坐标帝都,欢迎交流 目录 一. 监控端口数据 二. 实时读取本地文件到HDFS 三. 实时读取目录文件到HDFS 四. 单数据源多出口(选择器) 五. 单数据源多出口(Sink组) 六. 多数据源汇总(常用) 正文 回到顶部 一. 监控端口数据 首先启动Flume任务，监控本机44444端口，服务端； 然后通过netcat工具向本机44444端口发送消息，客户端； 最后Flume将监听的数据实时显示在控制台。 1. 安装netcat sudo yum install -y nc 功能描述：netstat命令是一个监控TCP/IP网络的非常有用的工具，它可以显示路由表、实际的网络连接以及每一个网络接口设备的状态信息。 基本语法：netstat [选项] 选项参数： -t或--tcp：显示TCP传输协议的连线状况； 　　-u或--udp：显示UDP传输协议的连线状况； -n或--numeric：直接使用ip地址，而不通过域名服务器； -l或--listening：显示监控中的服务器的Socket； -p或--programs：显示正在使用Socket的程序识别码（PID）和程序名称； 2. 判断端口是否被占用 sudo netstat -tunlp | grep 44444 3. 创建Flume Agent配置文件flume-netcat-logger.conf 复制代码 #在flume目录下创建job文件夹并进入job文件夹。 mkdir job cd job/ #在job文件夹下创建Flume Agent配置文件flume-netcat-logger.conf touch flume-netcat-logger.conf 复制代码 在flume-netcat-logger.conf文件中添加如下内容。 复制代码 # Name the components on this agent #a1表示agent的名称 a1.sources = r1 #r1表示a1的输入源source a1.sinks = k1 #k1表示a1的输出目的地sink a1.channels = c1 #c1表示a1的缓冲区channel # Describe/configure the source a1.sources.r1.type = netcat #表示a1的输入源为netcat端口类型 a1.sources.r1.bind = localhost #表示a1监听的主机地址 a1.sources.r1.port = 44444 #表示a1监听的端口 # Describe the sink a1.sinks.k1.type = logger #表示a1的输出目的地是控制台的logger类型 # Use a channel which buffers events in memory a1.channels.c1.type = memory #表示a1的channel类型为memory类型 a1.channels.c1.capacity = 1000 #表示a1的channel总容量是1000个event a1.channels.c1.transactionCapacity = 100 #表示a1的channel传输时收集到100条event后再去提交事务 # Bind the source and sink to the channel a1.sources.r1.channels = c1 #表示将r1和c1连接起来 a1.sinks.k1.channel = c1 #表示将k1和c1连接起来 复制代码 其他参数或参数详解,请参阅官方手册http://flume.apache.org/FlumeUserGuide.html 4. 开启Flume监听端口 复制代码 #第一种写法： bin/flume-ng agent --conf conf/ --name a1 --conf-file job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console #第二种写法： bin/flume-ng agent -c conf/ -n a1 –f job/flume-netcat-logger.conf -Dflume.root.logger=INFO,console 复制代码 开启后会阻塞 参数说明： --conf conf/ ：表示配置文件存储在conf/目录 --name a1 ：表示给agent起名为a1 --conf-file job/flume-netcat.conf ：flume本次启动读取的配置文件是在job文件夹下的flume-telnet.conf文件。 -Dflume.root.logger==INFO,console ：-D表示flume运行时动态修改flume.root.logger参数属性值，并将控制台日志打印级别设置为INFO级别。日志级别包括:log、info、warn、error。 5. 使用netcat工具向本机的44444端口发送内容 6. 在Flume监听页查看接收数据 回到顶部 二. 实时读取本地文件到HDFS 1. 让Flume持有Hadoop相关jar包 将commons-configuration-1.6.jar、 hadoop-auth-2.7.2.jar、 hadoop-common-2.7.2.jar、 hadoop-hdfs-2.7.2.jar、 commons-io-2.4.jar、 htrace-core-3.1.0-incubating.jar 拷贝到/opt/module/flume/lib文件夹下(如果已经持有的话,略过)。 2. 创建flume-file-hdfs.conf文件 复制代码 #在hob目录下创建文件 touch flume-file-hdfs.conf 复制代码 要想读取Linux系统中的文件，就得按照Linux命令的规则执行命令。