Flume是Cloudera提供的一个分布式日志采集、聚合和传输系统，支持在日志系统中定制数据发送方，处理数据后将结果写入接收方。它由事件（Event）贯穿始终，事件是Flume的基本数据单位，携带日志数据并携带有头信息。Flume的核心组件包括Agent、Channel和Sink，其中Agent是独立运行的JVM进程，包含Source、Channel、Sink；Channel是事件的临时存储，Sink负责持久化日志或将事件推送给另一个Source。Flume支持多种Source类型，如Avro、Thrift、Spooling等，具有较好的性能和广泛的应用场景。安装Flume需要配置JDK、下载安装包、解压、配置环境变量等步骤。Flume可以用于实时数据采集和监控，例如通过Avro监听端口或Spool监控目录下的文件并写入HDFS。Flume的版本升级从Flume-OG到Flume-NG解决了性能和架构问题，改名为Apache Flume后更易集成到Hadoop生态系统中。

1 Flume简介

Flume是一个由Cloudera提供的高可用性和高可靠性的分布式海量日志采集、聚合和传输系统。该系统支持在日志系统中定制各种数据发送方用于收集数据，并提供了一种对数据进行简单处理后记录到各种数据接收方的能力。

Flume作为Cloudera推出的实时日志收集系统，在企业环境中得到了广泛应用。2010年11月，Cloudera发布了首个可用版本Flume-OG，该版本被统一称为Flume-OG。随着Flume功能的扩展，其模块化架构不够完善，导致核心组件设计存在缺陷，配置管理混乱等问题，特别是在Flume-OG的最后一个版本0.94.0中，日志传输的稳定性问题尤为突出。为了解决这些问题，2011年10月，Cloudera对Flume的核心组件、核心配置和代码架构进行了重构，重构后的版本统称为Flume-NG。此次重构的另一主要原因是将Flume纳入Apache项目，因此Flume-NG正式更名为Apache Flume。

2 Flume工作原理

Flume的数据流始终由事件贯穿。事件是Flume处理的核心数据单位，每个事件都包含一组日志数据（以字节数组形式呈现）以及附加的元数据。这些事件由Agent外部的Source生成，当Source捕获事件后，会进行特定的格式化处理，随后将事件推送到一个或多个Channel中。Channel可以视为一个临时存储区域，用于暂时存放事件直到Sink处理完毕。以下是Flume的核心概念：

Events：每个数据实体，可选地带有消息头字段，支持日志记录、Avro对象等多种类型。

（2）Agent：JVM中一个独立的Flume进程，包含组件Source、Channel、Sink。

（3）Client：运行于一个独立线程，用于生产数据并将其发送给Agent。

Source是用于接收和传递到该组件的Event的接口，从Client接收数据并传输给Channel。

Channel：一个临时存储中转Event的结构，用于接收并存储来自Source组件的Event，其本质是连接Source和Sink，类似于消息队列。

（6）Sink：从Channel收集数据，运行在一个独立线程。

Flume以其为最小的独立运行单位的Agent为核心概念，每个Agent都等同于一个JVM实例。每个Agent都由Source、Sink和Channel三大组件构成，如图所示：

值得注意的是，Flume提供了丰富的内置Source、Channel和Sink类型。不同类型的Source、Channel和Sink可以灵活组合，其组合方式基于用户设置的配置文件，具有高度的灵活性。例如，Channel可以将事件暂时存放在内存中，或者持久化存储在本地硬盘上；Sink则可以将日志写入HDFS、HBase、ES，甚至另一个Source。Flume支持用户建立多层次流，也就是说多个Agent可以协同运作，如图所示：

