Flume（二）(Multiple Agent+ Multiple Channel+Custom)

(Multiple Agent+ Multiple Channel+Custom)

Flume（一）文章我们详细介绍了单Agent的生产演进过程，但是生产上是需要从多台机器上采集数据的，故更多的是多Agent的串联和并联组合使用。如下图串联的Agent

串联的Agent一定是采用Avro Sink和 Avro Source方式进行数据传输

Agent的结构：source -> channel -> sink -> source -> channel -> sink

Agent的选择：exec memory avro avro memory logger

###exec-avro-agent.conf文件###
exec-avro-agent.sources = exec-source
exec-avro-agent.channels = memory-channel
exec-avro-agent.sinks = avro-sink

exec-avro-agent.sources.exec-source.type = exec
exec-avro-agent.sources.exec-source.command = tail -F /home/hadoop/data/flume/multiple/chuanlian/input/avro_access.data

exec-avro-agent.channels.memory-channel.type = memory

exec-avro-agent.sinks.avro-sink.type = avro
exec-avro-agent.sinks.avro-sink.hostname = localhost
exec-avro-agent.sinks.avro-sink.port = 44444

exec-avro-agent.sources.exec-source.channels = memory-channel
exec-avro-agent.sinks.avro-sink.channel = memory-channel

###avro-logger-agent.conf文件###
avro-logger-agent.sources = avro-source
avro-logger-agent.channels = memory-channel
avro-logger-agent.sinks = logger-sink

avro-logger-agent.sources.avro-source.type = avro
avro-logger-agent.sources.avro-source.bind = localhost
avro-logger-agent.sources.avro-source.port = 44444

avro-logger-agent.channels.memory-channel.type = memory

avro-logger-agent.sinks.logger-sink.type = logger

avro-logger-agent.sources.avro-source.channels = memory-channel
avro-logger-agent.sinks.logger-sink.channel = memory-channel

###先启动 avro-logger agent ####
flume-ng agent 
--name avro-logger-agent 
--conf $FLUME_HOME/conf 
--conf-file $FLUME_HOME/conf/avro-logger-agent.conf 
-Dflume.root.logger=INFO,console

###再启动 exec-avro agent ####
flume-ng agent 
--name exec-avro-agent 
--conf $FLUME_HOME/conf 
--conf-file $FLUME_HOME/conf/exec-avro-agent.conf 
-Dflume.root.logger=INFO,console

Avro source 以及 Avro sinlk的绑定的端口和地址要一致
要先启动Avro soruce的Agent再启动Avro sink的Agent，关闭发的顺序反过来

Multiplexing the flow（多路传输流）

Multiplexing Channel Selector：多路Channel选择器，是将根据自定义的选择器规则，将数据发送到指定的Channel上
Replicating Channel Selector：多副本Channel选择器，每个Channel数据都是一样的。
Multiplexing the flow即单Source多Channel、Sink，在生产中我们可能有这样的需求，采集到的数据一份存储HDFS（离线）一份存储Kafka（实时），这时我们就需要采用如下图的组合方式

(重要) Replicating Channel Selector实现将数据采集到hdfs以及控制台

Agent的结构：

Source --》Chianel--》Sink --》Chianel--》Sink

Agent的选择：

netcat--》memory--》hdfs --》memory--》logger

配置文件：

##multiple-channel-agent.conf##

a1.sources = r1
a1.channels = c1 c2
a1.sinks = k1 k2

a1.sources.r1.type = netcat
a1.sources.r1.bind = localhost
a1.sources.r1.port = 44444

a1.sources.r1.selector.type = replicating

a1.channels.c1.type = memory
a1.channels.c2.type = memory

a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop001:9000/flume/multipleFlow/%Y%m%d%H%M
a1.sinks.k1.hdfs.useLocalTimeStamp=true
a1.sinks.k1.hdfs.filePrefix = wsktest-
a1.sinks.k1.hdfs.rollInterval = 30
a1.sinks.k1.hdfs.rollSize = 100000000
a1.sinks.k1.hdfs.rollCount = 0
a1.sinks.k1.hdfs.fileType=DataStream
a1.sinks.k1.hdfs.writeFormat=Text

a1.sinks.k2.type = logger

a1.sources.r1.channels = c1 c2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2

启动命令;

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

踩坑，官网的Replicating Channel Selector的配置为a1.source.r1.selector.type = replicating 这是错误的配置source少了s

Multiplexing Channel Selector实现将数据采集到不同的Channel然后移动到hdfs

它实现了将生产上不同业务数据使用同一的Flume进行数据收集

实现思路：

第一步：首先配置三个Agent分别抽取US、CN、CA的业务数据，每个Agent都需要添加静态拦截器，添加state=v信息
第二步：配置聚合的Agent，该Agent用于收集之前三个Agent数据，并根据Event的head的State的value执法选择具体的Channel，不同的Channel将数据分别写到不同的HDFS上

(重要)Consolidation并联Agent采集数据到HDFS

生产上客户的服务器可能有成千上万台，而且大数据集群是我们自己内部，首先客户业务集群和咱们的大数据集群网络肯定是不通的，其次上万台同时写hdfs，那hdfs网络开销太大了。实际是先通过写到具有大数据集群getway权限的一个或多个洛盘机器上，然后由该洛盘机器将数据写到hdfs上。次流程实现也是非常简单的，在两个串联Agent实现数据采集到控制台基础上并联复制avro sink Agent到每台机器上即可，avro source Agent的sink要写成hdfs。
注意：为了保证sink端挂了如hdfs无法使用时channel不会被撑爆以及重启数据丢失，channel最好选择为File

（了解）Sink Processors（sink group）

上面提到的都是一个sink只能消费一个channel，若哪个唯一的sink异常了，那么channel就会阻塞，同时无法转移数据，故Flume提出了Sink group（Processors）概念，一个组内的所有的sink可以消费一个channel，生产上一般processor.type采用failover，即向组内优先级高的sink发送数据，若挂了就向次优先级的sink发送数据

6.(重要)Custom Source

官网提供的source以及sink有时并不能满足我们的需求，此时我们就需要custom source以及sink了。可参考如下文档

完全idea要添加Flume core依赖：

<dependency>

<groupId>org.apache.flume</groupId>

<artifactId>flume-ng-core</artifactId>

<version>1.7.0</version>

</dependency>

去github上搜custom的source以及sink借鉴学习：

github上自定义的DB Source

(重要)生产中的Flume架构

第一层Agent：

Taildir Source -> File Channel -> AVRO Sink

第二层Agent：

AVRO Source -> File Channel -> HDFS -> File Channel -> Kafka