1. Flume 简介
Flume 是一个分布式的海量日志采集，聚合，转移工具。
大数据常用数据处理框架
graph LR
实时流数据采集--> flume,kafka
实时流数据处理--> spark,storm
实时数据查询处理--> impala
批数据导入导出-->Sqoop
批数据查询处理--> hive
这里只是给flume一个定位，清楚flume适合做哪方面的数据处理。
即：flume是基于数据流的组件来实现分布式的数据采集
flume使用简单，仅需写一个配置文件，即可完成一个分布式，高可用，可靠的实时数据流采集任务。
2.数据流模型
重要概念：
- event:被定义为flume数据传输的基本单元，有消息头和消息体组成。
- flow：指数据从源头到目的地的数据迁移过程。
- Agent:一个独立的Flume进程，包含组件Source,Channel,Sink.(Agent使用JVM运行flume,每台机器运行一个agent,但可以在一个agent中包含多个sources和sinks)
- Source:数据搜集组件。(source从client收集数据，传递给Channel)
- Channel:连接source和Sink,类似一个队列
- Sink:从Channel 中读取并移除event,将数据写到下一个目标源，可以是下一个source，也可以是HDFS。
Flume运行的核心是Agent.Flume以agent为最小的独立运行单位。一个agent包含三个核心组件，source,channel,sink.
2.1 Source
- Source 负责数据的收集，将数据捕捉后进行处理，封装成event,传递给Channel。Flume提供了很多内置的source,支持Avro,log4j,syslog和http post,还支持自定义Source。
这里主要看下Avro,Spooling,Netcat，kafka
| Source类型 | 说明 |
|---|---|
| Avro | 支持avro 协议 |
| Spooling | 监听本地文件夹，把新增的文件采集到flume |
| netcat | 从网络端口接受文本数据（多用于测试调试） |
| kafka | 用于从kafka中读取数据 |
2.2 Channel
- Channel 是连接Source和Sink的组件，可以看做是一个数据的缓冲区，可以将数据暂存到内存中也可以持久化到本地磁盘上，直到Sink处理完该事件。比较常用的是Memory和File 两种类型的Channel.
| Channel类型 | 说明 |
|---|---|
| Memory | Event 数据存储在内存中 |
| File | Event数据存储在磁盘文件中 |
2.3 Sink
- Sink从Channel中取出event,然后将数据发送到别处，可以是另一个agent的Source，或HDFS。
| Sink 类型 | 说明 |
|---|---|
| logger | 把数据输出成logger日志(测试调试) |
| hdfs | 把数据写入hdfs |
| avro | 发送到此接收器的flume event将转化为avro event 并发送至配置的主机名：端口号 |
| kafka | 将数据发送至kafka |