3 Flume的安装

3.1 安装JDK

具体方法略。

3.2 下载安装包并解压

$ wget http://archive.cloudera.com/cdh5/cdh/5/flume-ng-1.6.0-cdh5.7.1.tar.gz

$ tar -xvf flume-ng-1.6.0-cdh5.7.1.tar.gz

$ rm flume-ng-1.6.0-cdh5.7.1.tar.gz

$ mv apache-flume-1.6.0-cdh5.7.1-binflume-1.6.0-cdh5.7.1

3.3 配置环境变量

$ cd /home/hadoop

$ vim .bash_profile

export FLUME_HOME=/home/hadoop/app/cdh/flume-1.6.0-cdh5.7.1

export PATH=PATH:FLUME_HOME/bin

$ source .bash_profile

3.4 配置flume-env.sh文件

$ cd app/cdh/flume-1.6.0-cdh5.7.1/conf/

$ cp flume-env.sh.template flume-env.sh

$ vim flume-env.sh

export JAVA_HOME=/home/hadoop/app/jdk1.7.0_79

export HADOOP_HOME=/home/hadoop/app/cdh/hadoop-2.6.0-cdh5.7.1

3.5 版本验证

$ flume-ng version

4 Flume部署示例

4.1 Avro

Flume可以通过Avro监听某个端口并捕获传输的数据，具体示例如下：

// 创建一个Flume配置文件

$ cd app/cdh/flume-1.6.0-cdh5.7.1

$ mkdir example

$ cp conf/flume-conf.properties.template example/netcat.conf

// 配置netcat.conf用于实时获取另一终端输入的数据

$ vim example/netcat.conf

Name the components on this agent

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 that 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

// 运行FlumeAgent，监听本机的44444端口

执行Flume代理命令，配置文件为example/netcat.conf，指定代理名为a1，并设置日志级别为INFO，输出到控制台。

// 打开另一终端，通过telnet登录localhost的44444，输入测试数据

$ telnet localhost 44444

// 查看flume收集数据情况

4.2 Spool

Spool主要用于实时监控配置文件夹中新增的文件，并提取文件中的数据。需要注意的是，不能将文件复制到Spool文件夹中，同时Spool文件夹下不应包含子文件夹。具体操作示例如下：

// 创建两个Flume配置文件

$ cd app/cdh/flume-1.6.0-cdh5.7.1

$ cp conf/flume-conf.properties.template example/spool1.conf

$ cp conf/flume-conf.properties.template example/spool2.conf

配置spool1.conf文件以监控avro_data目录下的文件，并将文件内容发送至本地60000端口。

$ vim example/spool1.conf

Namethe components

local1.sources= r1

local1.sinks= k1

local1.channels= c1

Source

local1.sources.r1.type= spooldir

local1.sources.r1.spoolDir= /home/hadoop/avro_data

Sink

local1.sinks.k1.type= avro

local1.sinks.k1.hostname= localhost

local1.sinks.k1.port= 60000

#Channel

local1.channels.c1.type= memory

Bindthe source and sink to the channel

local1.sources.r1.channels= c1

local1.sinks.k1.channel= c1

// 配置spool2.conf用于从本地60000端口获取数据并写入HDFS

Namethe components

a1.sources= r1

a1.sinks= k1

a1.channels= c1

Source

a1.sources.r1.type= avro

a1.sources.r1.channels= c1

a1.sources.r1.bind= localhost

a1.sources.r1.port= 60000

Sink

a1.sinks.k1.type= hdfs

a1.sinks.k1.hdfs.path= hdfs://localhost:9000/user/wcbdd/flumeData

a1.sinks.k1.rollInterval= 0

a1.sinks.k1.hdfs.writeFormat= Text

a1.sinks.k1.hdfs.fileType= DataStream

Channel

a1.channels.c1.type= memory

a1.channels.c1.capacity= 10000

Bind the source and sink to the channel

a1.sources.r1.channels= c1

a1.sinks.k1.channel= c1

// 分别打开两个终端，运行如下命令启动两个Flume Agent

$ flume-ng agent -c conf -f example/spool2.conf -n a1

$ flume-ng agent -c conf -f example/spool1.conf -n local1

// 查看本地文件系统中需要监控的avro_data目录内容

$ cd avro_data

$ cat avro_data.txt

// 查看写HDFS的Agent，检查是否捕获了数据别写入HDFS

// 通过WEB UI查看HDFS中的文件

4.3 其它

Flume内置了多种类型的Source，其中包括Avro Source、Thrift Source、Spooling Directory Source、Kafka Source。在性能方面表现优异，且应用范围广泛。以下是关于Source的参考资料：