背景
我们前面一直在写处理程序、sql去处理数据，大家都知道我们要处理和分析的数据是存在hdfs分布式文件存储系统当中的
但这些数据并不是一开始就存储在hdfs当中的，有些数据在业务系统的机器上，有些数据在日志系统的机器上
这就要求我们能够将数据从业务系统的机器上给收集过来，而且后面我们实践后续项目时也要求能够对数据进行采集（不然数据从哪来？）
比如说我们需要分析用户的行为习惯，通过分析了解用户的喜好等，从而为公司的运营指导方向，对用户进行精准投放广告或者推荐，提高公司产品的转化率
再或者通过用户的行为 来优化公司内部产品的研发
那需要分析用户的行为习惯，用户产生的行为，肯定是某个动作，某个行为，触发，比如用户在提交订单这个步骤上停留的时间非常长
这些用户的行为，肯定来源于业务系统，那数据肯定存储在业务系统的服务器上
我们不可能直接自己在服务器上写个java程序，请求hdfs客户端，采集日志数据完之后，再上传到hdfs上，一来我们不能保证程序的健壮性
比如程序崩了怎么办？数据传输安全吗？数据丢失了怎么办？二来，我们自己写太麻烦了
这就用到了分布式数据采集工具----------flume
1）高可用（级联模式下，一台下游agent崩掉之后，可以立即切换另外一台agent使用）
2）分布式（可以在多台服务器上采集数据），可以采集文件，socket数据包（网络端口）、文件夹、kafka、mysql数据库等各种形式源数据
3）可存储、汇聚到大数据生态的各种存储系统中（hdfs、hbase、hive、kafka）可以将采集到的数据(下沉sink)输出到HDFS、hbase、hive、kafka等众多外部存储系统中
4）配置简单，开箱即用！一般的采集、传输需求，通过对flume的简单配置即可实现；不用开发一行代码！
5）良好的扩展功能，Flume针对特殊场景也具备良好的自定义扩展能力，因此，flume可以适用于大部分的日常数据采集场景
业务系统-日志服务器集群-日志采集-示意图如下：
小知识点：埋点
我们知道，用户行为的记录，肯定是用户自己做了某种行为之后，才会记录下来。那么怎么记录，又记录在哪呢？
举个例子，web项目，用户通过淘宝购物，点击购物车，触发了网页html中js设置的程序代码，这个就叫埋点代码
触发之后，代码将向服务器端进行请求，服务器端将用户行为，通过打日志或者其他方式记录到本地磁盘中
1）agent
Flume中最核心的角色是agent，flume采集系统就是由一个个agent连接起来所形成的一个或简单或复杂的数据传输通道。
对于每一个Agent来说,它就是一个独立的守护进程(JVM),它负责从数据源接收数据，并发往下一个目的地，如下图所示：
Agent的3个组件的设计思想，主要考虑的是：
source和sink之间解耦合，以及异步操作；
每一个agent相当于一个数据(被封装成Event对象)传递员，内部有3个核心组件：
Source：采集组件，用于跟数据源对接，以获取数据；它有各种各样的内置实现；
Sink：下沉组件，用于往下一级agent传递数据或者向最终存储系统传递数据
Channel：传输通道组件，用于从source将数据传递到sink
2）Event
数据在channel中的封装形式；
Source组件在获取到原始数据后，需要封装成Event放入channel；
Sink组件从channel中取出Event后，需要根据目标存储的需求，转成其他形式的数据输出
Event封装对象主要有两部分组成： Headers和 Body
header是一个集合 Map[String,String]，用于携带一些KV形式的元数据（标志、描述等）
body： 就是一个字节数组byte[]；装载具体的数据内容
3）interceptor 拦截器
拦截器，就是为用户提供添加数据处理逻辑的可能性
拦截器工作在source组件之后，source产生的event会被传入拦截器根据需要进行拦截处理
而且，拦截器可以组成拦截器链！
拦截器在flume中有一些内置的功能比较常用的拦截器
用户也可以根据自己的数据处理需求，自己开发自定义拦截器！
这也是flume的一个可以用来自定义扩展的接口！
4）级联串联（一般下游agent会使用高可用模式，有一个处于待机或者未工作状态）
4）事务机制
数据传输的三个语义：
At least once 至少传输数据完整一次（不会丢失数据，但可能产生重复传输）
At most once 至多传输数据完整一次（可能一次都不会成功，可能会丢失数据）
Exactly once 数据不丢失且不重复 实现完美传输
Flume并没有实现Exactly once！但可以实现at least once! 因为Exactly once确实比较难实现！
Flume使用两个独立的事务：
put操作：source读取数据源并写入event到channel
take操作：sink从channel中获取event并写出到目标存储
事务实现的核心点是：记录状态！
比如source，会记录自己完成拉取成功数据的偏移量
另外还有些其他的概念，以后碰到了再说，这里不再赘述。
flume的安装贼简单，只需要导个包，配置些文件即可！
1）解压
将flume的安装包上传到linux01上之后，解压到/opt/apps下面
2）写配置文件
接下来我们通过案例，一边配置一边实践
需求：
现在需要对服务器磁盘某个文件下的数据进行采集，数据是用户的行为数据，数据中含有时间，采集完成之后，我需要按照时间，具体到天为单位文件夹存放在hdfs中
