企业架构
数据源 webserver RDBMS
数据的采集 shell、flume、sqoop job
监控和调度 hue、oozie
数据清洗及分析 mapreduce、hive
数据保存 sqoop
概念: 三大功能 collecting(收集),aggregating(聚合),moving(传输)
Flume是一个分布式的,可靠的,可用的,健壮且高容错性的框架,非常有效率的对大数据量
的日志数据进行收集,聚集,传输信息的服务,但老版本仅仅运行在Linux环境中
特点: on streaming data flows(基于流式的数据)
数据流: job 不断获取数据
任务流：job1 --> job2 --> job3&job4 --> job5
在线实时收集应用分析,简单表现为:写个source、channel、sink,之后一条命令
就能操作成功了,实际情况下flume、kafka实时进行数据收集
spark、storm实时去处理,impala实时去查询
Flume-ng只有一个角色节点: agent的角色,agent有source、channel、sink组成
其中
source 用于采集数据,source是产生数据流的地方,同时Source会将产生的数据流传输到channel
channel 连接source和sink,有点像队列
sink 用于从channel收集数据,将数据写到目标源,可以是下一个source也可以是HDFS或是HBASE
Events(封装数据)
Event是Flume数据传输的基本单元
Flume以事件的形式将数据从源头传送到最终的目的地
Event由可选的header和body构成(类似http协议)
载有的数据对flume是不透明的
Header是容纳了key-value字符串对的无序组合,key在集合内是唯一的
Header可以在上下文路由中使用扩展
Flume安装部署
下载对应的cdh版本
解压后进行配置文件
-> env:修改java_home
-> 连接Hadoop
--> 启动flume时会先加载全局HADOOP_HOME变量,再去读取core/hdfs-site.xml
--> 将hdfs的配置文件放到conf目录
--> 在agent配置文件中写明hdfs的绝对路径
--> 既然在HDFS上读写数据,需要hdfs的API,即需要导入Hadoop对应部分jar包
commons-configuration-1.6.jar
hadoop-auth-2.5.0-cdh5.3.6.jar
hadoop-common-2.5.0-cdh5.3.6.jar
hadoop-hdfs-2.5.0-cdh5.3.6.jar
-> 命令格式
bin/flume-ng agent -c conf/ -n agentname -f agent_file
-c flume配置文件目录
-f properties文件目录
企业中常用的类型
-> source
--> exec
--> spoolingdir
--> kafaka source
--> syslog source
--> http source
-> channel
--> memory channel (不安全)
--> file channel
--> kafaka channel
-> sink
--> hdfs sink
--> hbase sink
--> hive sink