由于Hive日志在Linux系统中所以读取文件的类型选择：exec即execute执行的意思。表示执行Linux命令来读取文件 在flume-file-hdfs.conf中添加如下内容 复制代码 # Name the components on this agent a2.sources = r2 a2.sinks = k2 a2.channels = c2 # Describe/configure the source a2.sources.r2.type = exec #定义source类型为exec可执行文件 a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log #要执行的linux命令 a2.sources.r2.shell = /bin/bash -c #执行shell脚本的绝对路径 # Describe the sink a2.sinks.k2.type = hdfs #sink类型为hdfs a2.sinks.k2.hdfs.path = hdfs://hadoop100:9000/flume/%Y%m%d/%H #上传文件再hdfs上的路径 转义序列的详解见下表 #上传文件的前缀 a2.sinks.k2.hdfs.filePrefix = logs- #是否按照时间滚动文件夹 a2.sinks.k2.hdfs.round = true #多少时间单位创建一个新的文件夹 a2.sinks.k2.hdfs.roundValue = 1 #重新定义时间单位 a2.sinks.k2.hdfs.roundUnit = hour #是否使用本地时间戳 a2.sinks.k2.hdfs.useLocalTimeStamp = true #积攒多少个Event才flush到HDFS一次 a2.sinks.k2.hdfs.batchSize = 1000 #设置文件类型，可支持压缩 a2.sinks.k2.hdfs.fileType = DataStream #多久生成一个新的文件 a2.sinks.k2.hdfs.rollInterval = 60 #设置每个文件的滚动大小 a2.sinks.k2.hdfs.rollSize = 134217700 #文件的滚动与Event数量无关 a2.sinks.k2.hdfs.rollCount = 0 # Use a channel which buffers events in memory a2.channels.c2.type = memory a2.channels.c2.capacity = 1000 a2.channels.c2.transactionCapacity = 100 # Bind the source and sink to the channel a2.sources.r2.channels = c2 a2.sinks.k2.channel = c2 复制代码 注意 : 对于所有与时间相关的转义序列，Event Header中必须存在以 “timestamp”的key（除非hdfs.useLocalTimeStamp设置为true，此方法会使用TimestampInterceptor自动添加timestamp）。 3. 开启Flume监控 bin/flume-ng agent --conf conf/ --name a2 --conf-file job/flume-file-hdfs.conf 4. 开启hdfs和hive,操作hive产生日志 复制代码 #开启hdfs sbin/start-dfs.sh #开启hive产生日志 bin/hive 复制代码 5. 在HDFS上查看文件 回到顶部 三. 实时读取目录文件到HDFS 1. 创建配置文件flume-dir-hdfs.conf 复制代码 #再job目录下创建文件 touch flume-dir-hdfs.conf 复制代码 添加以下内容 复制代码 a3.sources = r3 a3.sinks = k3 a3.channels = c3 # Describe/configure the source #source类型为spooldir a3.sources.r3.type = spooldir #监控的目录 a3.sources.r3.spoolDir = /opt/module/flume/upload #文件上传完后的文件后缀 a3.sources.r3.fileSuffix = .COMPLETED #是否有文件头 a3.sources.r3.fileHeader = true #忽略所有以.tmp结尾的文件，不上传 a3.sources.r3.ignorePattern = ([^ ]*\.tmp) # Describe the sink a3.sinks.k3.type = hdfs a3.sinks.k3.hdfs.path = hdfs://hadoop100:9000/flume/upload/%Y%m%d/%H #上传文件的前缀 a3.sinks.k3.hdfs.filePrefix = upload- #是否按照时间滚动文件夹 a3.sinks.k3.hdfs.round = true #多少时间单位创建一个新的文件夹 a3.sinks.k3.hdfs.roundValue = 1 #重新定义时间单位 a3.sinks.k3.hdfs.roundUnit = hour #是否使用本地时间戳 a3.sinks.k3.hdfs.useLocalTimeStamp = true #积攒多少个Event才flush到HDFS一次 a3.sinks.k3.hdfs.batchSize = 100 #设置文件类型，可支持压缩 a3.sinks.k3.hdfs.fileType = DataStream #多久生成一个新的文件 a3.sinks.k3.hdfs.rollInterval = 60 #设置每个文件的滚动大小大概是128M a3.sinks.k3.hdfs.rollSize = 134217700 #文件的滚动与Event数量无关 a3.sinks.k3.hdfs.rollCount = 0 # Use a channel which buffers events in memory a3.channels.c3.type = memory a3.channels.c3.capacity = 1000 a3.channels.c3.transactionCapacity = 100 # Bind the source and sink to the channel a3.sources.r3.channels = c3 a3.sinks.k3.channel = c3 复制代码 2. 启动监控 bin/flume-ng agent --conf conf/ --name a3 --conf-file job/flume-dir-hdfs.conf 说明： 在使用Spooling Directory Source时,不要在监控目录中创建并持续修改文件;上传完成的文件会以.COMPLETED结尾;被监控文件夹每500毫秒扫描一次文件变动 3. 向upload文件夹中添加文件 4. 查看HDFS 5. 查看upload文件夹 回到顶部 四. 单数据源多出口(选择器) 使用Flume-1监控文件变动，Flume-1将变动内容传递给Flume-2，Flume-2负责存储到HDFS。 同时Flume-1将变动内容传递给Flume-3，Flume-3负责输出到Local FileSystem。 1. 准备工作 复制代码 #在/opt/module/flume/job目录下创建group1文件夹 mkdir group1 #在/opt/module/datas/目录下创建flume3文件夹 mkdir flume3 复制代码 2.创建flume-file-flume.conf 配置1个接收日志文件的source和两个channel、两个sink，分别输送给flume-flume-hdfs和flume-flume-dir。 进入group1文件夹,创建flume-file-flume.conf,添加如下内容 复制代码 # Name the components on this agent a1.sources = r1 a1.sinks = k1 k2 a1.channels = c1 c2 # 将数据流复制给所有channel a1.sources.r1.selector.type = replicating # Describe/configure the source a1.sources.r1.type = exec a1.sources.r1.command = tail -F /opt/module/hive-1.2.1/logs/hive.log a1.sources.r1.shell = /bin/bash -c # Describe the sink # sink端的avro是一个数据发送者 a1.sinks.k1.type = avro a1.sinks.k1.hostname = hadoop100 a1.sinks.k1.port = 4141 a1.sinks.k2.type = avro a1.sinks.k2.hostname = hadoop100 a1.sinks.k2.port = 4142 # Describe the channel a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 a1.channels.c2.type = memory a1.channels.c2.capacity = 1000 a1.channels.c2.transactionCapacity = 100 # Bind the source and sink to the channel a1.sources.r1.channels = c1 c2 a1.sinks.k1.channel = c1 a1.sinks.k2.channel = c2 复制代码 3. 创建flume-flume-hdfs.conf 配置上级Flume输出的Source，输出是到HDFS的Sink.在group1目录下创建flume-flume-hdfs.conf,添加以下内容 复制代码 # Name the components on this agent a2.sources = r1 a2.sinks = k1 a2.channels = c1 # Describe/configure the source # source端的avro是一个数据接收服务 a2.sources.r1.type = avro a2.sources.r1.bind = hadoop100 a2.sources.r1.port = 4141 # Describe the sink a2.sinks.k1.type = hdfs a2.sinks.k1.hdfs.path = hdfs://hadoop100:9000/flume2/%Y%m%d/%H #上传文件的前缀 a2.sinks.k1.hdfs.filePrefix = flume2- #是否按照时间滚动文件夹 a2.sinks.k1.hdfs.round = true #多少时间单位创建一个新的文件夹 a2.sinks.k1.hdfs.roundValue = 1 #重新定义时间单位 a2.sinks.k1.hdfs.roundUnit = hour #是否使用本地时间戳 a2.sinks.k1.hdfs.useLocalTimeStamp = true #积攒多少个Event才flush到HDFS一次 