首页 > 其他分享> > 大数据技术之Flume 第2章 Flume入门

大数据技术之Flume 第2章 Flume入门

2022-06-07 03:31:07 作者：互联网

第2章 Flume入门

2.1 Flume安装部署

2.1.1 安装地址

Flume官网地址：http://flume.apache.org/
文档查看地址：http://flume.apache.org/FlumeUserGuide.html
下载地址：http://archive.apache.org/dist/flume/

2.1.2 安装部署

将apache-flume-1.9.0-bin.tar.gz上传到linux的/opt/software目录下。

解压apache-flume-1.9.0-bin.tar.gz到/opt/module/目录下

[wolffy@hadoop102 software]$ tar -zxvf /opt/software/apache-flume-1.9.0-bin.tar.gz -C /opt/module/

修改apache-flume-1.9.0-bin的名称为flume-1.9.0

[wolffy@hadoop102 module]$ mv /opt/module/apache-flume-1.9.0-bin /opt/module/flume-1.9.0

将flume-1.9.0/lib文件夹下的guava-11.0.2.jar删除以兼容Hadoop 3.1.3
```
[wolffy@hadoop102 lib]$ rm /opt/module/flume-1.9.0/lib/guava-11.0.2.jar
```

2.2 Flume入门案例

2.2.1 监控端口数据官方案例NetcatSource

1）案例需求：

使用Flume监听一个端口，收集该端口数据，并打印到控制台。

2）需求分析：

3）实现步骤：

（1）安装netcat工具

[wolffy@hadoop102 software]$ sudo yum install -y nc

（2）判断44444端口是否被占用

[wolffy@hadoop102 software]$ sudo netstat -nlp | grep 44444

（4）在flume目录下创建job文件夹并进入job文件夹。

[wolffy@hadoop102 flume-1.9.0]$ mkdir job
[wolffy@hadoop102 flume-1.9.0]$ cd job/

（5）在job文件夹下创建Flume Agent配置文件 netcat-flume-logger.conf。

[wolffy@hadoop102 job]$ vim netcat-flume-logger.conf

（6）在netcat-flume-logger.conf文件中添加如下内容。

添加内容如下：

# Name the components on this agent 给agent组件命名
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# Describe/configure the source
a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

# Describe the sink
a1.sinks.k1.type = logger

# Use a channel which buffers events in memory
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

注：配置文件来源于官方手册

https://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html

配置文件解析

（7）先开启flume监听端口

第一种写法：

[wolffy@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/netcat-flume-logger.conf -Dflume.root.logger=INFO,console

第二种写法：

[wolffy@hadoop102 flume]$ bin/flume-ng agent -c conf/ -n a1 -f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console

参数说明：

--conf/-c：表示配置文件存储在conf/目录
--name/-n：表示给agent起名为a1
--conf-file/-f：flume本次启动读取的配置文件是在job文件夹下的flume-telnet.conf文件。
-Dflume.root.logger=INFO,console ：-D表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error。

（8）使用netcat工具向本机的44444端口发送内容

[wolffy@hadoop102 ~]$ nc localhost 44444
helloWorld

（9）在Flume监听页面观察接收数据情况

2022-02-12 16:47:07,874 (SinkRunner-PollingRunner-DefaultSinkProcessor) [INFO - org.apache.flume.sink.LoggerSink.process(LoggerSink.java:95)] Event: { headers:{} body: 68 65 6C 6C 6F 57 6F 72 6C 64                   helloWorld }

2.2.2 实时监控单个追加文件 ExecSource(命令)

1）案例需求：实时监控Hive.log日志，并上传到HDFS中.

2）需求分析:

当操作hive的时候，hive的日志hive.log是不断追加的。

execsource

3）实现步骤：

（1）Flume要想将数据输出到HDFS，依赖Hadoop相关jar包

检查/etc/profile.d/my_env.sh文件，确认Hadoop和Java环境变量配置正确

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin

#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

（2）创建 exec-flume-hdfs.conf文件

创建文件

[wolffy@hadoop102 job]$ vim exec-flume-hdfs.conf

注：要想读取Linux系统中的文件，就得按照Linux命令的规则执行命令。由于Hive日志在Linux系统中所以读取文件的类型选择：exec即execute执行的意思。表示执行Linux命令来读取文件。

添加如下内容

# Name
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# source  注意hive路径
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/hive/logs/hive.log

# sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 30
#设置每个文件的滚动大小
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0


# Channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# bind
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

注意：

对于所有与时间相关的转义序列，Event Header中必须存在以 “timestamp”的key（除非hdfs.useLocalTimeStamp设置为true，此方法会使用TimestampInterceptor自动添加timestamp）。

a1.sinks.k1.hdfs.useLocalTimeStamp = true

实时读取本地文件到HDFS

（3）运行Flume

[wolffy@hadoop102 flume-1.9.0]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/exec-flume-hdfs.conf

（4）开启Hadoop和Hive并操作Hive产生日志

开启Hadoop集群和Hive

[wolffy@hadoop102 hive-3.1.2]$ sbin/start-dfs.sh
[wolffy@hadoop102 hive-3.1.2]$ sbin/start-yarn.sh

