Flume01:Flume介绍、应用场景、特性、三大组件 |
您所在的位置:网站首页 › 安卓核心组件有哪些请简述各组件的作用 › Flume01:Flume介绍、应用场景、特性、三大组件 |
一、什么是Flume
先来看一下官方解释 Flume是一个高可用,高可靠,分布式的海量日志采集、聚合和传输的系统,能够有效的收集、聚合、移动大量的日志数据。 其实通俗一点来说就是Flume是一个很靠谱,很方便、很强的日志采集工具。 他是目前大数据领域数据采集最常用的一个框架 为什么它这么香呢? 主要是因为使用Flume采集数据不需要写一行代码,注意是一行代码都不需要,只需要在配置文件中随便写几行配置Flume就会死心塌地的给你干活了,是不是很香? 看这个图,这个属于Flume的一个非常典型的应用场景,使用Flume采集数据,最终存储到HDFS上。 二、Flume的特性它有一个简单、灵活的基于流的数据流结构,这个其实就是刚才说的Agent内部有三大组件,数据通过这三大组件流动的 具有负载均衡机制和故障转移机制,这个后面我们会详细分析 一个简单可扩展的数据模型(Source、Channel、Sink),这几个组件是可灵活组合的 三、Flume高级应用场景前面我们分析了Flume的典型常见应用场景,下面来看一下Flume的高级应用场景 看这个图,这个图里面主要演示了Flume的多路输出,就是可以将采集到的一份数据输出到多个目的地中,不同目的地的数据对应不同的业务场景。 下面来详细分析一下 这个图里面一共有两个Agent,表示我们启动了2个Flume的代理,或者可以理解为了启动了2个flume的进程。 首先看左边这个agent,给他起个名字叫 foo 这里面有一个source,source后面接了3个channel,表示source读取到的数据会重复发送给每个channel,每个channel中的数据都是一样的 针对每个channel都接了一个sink,这三个sink负责读取对应channel中的数据,并且把数据输出到不同的目的地, sink1负责把数据写到hdfs中 sink2负责把数据写到一个Java消息服务数据队列中 sink3负责把数据写给另一个Agent 注意了,Flume中多个Agent之间是可以连通的,只需要让前面Agent的sink组件把数据写到下一个Agent的source组件中即可。所以sink3就把数据输出到了Agent bar中 在Agent bar中同样有三个组件,source组件其实就获取到了sink3发送过来的数据,然后把数据临时存储到自己的channel4中,最终再通过sink组件把数据写到其他地方。 这就是这个场景的应用,把采集到的一份数据重复输出到不同的目的地中 接着再看下面这张图,这张图主要表示了flume的汇聚功能,就是多个Agent采集到的数据统一汇聚到一个Agent 下面来详细分析一下, 这个图里面一共启动了四个agent,左边的三个agent都是负责采集对应web服务器中的日志数据,数据采集过来之后统一发送给agent4,最后agent4进行统一汇总,最终写入hdfs。 这种架构的好处是后期如果要修改最终数据的输出目的地,只需要修改agent4中的sink即可,不需要修改agent1、2、3。 但是这种架构也有弊端, 1、如果有很多个agent同时向agent4写数据,那么agent4会出现性能瓶颈,导致数据处理过慢 2、这种架构还存在单点故障问题,如果agent4挂了,那么所有的数据都断了。不过这些问题可以通过flume中的负载均衡和故障转移机制解决,后面我们会详细分析 四、Flume的三大核心组件Flume的三大核心组件: Source:数据源 Channel:临时存储数据的管道 Sink:目的地 接下来具体看一下这三大核心组件都是干什么的 1、SourceSource:数据源:通过source组件可以指定让Flume读取哪里的数据,然后将数据传递给后面的channel Flume内置支持读取很多种数据源,基于文件、基于目录、基于TCP\UDP端口、基于HTTP、Kafka的等等、当然了,如果这里面没有你喜欢的,他也是支持自定义的 在这我们挑几个常用的看一下: (1)Exec Source实现文件监控,可以实时监控文件中的新增内容,类似于linux中的tail -f 效果。 在这需要注意 tail -F 和 tail -f 的区别 tail -F 等同于–follow=name --retry,根据文件名进行追踪,并保持重试,即该文件被删除或改名后,如果再次创建相同的文件名,会继续追踪 tail -f 等同于–follow=descriptor,根据文件描述符进行追踪,当文件改名或被删除,追踪停止 在实际工作中我们的日志数据一般都会通过log4j记录,log4j产生的日志文件名称是固定的,每天定时给文件重命名 假设默认log4j会向access.log文件中写日志,每当凌晨0点的时候,log4j都会对文件进行重命名,在access后面添加昨天的日期,然后再创建新的access.log记录当天的新增日志数据。 这个时候如果想要一直监控access.log文件中的新增日志数据的话,就需要使用tail -F (2)NetCat TCP/UDP Source:采集指定端口(tcp、udp)的数据,可以读取流经端口的每一行数据 (3)Spooling Directory Source采集文件夹里新增的文件 (4)Kafka Source从Kafka消息队列中采集数据 注意了,前面我们分析的这几个source组件,其中execsource 和 kafkasource在实际工作中是最常见的,可以满足大部分的数据采集需求。 2、channelChannel:接受Source发出的数据,可以把channel理解为一个临时存储数据的管道 Channel的类型有很多:内存、文件,内存+文件、JDBC等 接下来我们来分析一下 (1)Memory Channel使用内存作为数据的存储 优点是效率高,因为就不涉及磁盘IO 缺点有两个 1:可能会丢数据,如果Flume的agent挂了,那么channel中的数据就丢失了。 2:内存是有限的,会存在内存不够用的情况 (2)File Channel使用文件来作为数据的存储 优点是数据不会丢失 缺点是效率相对内存来说会有点慢,但是这个慢并没有我们想象中的那么慢, 所以这个也是比较常用的一种channel。 (3)Spillable Memory Channel使用内存和文件作为数据存储,即先把数据存到内存中,如果内存中数据达到阈值再flush到文件中 优点:解决了内存不够用的问题。 缺点:还是存在数据丢失的风险 3、sinkSink:从Channel中读取数据并存储到指定目的地 Sink的表现形式有很多:打印到控制台、HDFS、Kafka等, 注意:Channel中的数据直到进入目的地才会被删除,当Sink写入目的地失败后,可以自动重写,不会造成数据丢失,这块是有一个事务保证的。 常用的sink组件有: (1)Logger Sink将数据作为日志处理,可以选择打印到控制台或者写到文件中,这个主要在测试的时候使用 (2)HDFS Sink将数据传输到HDFS中,这个是比较常见的,主要针对离线计算的场景 (3)Kafka Sink将数据发送到kafka消息队列中,这个也是比较常见的,主要针对实时计算场景,数据不落盘,实时传输,最后使用实时计算框架直接处理。 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |