【数仓】通过Flume+kafka采集日志数据存储到Hadoop

【数仓】基本概念、知识普及、核心技术
【数仓】数据分层概念以及相关逻辑
【数仓】Hadoop软件安装及使用（集群配置）
【数仓】Hadoop集群配置常用参数说明
【数仓】zookeeper软件安装及集群配置
【数仓】kafka软件安装及集群配置
【数仓】flume软件安装及配置
【数仓】flume常见配置总结，以及示例

一、flume有什么作用

Apache Flume是一个分布式、可靠且可用的大数据日志采集、聚合和传输系统。它主要用于将大量的日志数据从不同的数据源收集起来，然后通过通道（Channel）进行传输，最终将数据传输到指定的目的地，如HDFS、HBase等。Flume具有高度可扩展性、容错性和灵活性，可以适应各种复杂的数据采集场景。

Flume的核心组件包括Source、Channel和Sink。Source负责从数据源中读取数据，可以是文件、网络套接字、消息队列等；Channel是数据的缓冲区，用于在Source和Sink之间传输数据；Sink负责将数据写入目标存储系统，如HDFS、HBase、Kafka等。此外，Flume还支持多种类型的Source、Channel和Sink，用户可以根据实际需求进行选择和配置。

Flume的主要作用是实现大规模数据采集和传输，实现数据的实时处理和分析，从而为企业提供更好的业务决策支持。在实际应用中，Flume可以用于日志收集、事件跟踪、数据流处理等场景。通过将数据从不同的数据源采集并传输到指定的目的地，Flume可以帮助企业实现数据的集中存储和管理，为后续的数据分析和挖掘提供基础。

此外，Flume还具有可靠性机制和故障转移和恢复机制，能够保证数据传输的可靠性和安全性。同时，Flume还支持客户扩展和自定义开发，用户可以根据自己的需求进行扩展和优化，使其更加适合特定的应用场景。

总的来说，Apache Flume是一个功能强大、灵活可靠的大数据日志采集、聚合和传输系统，它在大数据处理中起到了至关重要的作用。

二、环境准备

准备1台虚拟机

Hadoop131：192.168.56.131

本例系统版本 CentOS-7.8，已安装jdk1.8

关闭防火墙

systemctl stop firewalld

zookeeper、kafka 已安装，且已启动

三、flume安装配置

1、配置flume agent

1）本例演示 flume 去掉kafka数据，然后存储到hdfs中
2）完整数据通道是：log文件 > flume > kafka > flume > hdfs
3）flume 安装目录是 /data/flume
4）kafka 、Hadoop在前面已经安装过

新建配置文件 /data/flume/conf/job/kafka_to_hdfs_log.conf，内容如下：

# 定义组件
# 这里定义了Flume agent的三个主要组件：source（数据源）、channel（通道）和sink（数据接收器）。
a2.sources=r2
a2.channels=c2
a2.sinks=k2

# 配置source
# 配置数据源为Kafka，指定了Kafka的相关参数，如服务器地址、主题等。
a2.sources.r2.type = org.apache.flume.source.kafka.KafkaSource
# 每次从Kafka拉取的数据量
a2.sources.r2.batchSize=5000
# 拉取数据的间隔时间（毫秒）
a2.sources.r2.batchDurationMillis=2000
# Kafka服务器地址列表
a2.sources.r2.kafka.bootstrap.servers = hadoop131:9092,hadoop132:9092,hadoop133:9092
# 从Kafka的哪个主题拉取数据
a2.sources.r2.kafka.topics=topic_log
# 注释掉的部分是关于拦截器的配置，拦截器可以用来对数据源的数据进行预处理。
#a2.sources.r2.interceptors=i2
#a2.sources.r2.interceptors.i2.type = com.my.flume.interceptor.TimestampInterceptor

# 配置channel
# 配置通道为文件通道，指定了通道的相关参数，如检查点目录、数据目录等。
a2.channels.c2.type = file
# 检查点目录，用于存储通道的状态信息
a2.channels.c2.checkpointDir = /data/flume/checkpoint/behaviorl
# 数据目录，用于存储通道中的数据
a2.channels.c2.dataDirs = /data/flume/data/behaviorl
# 通道中文件的最大大小（字节）
a2.channels.c2.maxFileSize = 2146435071
# 通道的容量，即可以存储的最大事件数
a2.channels.c2.capacity = 1000000
# 通道的keepalive时间（秒）
a2.channels.c2.keepalive = 6