思考：
1）因为flume的agent从用户触发时间开始到收集----存入channel-----由sink读出来下沉到hdfs中，这个过程肯定有时间延迟，假如某个用户某次行为触发事件的时间为2021-1-8 23:59:59 ，而存入hdfs端的时间也是用的本机服务器的时间的话，很明显，按照天单位文件夹存，它就存到1月9号去了，是不可行的，所以我们得记录用户触发事件的时间，最好是连带着用户的行为中，一起被收集到source中
2）既然时间是在用户行为数据当中，那么我们可以设置拦截器，对数据进行提取，分析，再存入到event的header中（不能存入body中，因为目标数据具体是什么格式的，我们并不知道，但是header是一个hashmap），因为flume自己提供的拦截器 并没有能完成我们这种需求的，所以需要自定义拦截器
先来写拦截器：
新建maven代码，导入flume依赖包，自定义拦截器，继承flume的interceptor
代码如下：
package cn.study.demo01;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;
import java.util.List;
/**
* @author:tom
* @Date:Created in 16:15 2021/1/8
*/
public class EventStampInterceptor implements Interceptor {
String split_by;
Integer ts_index;
public EventStampInterceptor(String split_by, Integer ts_index) {
this.split_by = split_by;
this.ts_index = ts_index;
}
/**
* 初始化方法，在正式调用拦截逻辑之前，会先调用一次
*/
public void initialize() {
}
/**
* 拦截的处理逻辑所在方法
* 假设，我们要采集的数据，格式如下：
* id,name,timestamp,devicetype,event
*/
public Event intercept(Event event) {
byte[] body = event.getBody();
String line = new String(body);
String timeStamp = line.split(split_by)[ts_index];
event.getHeaders().put("timestamp", timeStamp);
return event;
}
public List<Event> intercept(List<Event> list) {
for (Event event : list) {
intercept(event);
}
return list;
}
/**
* 关闭清理方法，在销毁该拦截器实例之前，会调用一次
*/
public void close() {
}
//builder 构建自定义拦截器对象的
public static class EventStampInterceptorBuilder implements Interceptor.Builder {
String split_by;
Integer ts_index;
public Interceptor build() {
return new EventStampInterceptor(split_by, ts_index);
}
//可以获取到配置文件中的对象
public void configure(Context context) {
split_by = context.getString("split_by");
ts_index = context.getInteger("ts_index", 2);
}
}
}
采用级联模式，使用三台linux作为agent，其中linux03作为下游agent，linux01和linux02作为上游agent
下游linux03的配置文件：
a1.sources = r1
a1.channels = c1
a1.sinks = k1
a1.sources.r1.channels = c1
a1.sources.r1.type = avro
a1.sources.r1.bind = 0.0.0.0
a1.sources.r1.port = 41414
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 200
a1.sinks.k1.channel = c1
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://linux01:8020/doit19_0108/%Y-%m-%d/
a1.sinks.k1.hdfs.filePrefix = DoitEduData
a1.sinks.k1.hdfs.fileSuffix = .log
a1.sinks.k1.hdfs.rollInterval = 60
a1.sinks.k1.hdfs.rollSize = 268435456
