3.2　使用Flume采集用户行为数据

Apache Flume是一个分布式的、可靠和易用的日志收集系统，用于将大量日志数据从许多不同的源进行收集、聚合，最终移动到一个集中的数据中心进行存储。Flume的使用不仅限于日志数据聚合，由于数据源是可定制的，因此Flume可以用于传输大量数据，包括但不限于网络流量数据、社交媒体生成的数据、电子邮件消息和几乎所有可能的数据源。

3.2.1　Flume采集架构

1．单节点架构

Flume中最小的独立运行单位是Agent。Agent是一个JVM进程，运行在日志收集节点（服务器节点），它包含三个组件——Source（源）、Channel（通道）和Sink（接收地）。数据可以从外部数据源流入这些组件，然后再输出到目的地。一个Flume单节点架构如图3-4所示。

图3-4　Flume单节点架构

Flume中传输数据的基本单位是event（如果是文本文件，则通常是一行记录），event包括event头（headers）和event体（body）。event头是一些key-value（键－值对），存储在Map集合中，就好比HTTP的头信息，用于传递与体不同的额外信息。event体为一个字节数组，存储实际要传递的数据。event的结构如图3-5所示。

event从Source流向Channel，再流向Sink，最终输出到目的地。event的数据流向如图3-6所示。

图3-5　event的结构

图3-6　event的数据流向

2．多节点架构

Flume除了可以单节点直接采集数据外，也提供了多节点共同采集数据的功能，多个Agent位于不同的服务器上，每个Agent的Avro Sink将数据输出到另一台服务器上的同一个Avro Source进行汇总，最终将数据输出到HDFS文件系统中，如图3-7所示。

例如一个大型网站，为了实现负载均衡功能，往往需要部署在多台服务器上，每台服务器都会产生大量日志数据，如何将每台服务器的日志数据汇总到一台服务器上，然后对它们进行分析呢？这个时候可以在每个网站所在的服务器上安装一个Flume，每个Flume启动一个Agent对本地日志进行收集，然后分别将每个Agent收集到的日志数据发送到同一台装有Flume的服务器上进行汇总，最终将汇总的日志数据写入本地HDFS文件系统中。

图3-7　Flume多节点共同采集数据架构

为了能使数据流跨越多个Agent，前一个Agent的Sink和当前Agent的Source需要是同样的Avro类型，并且Sink需要指定Source的主机名（或者IP地址）和端口号。

此外，Flume还支持将数据流多路复用到一个或多个目的地，如图3-8所示。

图3-8　Flume数据流的多路复用架构

图3-8中，名称为foo的Agent中的Source组件将接收到的数据发送给了3个不同的Channel，发送方式可以是复制（默认为复制）或多路输出。在复制的情况下，每个event都被发送到3个Channel。对于多路输出的情况，一个event可以被发送到一部分可用的Channel中，Flume会根据event的属性和预先配置的值选择Channel，可以在Agent的配置文件中进行映射的设置，若不进行设置，则默认为复制。HDFS、JMS和名称为bar的Agent分别接收来自Sink1、Sink2和Sink3的数据，这种方式称为“扇出”。所谓扇出就是Sink将数据输出到多个目的地中。Flume还支持“扇入”方式，所谓扇入就是一个Source可以接收来自多个数据源的输入。

3.2.2　Flume组件

Source用于消费外部数据源中的数据（event，例如Web系统产生的日志），一个外部数据源（如Web服务器）可以以Source识别的格式向Source发送数据。

Channel用于存储Source传入的数据，当这些数据被Sink消费后就会自动删除。

Sink用于消费Channel中的数据，然后将它存放在外部持久化的文件系统中（例如HDFS、HBase和Hive等）。

Flume可以在一个配置文件中指定一个或者多个Agent，每个Agent都需要指定Source、Channel和Sink这3个组件以及它们的绑定关系，从而形成一个完整的数据流。

Source、Channel和Sink根据功能的不同有不同的类型。根据数据源的不同，Source组件的常用类型与描述如表3-2所示。

表3-2　Source组件常用类型介绍

根据存储方式的不同，Channel组件的常用类型与描述如表3-3所示。

表3-3　Channel组件常用类型介绍

根据输出目的地的不同，Sink组件的常用类型与描述如表3-4所示。

表3-4　Sink组件常用类型介绍

具体使用哪个类型，在实际开发中根据需要的功能在Flume配置文件中进行指定即可。

3.2.3　Flume的安装与测试

Flume依赖于Java环境，安装Flume之前需要先安装好JDK，JDK的安装此处不再赘述。

下面讲解在集群中的centos01节点上安装Flume的操作步骤，并配置Flume从指定端口采集数据，将数据输出到控制台。

1．上传并解压Flume安装包

将安装包apache-flume-1.9.0-bin.tar.gz上传到centos01节点的/opt/softwares目录，并将它解压到目录/opt/modules/下，解压命令如下：

     $ tar -zxvf apache-flume-1.9.0-bin.tar.gz -C /opt/modules/

解压后，进入Flume安装目录，查看安装后的相关文件，如图3-9所示。

图3-9　查看Flume安装后的文件

2．配置Flume环境变量

执行以下命令，修改/etc/profile文件：

     $ sudo vi /etc/profile

在该文件中加入以下代码，使flume命令可以在任意目录下执行：

     export FLUME_HOME=/opt/modules/apache-flume-1.9.0-bin
     export PATH=$PATH:$FLUME_HOME/bin