a2.sinks.k1.hdfs.batchSize = 100 #设置文件类型，可支持压缩 a2.sinks.k1.hdfs.fileType = DataStream #多久生成一个新的文件 a2.sinks.k1.hdfs.rollInterval = 600 #设置每个文件的滚动大小大概是128M a2.sinks.k1.hdfs.rollSize = 134217700 #文件的滚动与Event数量无关 a2.sinks.k1.hdfs.rollCount = 0 # Describe the channel a2.channels.c1.type = memory a2.channels.c1.capacity = 1000 a2.channels.c1.transactionCapacity = 100 # Bind the source and sink to the channel a2.sources.r1.channels = c1 a2.sinks.k1.channel = c1 复制代码 4. 创建flume-flume-dir.conf 配置上级Flume输出的Source，输出是到本地目录的Sink。在group1目录下,创建flume-flume-dir.conf,添加以下内容 复制代码 # Name the components on this agent a3.sources = r1 a3.sinks = k1 a3.channels = c2 # Describe/configure the source a3.sources.r1.type = avro a3.sources.r1.bind = hadoop100 a3.sources.r1.port = 4142 # Describe the sink a3.sinks.k1.type = file_roll a3.sinks.k1.sink.directory = /opt/module/datas/flume3 # Describe the channel a3.channels.c2.type = memory a3.channels.c2.capacity = 1000 a3.channels.c2.transactionCapacity = 100 # Bind the source and sink to the channel a3.sources.r1.channels = c2 a3.sinks.k1.channel = c2 复制代码 注: 输出的本地目录必须是已经存在的目录，如果该目录不存在，并不会创建新的目录。 5. 执行配置文件 分别开启对应配置文件：flume-flume-dir，flume-flume-hdfs，flume-file-flume。 复制代码 bin/flume-ng agent --conf conf/ --name a3 --conf-file jobs/group1/flume-flume-dir.conf bin/flume-ng agent --conf conf/ --name a2 --conf-file jobs/group1/flume-flume-hdfs.conf bin/flume-ng agent --conf conf/ --name a1 --conf-file jobs/group1/flume-file-flume.conf 复制代码 6. 启动Hadoop和Hive 复制代码 #启动hdfs start-dfs.sh #进入到hive目录下,启动hive bin/hive 复制代码 7. 检查HDFS上数据和/opt/module/datas/flume3目录中数据 为什么会有6个文件? file_roll的默认配置是每30秒滚动一次文件.只要没有停止监控,隔30秒去ll一下,就会看到文件又多了 回到顶部 五. 单数据源多出口(Sink组) 使用Flume-1监控文件变动，Flume-1将变动内容传递给Flume-2，Flume-2负责存储到HDFS。同时Flume-1将变动内容传递给Flume-3，Flume-3也负责存储到HDFS 1. 准备工作 复制代码 #在/opt/module/flume/jobs目录下创建group2文件夹 mkdir group2 复制代码 2. 创建flume-netcat-flume.conf 配置1个接收日志文件的source和1个channel、两个sink，分别输送给flume-flume-console1和flume-flume-console2。 进入group2文件夹,创建flume-netcat-flume.conf,添加以下内容 复制代码 # Name the components on this agent a1.sources = r1 a1.channels = c1 a1.sinkgroups = g1 a1.sinks = k1 k2 # Describe/configure the source a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444 #The component type name, needs to be default, failover or load_balance a1.sinkgroups.g1.processor.type = load_balance a1.sinkgroups.g1.processor.backoff = true # Must be either round_robin, random or FQCN of custom class that inherits from AbstractSinkSelector a1.sinkgroups.g1.processor.selector = round_robin