Flume 是什么

Apache Flume是一个高可靠、高可用的分布式的海量日志收集、聚合、传输系统。它可以从不同的日志源采集数据并集中存储。

Flume也算是Hadoop生态系统的一部分，源于Cloudera，目前是Apache基金会的顶级项目之一。Flume有两条产品线，0.9.x版本和1.x版本。

官网:http://flume.appache.org/

• 收集、聚合事件流数据的分布式框架
• 通常用于log数据
• 采用ad-hoc方案，明显优点如下：
  • 可靠的、可伸缩、可管理、可定制、高性能
  • 声明式配置，可以动态更新配置
  • 提供上下文路由功能
  • 支持负载均衡和故障转移
  • 功能丰富
  • 完全的可扩展

核心概念

• Event
• Client
• Agent
  • Sources、Channels、Sinks
  • 其他组件：Interceptors、Channel Selectors、Sink Processor

**核心概念：Event
**

Event是Flume数据传输的基本单元。flume以事件的形式将数据从源头传送到最终的目的。Event由可选的hearders和载有数据的一个byte array构成。

• 载有的数据对flume是不透明的

• Headers是容纳了key-value字符串对的无序集合，key在集合内是唯一的。

• Headers可以在上下文路由中使用扩展

  public interface Event {
  public Map getHeaders();
  public void setHeaders(Map headers);
  public byte[] getBody();
  public void setBody(byte[] body);
  }

  public interface Event {
  public Map getHeaders();
  public void setHeaders(Map headers);
  public byte[] getBody();
  public void setBody(byte[] body);
  }

核心概念：Client

Clinet是一个将原始log包装成events并且发送它们到一个或多个agent的实体。

• 例如目的是从数据源系统中解耦Flume

  • Flume log4j Appender
  • 可以使用Client SDK (org.apache.flume.api)定制特定的Client

• 在flume的拓扑结构中不是必须的

核心概念：Agent

一个Agent包含Sources, Channels, Sinks和其他组件，它利用这些组件将events从一个节点传输到另一个节点或最终目的。

• agent是flume流的基础部分。
• flume为这些组件提供了配置、生命周期管理、监控支持。

**核心概念：Source
**

Source负责接收events或通过特殊机制产生events，并将events批量的放到一个或多个Channels。有event驱动和轮询2种类型的Source

• 不同类型的Source:Source必须至少和一个channel关联

  • 和众所周知的系统集成的Sources: Syslog, Netcat
  • 自动生成事件的Sources: Exec, SEQ
  • 用于Agent和Agent之间通信的IPC Sources: Avro

核心概念：Channel

Channel位于Source和Sink之间，用于缓存进来的events，当Sink成功的将events发送到下一跳的channel或最终目的，events从Channel移除。

• 不同的Channels提供的持久化水平也是不一样的:Channels支持事务

  • Memory Channel: volatile
  • File Channel: 基于WAL（预写式日志Write-Ahead Logging）实现
  • JDBC Channel: 基于嵌入Database实现

• 提供较弱的顺序保证

• 可以和任何数量的Source和Sink工作

**核心概念：Sink
**

Sink负责将events传输到下一跳或最终目的，成功完成后将events从channel移除。

• 不同类型的Sinks:必须作用与一个确切的channel

  • 存储events到最终目的的终端Sink. 比如: HDFS, HBase
  • 自动消耗的Sinks. 比如: Null Sink
  • 用于Agent间通信的IPC sink: Avro

Flow可靠性

• 可靠性基于:

  • Agent间事务的交换
  • Flow中，Channel的持久特性

• 可用性:

  • 内建的Load balancing支持
  • 内建的Failover支持

核心概念：Interceptor

用于Source的一组Interceptor，按照预设的顺序在必要地方装饰和过滤events。

• 内建的Interceptors允许增加event的headers比如：时间戳、主机名、静态标记等等
• 定制的interceptors可以通过内省event payload（读取原始日志），在必要的地方创建一个特定的headers。

核心概念：Channel Selector

Channel Selector允许Source基于预设的标准，从所有Channel中，选择一个或多个Channel

• 内建的Channel Selectors:

  • 复制Replicating: event被复制到相关的channel
  • 复用Multiplexing: 基于hearder，event被路由到特定的channel

核心概念：Sink Processor

多个Sink可以构成一个Sink Group。一个Sink Processor负责从一个指定的Sink Group中激活一个Sink。Sink Processor可以通过组中所有Sink实现负载均衡；也可以在一个Sink失败时转移到另一个。

• Flume通过Sink Processor实现负载均衡（Load Balancing）和故障转移（failover）

• 内建的Sink Processors:所有的Sink都是采取轮询（polling）的方式从Channel上获取events。这个动作是通过Sink Runner激活的

  • Load Balancing Sink Processor – 使用RANDOM, ROUND_ROBIN或定制的选择算法
  • Failover Sink Processor
  • Default Sink Processor（单Sink）

• Sink Processor充当Sink的一个代理

总结

转自：http://blog.csdn.net/szwangdf/article/details/33275351