刷新/etc/profile文件使修改生效：

     $ source /etc/profile

在任意目录下执行flume-ng命令，若能成功输出如下参数信息，则说明环境变量配置成功：

3．添加Flume配置文件

Flume配置文件是一个Java属性文件，里面存放键－值对字符串。Flume对配置文件的名称和路径没有固定的要求，但一般都放在Flume安装目录的conf文件夹中。

在Flume安装目录的conf文件夹中新建配置文件flume-conf.properties，并在其中加入以下内容：

上述配置属性解析如下：

• a1.sources.r1.type：Source的类型。netcat表示打开指定的端口并监听数据，数据的格式必须是换行分割的文本，每行文本会被转换为event发送给Channel。
• a1.sinks.k1.type：Sink的类型。logger表示在INFO级别上记录日志数据，通常用于测试／调试目的。
• a1.channels.c1.type：Channel的类型。memory表示将event存储在内存队列中。如果对数据流的吞吐量要求比较高，则可以采用memory类型；如果不允许数据丢失，则不建议采用memory类型。
• a1.channels.c1.capacity：存储在Channel中的最大event数量。
• a1.channels.c1.transactionCapacity：在每次事务中，Channel从Source接收或发送给Sink的最大event数量。

上述配置信息描述了一个单节点的Flume部署，允许用户生成数据并发送到Flume，Flume接收到数据后会输出到控制台。该配置定义了一个名为a1的Agent。a1的Source组件监听端口44444上的数据源，并将接收到的event发送给Channel，a1的Channel组件将接收到的event缓冲到内存，a1的Sink组件最终将event输出到控制台。

Flume的配置文件中可以定义多个Agent，在启动Flume时可以指定使用哪一个Agent。

4．启动并测试Flume

在任意目录执行以下命令，启动Flume：

     $ flume-ng agent \
     --conf conf \
     --conf-file $FLUME_HOME/conf/flume-conf.properties \
     --name a1 \
     -Dflume.root.logger=INFO,console

上述代码中各参数的含义如下：

• --conf-file：指定配置文件的位置。
• --name：指定要运行的Agent名称。
• -Dflume.root.logger：指定日志输出级别（INFO）和输出位置（控制台）。

部分启动日志如下：

启动成功后，新开一个SSH窗口，执行以下命令，连接本地44444端口：

     $ telnet localhost 44444

若提示找不到telnet命令，则执行以下命令安装telnet组件：

     $ yum install -y telnet

安装成功后，重新连接44444端口，命令及输出信息如下：

     [hadoop@centos01 ~]$ telnet localhost 44444
     Trying ::1...
     telnet: connect to address ::1: Connection refused
     Trying 127.0.0.1...
     Connected to localhost.
     Escape character is '^]'.

此时继续输入任意字符串（此处输入字符串“hello”）后按回车键，向本地Flume发送数据。然后回到启动Flume的SSH窗口，可以看到控制台成功打印出了接收到的数据“hello”，如图3-10所示。

图3-10　控制台打印接收到的数据

3.2.4　配置Flume多节点数据采集

为什么要进行多节点数据采集？

• 在真实的大型系统中，往往需要在多台服务器中存储用户行为日志数据，因此只有把多台服务器中的数据进行收集、汇总并存储到一个地方，才能使用大数据技术对它们进行分析。
• 在产生日志的每台服务器上都需要安装Flume进行日志采集，然后把各自采集到的日志数据发送给同一个Flume服务器进行日志合并。

本小节根据1.2节的系统数据流设计，配置3个Flume节点进行用户行为数据的采集。具体思路是，在centos01节点、centos02节点、centos03节点都安装Flume，centos01节点和centos02节点的Flume负责实时监控指定的日志文件数据，并将监控到的新数据发送到centos03节点中的Flume进行合并，centos03节点中的Flume将接收到的数据打印到当前主机的控制台。整个过程的数据流架构如图3-11所示。

图3-11　Flume多节点数据流架构

具体操作步骤如下。

1．创建日志文件

分别在centos01节点和centos02节点的/opt/modules/data目录中创建user_behavior_info日志文件，用于存储用户行为日志信息。

2．centos01节点Flume配置

在centos01节点安装Flume，并创建配置文件flume-conf.properties，该文件的配置内容如下：

3．centos02节点Flume配置

在centos02节点安装Flume，并创建配置文件flume-conf.properties，该文件的配置内容与上述centos01节点的Flume配置内容相同。

4．centos03节点Flume配置

在centos03节点安装Flume，并创建配置文件flume-conf.properties，该文件的配置内容如下：

5．测试程序

首先在centos03节点上执行以下命令，启动Flume：

启动后将在当前节点的5555端口监听数据。

然后分别在centos01节点、centos02节点上执行上述同样的命令，启动Flume。

接下来向centos01节点的日志文件user_behavior_info中写入测试数据“hello flume1”：

     [hadoop@centos01 data]$ echo 'hello flume1'>>user_behavior_info

向centos02节点的日志文件user_behavior_info中写入测试数据“hello flume2”：

     [hadoop@centos02 data]$ echo 'hello flume2'>>user_behavior_info

此时观察centos03节点控制台的输出信息，如图3-12所示。

图3-12　centos03节点的Flume输出接收到的数据

发现centos03节点成功接收到了centos01节点和centos02节点的日志文件数据，Flume多节点数据采集配置成功。 Ps4KQJiqkq7jcooVcF5HVX9V/kATbV2hBpm739wA2W7a2Ukji3wnfGMrTed8uslC