在大數據時代背景下，如何采集出有用的信息已經是大數據發展的關鍵因素之一，數據采集可以說是大數據產業的基石。Flume作為開源的數據采集系統，受到了業界的認可與廣泛應用。本文將帶你了解Flume的基本架構以及使用案例等。

01

Flume簡介

1.1 Flume是什么？

Flume是Apache Software Foundation的頂級項目。它是一個分布式，可靠且可用的系統，主要用于高效地收集，聚合大量日志數據并將其從不同的源移動到集中式數據存儲中。

Flume的使用不僅限于日志數據聚合。由于數據源是可定制的，因此Flume可用于傳輸大量事件數據，包括但不限于網絡流量數據，社交媒體數據，電子郵件消息以及幾乎所有可能的數據源。

1.2 Flume外部結構

數據發生器產生的數據被所在服務器上的agent收集，之后數據收容器從各個agent上匯集數據并將采集到的數據存入到HDFS或者HBase中。同時，Flume還有如下特點：

• 使用Flume，我們可以將多個服務器中獲取的數據迅速的移交給Hadoop中；
• 支持各種接入數據的類型以及接出數據類型；
• 支持多路徑流量，多管道接入流量，多管道接出流量，上下文路由等；
• 支持水平擴展。

02

Flume的一些核心概念

Client：客戶端，生產數據，運行在一個獨立的線程。

Event：事件，是一個數據單元，由消息頭和消息體組成。

Agent：一個獨立的Flume進程，包含組件Source、 Channel、 Sink。

Source：數據的收集端，負責將數據捕獲后進行特殊的格式化，將數據封裝到Event里，然后推入Channel中。

Channel：中轉Event的一個臨時存儲，保存由Source組件傳遞過來的Event。

Sink：從Channel中讀取并移除Event， 將Event傳遞到下一個Agent。

2.1 Flume Agent結構

Flume內部有一個或者多個Agent，它是Flume 運行的核心。然而對于每一個Agent來說，它就是一個獨立的守護進程(JVM)，它從客戶端或者其他的 Agent接收數據，然后迅速的傳給下一個目的節點Sink，或者Agent。

Flume以Agent為最小的獨立運行單位。它是一個完整的數據收集工具，含有三個核心組件，分別是Source、 Channel、 Sink。其工作流程為：把數據從數據源(Source)收集過來，在將收集到的數據送到指定的目的地(Sink)。為了保證輸送的過程一定成功，在送到目的地之前，會先緩存數據(Channel)，待數據真正到達目的地(Sink)后，Flume再刪除緩存的數據。

2.2 Source

Source 負責數據的產生或搜集，并將數據捕獲后進行特殊的格式化，封裝到Event，然后再推入Channel。一般是對接一些RPC的程序或者是其他的Flume節點的Sink，從數據發生器接收數據，并將接收的數據以Event格式傳遞給一個或者多個通道Channel，Flume提供多種數據接收的方式，比如avro、thrift、netcat、sequence generator、syslog、http等，如果內置的Source無法滿足需要， Flume還支持自定義。

2.3Channel

Channel 是一種短暫的存儲容器，負責數據的存儲持久化，可以持久化到jdbc，file，memory，將從Source接收到的Event格式的數據緩存起來，直到它們被Sink消費掉，可以把Channel看成是一個隊列，隊列的優點是先進先出，放好后尾部一個個Event出來，Flume比較看重數據的傳輸，因此幾乎沒有數據的解析預處理。僅僅是數據的產生，封裝成Event然后傳輸。數據只有存儲在下一個存儲位置，數據才會從當前的Channel中刪除。這個過程是通過事務來控制的，這樣就保證了數據的可靠性。

不過Flume的持久化也是有容量限制的，比如內存如果超過一定的量，不夠分配，也一樣會爆掉。

2.4 Sink

Sink負責數據的轉發，將數據存儲到集中存儲器比如Hbase和HDFS，它從Channel消費數據并將其傳遞給目標地。目標地可能是另一個Sink，也可能是hdfs、logger、avro、thrift、file、Hbase、solr或者自定義等。

Sink從Channel中取出事件，然后將數據發到別處，可以向文件系統、數據庫、 hadoop存數據， 也可以是其他agent的Source。在日志數據較少時，可以將數據存儲在文件系統中，并且設定一定的時間間隔保存數據。

Sink支持設置存儲數據位置，在日志數據較少時，可以將數據存儲在文件系中，并且設定一定的時間間隔保存數據。在日志數據較多時，可以將相應的日志數據存儲到Hadoop中，便于日后進行相應的數據分析。

2.5 Event

Flume使用Event對象作為傳遞數據的格式，特點如下：

① Event將傳輸的數據進行封裝，是Flume傳輸數據的基本單位，如果是文本文件，通常是一行記錄。

② Event也是事務的基本單位。

③ Event從Source，流向Channel，再到Sink，本身為一個字節數組，并可攜帶headers(頭信息)信息。

④ Event代表著一個數據的最小完整單元，從外部數據源來，向外部的目的地去。

一個完整的Event包括：headers、body、Event信息(即文本文件中的單行記錄)。其中body是一個字節數組，包含了實際的內容，如下圖所示：

03

Flume攔截器、數據流以及可靠性

3.1 Flume攔截器

當我們需要對數據進行過濾時，除了在Source、 Channel和Sink進行代碼修改之外， Flume為我們提供了攔截器，位于Source和Channel之間，在日志進入到Source之前，對日志進行一些包裝、清洗過濾等動作。

當我們為Source指定攔截器后，會在其中得到Event，根據需求我們可以對Event進行保留還是拋棄，拋棄的數據不會進入Channel中。

3.2 Flume數據流

Flume 的核心是把數據從數據源收集過來，再送到目的地。為了保證輸送成功，在送到目的地之前，會先緩存數據，待數據真正到達目的地后，刪除緩存的數據。

Flume 傳輸數據的基本單位是 Event，如果是文本文件，通常是一行記錄。Event 從 Source，流向 Channel，再到Sink，本身為一個byte數組，并可攜帶 headers 信息。Event 代表著一個數據流的最小完整單元，從外部數據源來，向外部的目的地去。

值得注意的是，Flume提供了大量內置的Source、Channel和Sink類型。不同類型之間可以自由組合。組合方式基于用戶設置的配置文件，非常靈活。比如：Channel可以把事件暫存在內存里，也可以持久化到本地硬盤上。Sink可以把日志寫入HDFS、HBase或其它Source等。Flume支持用戶建立多級流，也就是說，多個agent可以協同工作，這也是Flume強大之處。

3.3 Flume可靠性

Flume可以通過以下方式保證其可靠性：

① Flume保證單次跳轉可靠性的方式：傳送完成后，該事件才會從通道中移除；

② Flume使用事務性的方法來保證事件交互的可靠性；

③ Flume可以將數據可暫存，當目標不可訪問后，數據會暫存在Channel中，等目標可訪問之后，再進行傳輸；

④ 數據處理過程中，如果因為網絡中斷或者其他原因，在某一步被迫結束了，這個數據會在下一次重新傳輸；

⑤ Source和Sink封裝在一個事務的存儲和檢索中，即事件的放置或者提供由一個事務通過通道來分別提供，保證了事件集在流中可靠地進行端到端的傳遞。

04

Flume使用場景****

Flume在英文中的意思是水道，它更像是可以隨意組裝的消防水管，下面根據官方文檔，展示幾種Flow。

4.1 單個agent采集數據

單個Agent收集數據源，存儲到最終的外部系統中，這是最簡單的情況。

4.2 多個agent順序連接

多個Agent順序連接起來，將最初的數據源經過收集，最終存儲到外部系統中。一般情況下，應該控制這種順序連接的Agent 的數量，因為數據流經的路徑變長了，如果出現故障將影響整個服務。

4.3 多個Agent數據匯集

日志收集中的一個非常常見的情況是，大量的日志生成客戶端將數據發送到連接存儲子系統的使用方代理。例如，從數百臺Web服務器收集的日志發送到多個寫入HDFS群集的代理。

這可以在Flume中實現，方法是為多個第一層代理配置一個avro接收器，它們均指向單個代理的avro源。第二層代理上的此源將接收到的事件合并到一個通道中，該通道由接收器消耗到其最終目地的。

4.4 多級流

Flume支持多級流，那么什么是多級流呢？我們舉個例子，當syslog， java， nginx、 tomcat等混合在一起的日志流開始流入一個agent后，可以在agent中將混雜的日志流分開，然后給每種日志建立一個自己的傳輸通道。

上面的示例顯示了來自代理“ foo”的源，將流擴展到三個不同的通道。

值得注意的是，當多個agent級聯時，一個Source可以對接多個chanel，但是一個chanel只能對接一個Sink。

05

Flume優缺點

5.1 優點

① Flume可以將應用產生的數據存儲到多種集中存儲器;

② Flume提供上下文路由特征;

③ Flume的管道是基于事務，保證了數據在傳送和接收時的一致性;

④ Flume是可靠的，容錯性高的，可升級的，易管理的，并且可定制的;

⑤ Flume可以實時的將分析數據并將數據保存在數據庫或者其他系統中;

⑥ 當收集數據的速度超過將寫入數據的時候，也就是當收集信息遇到峰值時，收集的信息非常大，甚至超過了系統的寫入數據能力，這時候，Flume會在數據生產者和數據收容器間做出調整，保證其能夠在兩者之間提供一個平穩的數據。

5.2 缺點

Flume的配置比較繁瑣，Source，Channel，Sink的關系在配置文件里面交織在一起，不便于管理。