一、简介
1.1、概念
Apache Flume 是一个分布式、可靠且可用的系统,专为收集、聚合和移动大量日志数据而设计。它的架构基于流式数据流模型,允许开发者通过简单的配置实现从多个来源收集数据,通过简单的配置文件,用户即可完成复杂的数据流定义,大大降低了使用门槛。Flume 最常见的应用场景是从 Web 服务器或其他服务的日志文件中实时收集数据,并将这些数据传输到一个或多个目标位置,如HDFS(Hadoop分布式文件系统)、关系数据库、消息队列等。
1.2、特点
高可用性:Flume 设计有故障恢复机制,能够自动重试失败的操作,确保数据的可靠传输。
可扩展性:用户可以根据数据流量的变化动态调整Agent的数量,轻松应对数据增长的需求。
灵活性:支持多种数据源和目的地,可以通过配置文件轻松定制数据流,满足不同业务场景的需求。
易用性:提供了丰富的插件和配置选项,无需编程即可实现复杂的数据收集和传输任务。
二、安装
2.1、上传解压重命名
上传到 /opt/moudles 下
解压到 /opt/installs 下
重命名
2.2、修改配置文件
来到 /opt/instals/flume/conf 下
将JAVA_HOME路径修改为自己的jdk路径
修改环境变量
刷新一下: source /etc/profile
三、使用(以案例形式)
参考网址:Flume 1.9用户手册中文版 — 可能是目前翻译最完整的版本了
flume 的使用是编写 conf文件的,运行的时候指定该文件
3.1、Avro+Memory+Logger
可以在flume的conf下创建一个 myconf 文件夹来存放写的文件
找到channel中的memory类型,再设置一下
接着查找sink,sink的类型是logger
最终合并起来的文件就是:
在myconf文件夹下创建conf文件 avro-memory-log.conf 将上面的代码粘贴进去,随后运行它
3.2、Exec + Memory + HDFS
到企业中怎么知道用什么呢?
取决于公司的业务,理论将 sources channel sink 可以任意组合
以下版本演示的是没有时间语义的案例:
不断向 arr1.txt 文件中输入数据即可观察到被抽取的现象
3.3、Spool +File + HDFS
Spooling Directory
spool 这个效果是抽取一个文件夹的效果,文件夹中不断的产生新的文件,我将这些新的文件上传至hdfs。
以上的采集只能采集到文件夹中是否有新的文件产生,不能采集变化的文件。
抽取一个文件夹中的所有文件,子文件夹中的文件是不抽取的,抽取过的文件,数据发生了变化,也不会再抽取一次。
3.4、tailDir + Memory + HDFS [ 非常常用 ]
tailDir 是用来监控多个文件夹下的多个文件的,只要文件内容发生变化,就会再次的进行数据的抽取
运行: