Flume概述

• Flume是什么
  Flume的定义：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume基于流式架构，灵活简单。
  
  简单地说就是Flume就是用来采集日志数据。在hadoop集群里，用来实时读取服务器的日志数据，然后将数据写到HDFS或者是Kafka。那现在就有个问题为什么不直接把数据写到HDFS或者Kafka而选择用Flume呢？就拿HDFS为例，日志数据通过Flume可以缓解HDFS的压力。假如在服务器端一直有日志数据流出，数据量时大时小，如果直接写在HDFS则一直都要把数据写进HDFS，如果采用Flume就可以起到一个缓冲作用，数据从服务器端流到Flume，如果数据量小的话，数据会在Flume缓冲一段时间，当数据达到一定量时才会把数据从Flume写出。这样就可以有效缓解HDFS的压力了。

• Flume的组成架构
  Flume的架构图如下：
  
  Agent
  Agent由Source、Channel和Sink组成，它是一个JVM进程，它以事件形式将数据从源头送至目的地。
  Source
  Source负责接收数据，它可以处理各种类型、各种格式的日志数据。包括avro、thrift、exec、jms、spooling directory、netcat、sequence generator、syslog、http、legacy。
  Channel
  Channel是位于Source和Sink之间的缓冲区。因此，Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作。
  Flume自带两种Channel：Memory Channel和File Channel。
  Memory Channel是内存中的队列。Memory Channel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么Memory Channel就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失。
  File Channel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。
  Sink
  Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储或索引系统、或者被发送到另一个Flume Agent。
  Sink是完全事务性的。在从Channel批量删除数据之前，每个Sink用Channel启动一个事务。批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务。事务一旦被提交，该Channel从自己的内部缓冲区删除事件。
  Sink组件目的地包括hdfs、logger、avro、thrift、ipc、file、null、HBase、solr、自定义。
  Flume传数据的整个流程：
  

• Flume的拓扑结构
  Flume的拓扑结构如下：
  
  这种模式是将多个flume给顺序连接起来了，从最初的source开始到最终sink传送的目的存储系统。此模式不建议桥接过多的flume数量， flume数量过多不仅会影响传输速率，而且一旦传输过程中某个节点flume宕机，会影响整个传输系统。
  
  Flume支持将事件流向一个或者多个目的地。这种模式将数据源复制到多个channel中，每个channel都有相同的数据，sink可以选择传送的不同的目的地。
  
  Flume支持使用将多个sink逻辑上分到一个sink组，flume将数据发送到不同的sink，主要解决负载均衡和故障转移问题。
  
  这种模式是我们最常见的，也非常实用，日常web应用通常分布在上百个服务器，大者甚至上千个、上万个服务器。产生的日志，处理起来也非常麻烦。用flume的这种组合方式能很好的解决这一问题，每台服务器部署一个flume采集日志，传送到一个集中收集日志的flume，再由此flume上传到hdfs、hive、hbase、jms等，进行日志分析。

• Agent内部结构