什么是 Flume

Flume是由Cloudera软件公司提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，后与2009年被捐赠了apache软件基金会，为hadoop相关组件之一。尤其近几年随着flume的不断被完善以及升级版本的逐一推出，特别是flume-ng;同时flume内部的各种组件不断丰富，用户在开发的过程中使用的便利性得到很大的改善，现已成为apache top项目之一。

apache Flume 是一个从可以收集例如日志，事件等数据资源，并将这些数量庞大的数据从各项数据资源中集中起来存储的工具/服务。flume具有高可用，分布式，配置工具，其设计的原理也是基于将数据流，如日志数据从各种网站服务器上汇集起来存储到HDFS，HBase等集中存储器中。

Flume特点

1、可靠性：当节点出现故障时，日志能够被传送到其他节点上而不会丢失。Flume提供了三种级别的可靠性保障，所有的数据以event为单位传输，从强到弱依次分别为：end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不会进行确认）。

2、可扩展性：Flume采用了三层架构，分别为agent，collector和storage，每一层均可以水平扩展。其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题。

3、可管理性：所有agent和colletor由master统一管理，这使得系统便于维护。多master情况，Flume利用ZooKeeper和gossip，保证动态配置数据的一致性。用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。Flume提供了web 和shell script command两种形式对数据流进行管理。

4、功能可扩展性：用户可以根据需要添加自己的agent，collector或者storage。此外，Flume自带了很多组件，包括各种agent（file， syslog等），collector和storage（file，HDFS等）。

5、文档丰富，社区活跃：Flume 已经成为 Hadoop 生态系统的标配，它的文档比较丰富，社区比较活跃，方便我们学习。

基本概念

Event

• Event 是Flume数据传输的基本单元，是数据，如果输入的是文本文件，event是一行记录。
• Flume 以事件(Event )的形式将数据从源头传输到最终的目的。
• Event 由可选的 header 和载有数据的一个 byte array 构成。
  载有的数据对Flume是不透明的。
  Header 是容纳了key-value字符串对的无序集合，key在集合内是唯一的。
  Header 可以在上下文路由中使用扩展。

source

• Source负责接收event或通过特殊机制产生event，并将events批量的放到一个或多个Channel。
• Source包含event驱动和轮询两种类型。
• Source 有不同的类型。
  与系统集成的Source：Syslog，NetCat。
  自动生成事件的Source：Exec用于Agent和Agent之间的通信的IPC Source：Avro、Thrift。
• Source必须至少和一个Channel关联。

channel

• Channel位于Source和Sink之间，用于缓存进来的event。
• 当Sink成功的将event发送到下一跳的Channel或最终目的地，event才Channel中移除。
• 不同的Channel提供的持久化水平也是不一样的：
  Memory Channel：volatile。
  File Channel：基于WAL实现。
  JDBC Channel：基于嵌入Database实现。
• Channel支持事物，提供较弱的顺序保证。
• Channel可以和任何数量的Source和Sink工作。

Sink

• Sink负责将event传输到下一跳或最终目的，成功完成后将event从Channel移除。
• 有不同类型的Sink：
  存储event到最终目的的终端Sink。比如HDFS，HBase。
  自动消耗的Sink。比如：Null Sink。
  用于Agent间通信的IPC sink：Avro。