas = 1
# Describe the channel
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1flume3.conf
# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c1
# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = bigdata111
a3.sources.r1.port = 4142
# Describe the sink
a3.sinks.k1.type = file_roll
#备注：此处的文件夹需要先创建好
a3.sinks.k1.sink.directory = /opt/flume3
# Describe the channel
a3.channels.c1.type = memory
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1启动时，先启动flume2和flume3，最后启动flume1。启动命令不重复了。
3、多flume联合，多对一
多台server产生的日志，需要各自监控，然后汇总起来存储，这种场景很多。
flume1（监听文件）和flume2（监听端口）各自收集数据，然后分别sink到flume3，flume3负责汇总写入hdfs
flume1.conf
# 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 /opt/Andy
a1.sources.r1.shell = /bin/bash -c
# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = bigdata111
a1.sinks.k1.port = 4141
# Describe the channel
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 = c1flume2.conf
# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1
# Describe/configure the source
a2.sources.r1.type = netcat
a2.sources.r1.bind = bigdata111
a2.sources.r1.port = 44444
# Describe the sink
a2.sinks.k1.type = avro
a2.sinks.k1.hostname = bigdata111
a2.sinks.k1.port = 4141
# Use a channel which buffers events in memory
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1flume3.conf
# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c1
# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = bigdata111
a3.sources.r1.port = 4141
# Describe the sink
a3.sinks.k1.type = hdfs
a3.sinks.k1.hdfs.path = hdfs://bigdata111:9000/flume3/%H
#上传文件的前缀
a3.sinks.k1.hdfs.filePrefix = flume3-
#是否按照时间滚动文件夹
a3.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a3.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a3.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a3.sinks.k1.hdfs.rollCount = 0
#最小冗余数
a3.sinks.k1.hdfs.minBlockReplicas = 1
# Describe the channel
a3.channels.c1.type = memory
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1启动时先启动flume3，然后启动flume1和flume2
$ bin/flume-ng agent --conf conf/ --name a3 --conf-file jobconf/flume3.conf
$ bin/flume-ng agent --conf conf/ --name a2 --conf-file jobconf/flume2.conf
$ bin/flume-ng agent --conf conf/ --name a1 --conf-file jobconf/flume1.conf测试可以通过 telnet bigdata111 44444 端口来发送数据
可以在/opt/Andy文件中追加数据
当前文章：一、Flume--数据采集器基本原理和使用
文章出自：https://www.cdcxhl.com/article4/jjhjie.html
成都网站建设公司_创新互联，为您提供软件开发、商城网站、域名注册、搜索引擎优化、电子商务、响应式网站
声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联
- 360搜索引擎优化有哪些优势 2016-11-02
- 搜索引擎优化之内链建设目的 2023-04-10
- 学习搜索引擎优化的方法都有那些？ 2014-10-27
- 搜索引擎优化的常见问题都有什么？ 2015-10-02
- 网站推广搜索引擎优化需要怎么做 2016-10-29
- 企业应该重视搜索引擎优化 2013-08-06
- 哪些用户行为的核心目标会影响搜索引擎优化排 2023-04-16
- 【SEO优化】搜索引擎优化3个重要的关键因素 2022-02-06
- 搜索引擎优化请避开这些坑 2023-03-29
- 网站搜索引擎优化工作不宜一成不变! 2023-03-30
- 百度快照推广搜索引擎优化(SEO)文案写作要求及能力 2023-01-20
- 谨遵搜索引擎优化方向，引爆网站流量不成问题 2023-04-14