【数仓】flume软件安装及配置

时间：2024-03-10 07:04:13

相关文章

  • 【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、flume下载安装

# 下载解压
wget --no-check-certificate https://dlcdn.apache.org/flume/1.11.0/apache-flume-1.11.0-bin.tar.gz
tar -xzvf apache-flume-1.11.0-bin.tar.gz
mv apache-flume-1.11.0-bin/ /data/flume/

2、配置环境变量

新增环境变量文件

vi /etc/profile.d/flume_env.sh

export FLUME_HOME=/data/flume
export PATH=$PATH:$FLUME_HOME/bin

使用source让新增环境生效

source /etc/profile

在命令行中输入flume-ng version命令，如果返回Flume的版本信息，则说明安装成功。

3、配置flume服务器属性

本例演示 flume 读取日志文件，然后发送到kafka中

1）配置日志存储路径

在flume主目录，执行 vim conf/log4j2.xml 

<Property name="LOG_DIR">/data/flume/logs</Property>

2）新建配置文件 conf/job/file_to_kafka.conf，内容如下：

# 定义Agent的组件
# 设置source的名称为rl
al.sources = rl
# 设置channel的名称为cl
al.channels = cl

# 配置source
# 指定source的类型为TAILDIR，这是一个能够追踪文件变化并读取新增内容的source
al.sources.rl.type = TAILDIR
# 定义文件组fl，这里fl是一个标识符，可以定义多个文件组，每个文件组可以包含多个文件模式
al.sources.rl.filegroups = fl
# 指定文件组fl的文件路径模式，/data/applog/log/app.* 表示匹配/data/applog/log/目录下以app开头的所有文件
al.sources.rl.filegroups.fl = /data/applog/log/app.*
# 指定positionFile的位置，该文件用于记录TAILDIR source读取文件的偏移量，以便在Flume重启后可以从上次的位置继续读取
al.sources.rl.positionFile = /data/flume/data/taildir_position.json

# 配置channel
# 设置channel的类型为KafkaChannel，即数据将发送到Kafka
al.channels.cl.type = org.apache.flume.channel.kafka.KafkaChannel
# 指定Kafka集群的地址和端口，这里配置了3个Kafka broker
al.channels.cl.kafka.bootstrap.servers = hadoop131:9092,hadoop132:9092,hadoop133:9092
# 设置发送到Kafka的主题名称
al.channels.cl.kafka.topic = topic_log
# 设置parseAsFlumeEvent为false，表示发送到Kafka的数据不会被封装为Flume的Event格式，而是保持原始格式
al.channels.cl.parseAsFlumeEvent= false

# 组装source和channel
# 将source rl连接到channel cl，表示rl读取的数据将发送到cl指定的Kafka channel中
al.sources.rl.channels = cl

这份配置文件定义了一个简单的Flume Agent，它使用TAILDIR source来监控某个目录下的日志文件变化，并将新增的日志内容发送到Kafka。配置文件中的注释详细解释了每个配置项的作用和含义。在实际部署时，需要根据实际环境调整配置文件中的路径、Kafka集群地址、主题名称等参数。

另外，请注意，Flume的Kafka Channel在某些版本中可能已经被标记为过时，推荐使用Kafka Sink。如果你使用的是较新的Flume版本，并且希望使用推荐的配置，那么应该使用Kafka Sink而不是Kafka Channel。在这种情况下，你需要配置一个Kafka Sink并将其绑定到一个普通的Memory Channel或File Channel。

使用Kafka Sink的配置示例如下：

# Define the components of the agent
agent.sources = tailSource
agent.channels = memoryChannel
agent.sinks = kafkaSink

# Configure the source - TAILDIR
agent.sources.tailSource.type = TAILDIR
agent.sources.tailSource.filegroups = f1
agent.sources.tailSource.filegroups.f1 = /path/to/your/logfile.log
agent.sources.tailSource.positionFile = /path/to/flume/taildir_position.json
agent.sources.tailSource.fileHeader = true

# Configure the channel - Memory
agent.channels.memoryChannel.type = memory
agent.channels.memoryChannel.capacity = 10000
agent.channels.memoryChannel.transactionCapacity = 1000

# Configure the sink - KafkaSink
agent.sinks.kafkaSink.type = org.apache.flume.sink.kafka.KafkaSink
agent.sinks.kafkaSink.kafka.bootstrap.servers = kafka-server-1:9092,kafka-server-2:9092
agent.sinks.kafkaSink.kafka.topic = flume-logs
agent.sinks.kafkaSink.channel = memoryChannel

# Bind the source and channel, and the sink and channel
agent.sources.tailSource.channels = memoryChannel
agent.sinks.kafkaSink.channel = memoryChannel

在这个示例中，我们配置了一个TAILDIR Source、一个Memory Channel和一个Kafka Sink。TAILDIR Source读取日志文件，Memory Channel在内存中缓存事件，Kafka Sink负责将事件发送到Kafka。

5、启动flume

1）创建flume启动脚本f1.sh

vi /usr/bin/f1.sh
# 修改文件权限
chmod 777 /usr/bin/f1.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 flume 启动 --------------------
		ssh $host "/data/flume/bin/flume-ng agent -n al -c /data/flume/conf/ -f /data/flume/conf/job/file_to_kafka.conf >/dev/null 2>&1 &"
	done
;;
"stop")
	#遍历集群所有机器
	for host in hadoop131
	do
		echo --------------------  $host flume 停止 --------------------
		ssh $host "ps -ef | grep file_to_kafka | grep -v grep | awk '{print \$2}' |xargs -n1 kill 9"
	done
;;
*)
	echo "Input Args Error..."
;;
esac

3）通过集群脚本 f1.sh 操作

f1.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。

6、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/app1.log

2）查看flume.log日志文件，发现自动读取到文件

Opening file: /data/applog/log/app1.log, inode: 34663712, pos: 0

3）查看kafka数据，发现自动创建配置的topic，topic_log

[root@hadoop131 kafka]# bin/kafka-topics.sh --list --bootstrap-server localhost:9092
__consumer_offsets
topic_log

参考

  • https://flume.apache.org/

相关文章