a1.sinkgroups.g1.processor.selector.maxTimeOut=10000 # Describe the sink a1.sinks.k1.type = avro a1.sinks.k1.hostname = hadoop100 a1.sinks.k1.port = 4141 a1.sinks.k2.type = avro a1.sinks.k2.hostname = hadoop100 a1.sinks.k2.port = 4142 # Describe the channel 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.sinkgroups.g1.sinks = k1 k2 a1.sinks.k1.channel = c1 a1.sinks.k2.channel = c1 复制代码 3. 创建flume-flume-console1.conf 配置上级Flume输出的Source，输出是到本地控制台。 在group2目录下,创建flume-flume-console1.conf,添加以下内容 复制代码 # Name the components on this agent a2.sources = r1 a2.sinks = k1 a2.channels = c1 # Describe/configure the source a2.sources.r1.type = avro a2.sources.r1.bind = hadoop100 a2.sources.r1.port = 4141 # Describe the sink a2.sinks.k1.type = logger # Describe the channel a2.channels.c1.type = memory a2.channels.c1.capacity = 1000 a2.channels.c1.transactionCapacity = 100 # Bind the source and sink to the channel a2.sources.r1.channels = c1 a2.sinks.k1.channel = c1 复制代码 4. 创建flume-flume-console2.conf 配置上级Flume输出的Source，输出是到本地控制台。 在group2目录下.创建flume-flume-console2.conf,添加以下内容 复制代码 # Name the components on this agent a3.sources = r1 a3.sinks = k1 a3.channels = c2 # Describe/configure the source a3.sources.r1.type = avro a3.sources.r1.bind = hadoop100 a3.sources.r1.port = 4142 # Describe the sink a3.sinks.k1.type = logger # Describe the channel a3.channels.c2.type = memory a3.channels.c2.capacity = 1000 a3.channels.c2.transactionCapacity = 100 # Bind the source and sink to the channel a3.sources.r1.channels = c2 a3.sinks.k1.channel = c2 复制代码 5. 执行配置文件 分别开启对应配置文件：flume-flume-console2，flume-flume-console1，flume-netcat-flume。 复制代码 bin/flume-ng agent --conf conf/ --name a3 --conf-file jobs/group2/flume-flume-console2.conf -Dflume.root.logger=INFO,console bin/flume-ng agent --conf conf/ --name a2 --conf-file jobs/group2/flume-flume-console1.conf -Dflume.root.logger=INFO,console bin/flume-ng agent --conf conf/ --name a1 --conf-file jobs/group2/flume-netcat-flume.conf 复制代码 6. 使用netcat工具向本机的44444端口发送内容 nc localhost 44444 7. 查看Flume2及Flume3的控制台打印日志 回到顶部 六. 多数据源汇总(常用) hadoop101上的Flume-1监控文件/opt/module/group.log， hadoop100上的Flume-2监控某一个端口的数据流， Flume-1与Flume-2将数据发送给hadoop102上的Flume-3，Flume-3将最终数据打印到控制台 1. 准备工作 如果hadoop101和hadoop102没有安装flume,用分发脚本将flume分发一下 xsync flume-1.7.0/ 在hadoop100、hadoop101以及hadoop102的/opt/module/flume/jobs目录下创建一个group3文件夹。 2. 创建flume1-logger-flume.conf 配置Source用于监控hive.log文件，配置Sink输出数据到下一级Flume。 在hadoop101上创建配置文件flume1-logger-flume.conf,并添加以下内容 复制代码 # Name the components on this agent a1.so