[wolffy@hadoop102 hive-3.1.2]$ hiveservices.sh start
[wolffy@hadoop102 hive-3.1.2]$ bin/hive
hive (default)>

（5）在HDFS上查看文件。

2.2.3 实时监控目录下多个新文件SpoolDirSource

1）案例需求：使用Flume监听整个目录的文件，并上传至HDFS

2）需求分析：

spoolidir

3）实现步骤：

（1）创建配置文件spooldir-flume-hdfs.conf

创建一个文件

[wolffy@hadoop102 job]$ vim spooldir-flume-hdfs.conf

添加如下内容

# Name
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# source
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /opt/module/flume-1.9.0/job/upload
a1.sources.r1.ignorePattern = ([^ ]*\.tmp)
# sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 30
#设置每个文件的滚动大小
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0


# Channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# bind
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

（2）启动监控文件夹命令

[wolffy@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/spooldir-flume-hdfs.conf -Dflume.root.logger=INFO,console

说明：在使用Spooling Directory Source时，不要在监控目录中创建并持续修改文件；上传完成的文件会以.COMPLETED结尾；被监控文件夹每500毫秒扫描一次文件变动。

（3）向upload文件夹中添加文件

在/opt/module/flume-1.9.0/job/目录下创建upload文件夹

[wolffy@hadoop102 job]$ mkdir upload

向upload文件夹中添加文件

[wolffy@hadoop102 job]$ touch a.txt
[wolffy@hadoop102 job]$ touch b.tmp
[wolffy@hadoop102 job]$ mv a.txt b.txt ./upload/

（4）查看HDFS上的数据

2.2.4 实时监控目录下的多个追加文件TailDirSource

Exec source适用于监控一个实时追加的文件，不能实现断点续传；Spooldir Source适合用于同步新文件，但不适合对实时追加日志的文件进行监听并同步；而Taildir Source适合用于监听多个实时追加的文件，并且能够实现断点续传。

1）案例需求:使用Flume监听整个目录的实时追加文件，并上传至HDFS

2）需求分析:

taildirsource

3）实现步骤：

（1）创建配置文件 job/taildir-flume-hdfs.conf

创建一个文件

[wolffy@hadoop102 job]$ vim taildir-flume-hdfs.conf

添加如下内容

# Name
a1.sources = r1
a1.sinks = k1
a1.channels = c1

# source
a1.sources.r1.type = TAILDIR
a1.sources.r1.positionFile = /opt/module/flume-1.9.0/job/position/position.json
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /opt/module/flume-1.9.0/job/files/.*file.*
#a1.sources.r1.filegroups.f1 = /opt/module/flume-1.9.0/job/files/file1.txt
#a1.sources.r1.filegroups.f2 = /opt/module/flume-1.9.0/job/files/file2.txt
#a1.sources.r1.filegroups.f3 = /opt/module/flume-1.9.0/job/files/file3.txt

# sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:9820/flume/%Y%m%d/%H
#上传文件的前缀
a1.sinks.k1.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a1.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a1.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a1.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a1.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a1.sinks.k1.hdfs.rollInterval = 30
#设置每个文件的滚动大小
a1.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a1.sinks.k1.hdfs.rollCount = 0


# Channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100

# bind
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1

（2）启动监控文件夹命令

[wolffy@hadoop102 flume-1.9.0]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/taildir-flume-hdfs.conf -Dflume.root.logger=INFO,console

（3）向files文件夹中追加内容

在/opt/module/flume-1.9.0/job目录下创建files文件夹

[wolffy@hadoop102 job]$ mkdir files

向upload文件夹中添加文件

[wolffy@hadoop102 files]$ echo hello >> file1.txt
[wolffy@hadoop102 files]$ echo hello >> file2.txt

（4）查看HDFS上的数据

Taildir说明：

Taildir Source维护了一个json格式的position File，其会定期的往position File中更新每个文件读取到的最新的位置，因此能够实现断点续传。Position File的格式如下：

[{"inode":543572,"pos":12,"file":"/opt/module/flume-1.9.0/job/files/file3.txt"},{"inode":543573,"pos":18,"file":"/opt/module/flume-1.9.0/job/files/file2.txt"},{"inode":543574,"pos":46,"file":"/opt/module/flume-1.9.0/job/files/file1.txt"}]

注：Linux中储存文件元数据的区域就叫做inode，每个inode都有一个号码，操作系统用inode号码来识别不同的文件，Unix/Linux系统内部不使用文件名，而使用inode号码来识别文件。

IT学习网站

牛牛IT网站

Spring Cloud Alibaba学习资源推荐

Spring Cloud Alibaba 微服务架构实战
链接: https://pan.baidu.com/s/1nJpfbjPyf3n339INybjOQQ?pwd=8t11 提取码: 8t11
--来自百度网盘超级会员v4的分享
失效加V：x923713

标签：Flume,hdfs,入门,job,a1,k1,flume,数据,sinks
来源： https://www.cnblogs.com/niuniu2022/p/16350386.html