# 配置sink
# 配置数据接收器为HDFS，指定了HDFS的相关参数，如文件路径、文件前缀等。
a2.sinks.k2.type =hdfs
# HDFS上的文件路径，使用了时间变量来动态生成目录
a2.sinks.k2.hdfs.path = /origin_data/user/log/topic_log/%Y-%m-%d
# HDFS上的文件前缀
a2.sinks.k2.hdfs.filePrefix=log
# 是否按照时间轮转文件，这里设置为false，表示不按照时间轮转
a2.sinks.k2.hdfs.round =false
# 文件轮转的时间间隔（秒）
a2.sinks.k2.hdfs.rollInterval=10
# 文件轮转的大小阈值（字节）
a2.sinks.k2.hdfs.rollSize=134217728
# 文件轮转的事件数阈值，这里设置为0，表示不按照事件数轮转
a2.sinks.k2.hdfs.rollCount=0

# 控制输出文件类型
# 设置输出文件的类型为压缩流格式，并使用gzip压缩算法。
a2.sinks.k2.hdfs.fileType = CompressedStream
a2.sinks.k2.hdfs.codeC = gzip

# 组装
# 将数据源、通道和数据接收器组装在一起，形成一个完整的Flume agent。
a2.sources.r2.channels=c2
a2.sinks.k2.channel=c2

这个配置文件定义了一个Flume agent，它从Kafka中读取数据，通过文件通道进行缓存，并最终将数据写入到HDFS中。在写入HDFS时，使用了压缩流格式，并对输出文件进行了gzip压缩。同时，还通过一些参数对文件的轮转进行了控制。

2、启动flume

1）创建flume启动脚本f2.sh

vi /usr/bin/f2.sh
# 修改文件权限
chmod 777 /usr/bin/f2.sh

2）复制如下内容

#!/bin/bash

#1. 判断参数个数
if [ $# -lt 1 ]
then
  echo Not Enough Arguement!
  exit;
fi

case $1 in
"start")
    #遍历集群所有机器
    for host in hadoop131
    do
        echo --------------------  $host 日志收集 flume 启动 --------------------
        ssh $host "nohup /data/flume/bin/flume-ng agent -n a2 -c /data/flume/conf/ -f /data/flume/conf/job/kafka_to_hdfs_log.conf >/dev/null 2>&1 &"
    done
;;
"stop")
    #遍历集群所有机器
    for host in hadoop131
    do
        echo --------------------  $host 日志收集 flume 停止 --------------------
        ssh $host "ps -ef | grep kafka_to_hdfs_log | grep -v grep | awk '{print \$2}' |xargs -n1 kill 9"
    done
;;
*)
    echo "Input Args Error..."
;;
esac

3）通过集群脚本 f2.sh 操作

f2.sh start

flume启动命令说明

以下是flume启动命令的常用参数：

参数	默认值	说明
`--name` 或 `-n`	无默认值，必须指定	指定启动的Flume Agent的名称。这个名称应该与配置文件中定义的agent的名称一致。
`--conf` 或 `-c`	无默认值，通常设置为flume配置文件的目录	指定Flume配置文件的目录。这个目录下应该包含flume的配置文件。
`--conf-file` 或 `-f`	无默认值，必须指定	指定具体的Flume配置文件名。这个文件应该包含了Flume Agent的配置信息。
`--zkConnString` 或 `-z`	无默认值	当Flume配置使用Zookeeper进行集群管理时，指定Zookeeper的连接字符串。格式为主机名:端口号，多个节点用逗号分隔。
`-Dflume.root.logger`	无默认值，通常设置为`INFO,console`	设置Flume的日志级别和输出方式。例如，`INFO,console`表示日志级别为INFO，并输出到控制台。也可以设置为输出到日志文件。
`--no-reload-conf`	false	如果设置为true，那么Flume将不会重新加载配置文件，即使配置文件发生了变化。
`--help` 或 `-h`	无默认值	显示帮助信息，列出所有可用的启动参数。

需要注意的是，Flume的启动参数可能会因版本和具体的使用场景而有所不同。上表中的参数是最常用的，但并不是所有的参数都在所有版本的Flume中都可用。在实际使用时，建议查阅对应版本的Flume官方文档或使用flume-ng agent --help命令查看可用的参数列表。

3、验证日志采集通路

1）在指定的log目录中生成日志文件

cat app.log >> /data/applog/log/app_test.log

2）打开Hadoop查看数据，http://192.168.56.131:9870/

Hadoop在前面已经安装过

在这里插入图片描述

参考

https://flume.apache.org/

秒客网