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.batchSize = 100
a1.sinks.k1.hdfs.useLocalTimeStamp = false
上游linux01的配置文件：
a1.sources = r1
a1.channels = c1
a1.sinks = k1
a1.sources.r1.channels = c1
a1.sources.r1.type = TAILDIR
a1.sources.r1.batchSize = 100
a1.sources.r1.filegroups = g1
a1.sources.r1.filegroups.g1 = /home/a.log
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = cn.study.demo01.EventStampInterceptor$EventStampInterceptorBuilder
a1.sources.r1.interceptors.i1.split_by = ,
a1.sources.r1.interceptors.i1.ts_index = 2
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 200
a1.sinks.k1.channel = c1
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = linux03
a1.sinks.k1.port = 41414
a1.sinks.k1.batch-size = 100
上游linux02的配置文件：
a1.sources = r1
a1.channels = c1
a1.sinks = k1
a1.sources.r1.channels = c1
a1.sources.r1.type =TAILDIR
a1.sources.r1.filegroups = g1
a1.sources.r1.filegroups.g1 = /home/a.log
a1.sources.r1.batchSize = 100
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type = cn.study.demo01.EventStampInterceptor$EventStampInterceptorBuilder
a1.sources.r1.interceptors.i1.split_by = ,
a1.sources.r1.interceptors.i1.ts_index = 2
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 200
a1.sinks.k1.channel = c1
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = linux03
a1.sinks.k1.port = 41414
a1.sinks.k1.batch-size = 100
为了制造新产生的数据，我写了个脚本，并输出到/home/a.log 中
先执行脚本，使其不断产生数据
启动下游agent
linux03：bin/flume-ng agent -c conf/ -f myagentconf/exec-m-hdfs-xiayou.conf -n a1 -Dflume.root.logger=INFO,console
启动上游两个agent
linux02：
bin/flume-ng agent -c conf/ -f myagentconf/exec-m-shangyou.conf -n a1 -Dflume.root.logger=INFO,console
linux01：
bin/flume-ng agent -c conf/ -f agent.conf/exec-m-shangyou.conf -n a1 -Dflume.root.logger=INFO,console
可以看到，成功采集并才hdfs上分好了文件夹，和存入了相应的数据
注意点：
1）上游两个采集数据的agent的type使用的是TAILDIR 而不是exec ，因为TAILDIR 会记录已经采集数据的偏移量，能保证数据不丢失，一般我们使用的也是这个TAILDIR ，但是记得要指定filegroups
2） 必须要先启动下游的linux03，因为linux03作为下游服务器端agent，是接收上游客户端nagent的数据请求，通过网络将上游的数据拉取过来，必须先启动下游，才能启动上游的agent，下游的agent通过监听启动服务的端口号，看是否有数据sink（上游agent的sink）传输过来，进而进行工作，上游agent的sink需要指定端口号，即下游agent 启动之后的resoure的端口号
3）上游的agent的sink端口号为下游agent的source的端口号；上游agent的sink的type和下游的source的type都为avro，这是一种跨平台、跨语言的序列化方式
4）上游agent的sink 主机名记得写linux03，写错了几次
5）linux02和linux03要配置hadoop的环境变量
6）配置文件，粘贴的时候，要提前按i或者o进入插入模式，否则将消耗粘贴内容中的关键字
网友评论