Apache Flume 1.7.0 各个模块简介
Flume简介Apache Flume是一个分布式、可靠、高可用的日志收集系统，支持各种各样的数据来源，如http，log文件，jms，监听端口数据等等，能将这些数据源的海量日志数据进行高效收集、聚合、移动，最后存储到指定存储系统中，如kafka、分布式文件系统、Solr搜索服务器等；
Apache Flume主要有以下几大模块组成：
[*]数据源采集（Source）
[*]数据拦截（Interceptor）
[*]通道选择器（Channel Selector）
[*]数据通道（Channel）
[*]Sink处理器（Sink Processor）
[*]Sink（Sink）
[*]事件序列化（Serialization）
模块组成图如下所示：
下面将对各个模块做个简单的介绍，在这之前，有必要先了解一下什么是事件？
在Flume中，所谓的事件指的是Flume数据流中的数据单位，包含header和body，用于存储日志数据，其中header是一个map结构，我们可以往header存放一些信息，如时间戳，appid等，以便后续对事件进行处理，body存放的是收集的日志内容字节流，结构如下图所示：
数据源采集（Source）
先看下source模块在流程图中所处的位置，这里以最简单的架构图来作为示例，如下图所示：
Flume source主要功能是消费传递给它的事件；
Flume内置了各种类型的Source，用于处理各种类型的事件，如下所示，理论上Flume支持所有类型的事件，因为Flume支持自定义Source：
[*]Avro Source：支持Avro协议（实际上是Avro RPC）
[*]Thrift Source：支持Thrift协议
[*]Exec Source：基于Unix的command在标准输出上生产数据
[*]JMS Source：从JMS系统中读取数据
[*]Spooling Directory Source：监控指定目录内数据变更
[*]Twitter 1% firehose Source：通过API持续下载Twitter数据，试验性质
[*]Netcat Source：监控某个端口，将流经端口的每一个文本行数据作为Event输入
[*]Sequence Generator Source：序列生成器数据源，生产序列数据
[*]Syslog Sources：读取syslog数据，产生Event，支持UDP和TCP两种协议
[*]HTTP Source：基于HTTP POST或GET方式的数据源，支持JSON、BLOB表示形式(实际上支持任何形式，因为handle可以自定义)
[*]Legacy Sources：兼容老的Flume OG中Source（0.9.x版本）
这里列举几个比较常用的source，
如Exec Source，通过它我们可以监听一个日志文件的变化，如下配置，
a1.sources = r1
a1.channels
= c1
a1.sources.r1.type
= exec
a1.sources.r1.command
= tail -F /var/log/secure
a1.sources.r1.channels
= c1
Avro Source，通过它，我们可以将两个Flume Agent关联起来（因为agent的source和sink都支持Avro），正是这个特性，大大提高了flume的灵活性，可用性...
a1.sources = r1
a1.channels
= c1
a1.sources.r1.type
= avro
a1.sources.r1.channels
= c1
a1.sources.r1.bind
= 0.0.0.0
a1.sources.r1.port
= 4141
HTTP Source，通过它，可以接收http请求上报的数据，如下是配置示例，监听5140端口的http请求，这里的handle是可以自定义的，也就是说我们可以接收任何类型的上报数据，如json格式、xml等等。
a1.sources = r1
a1.channels
= c1
a1.sources.r1.type
= http
a1.sources.r1.port
= 5140
a1.sources.r1.channels
= c1
a1.sources.r1.handler
= org.example.rest.RestHandler
a1.sources.r1.handler.nickname
= random props
数据拦截（Interceptor）
先看下interceptor模块在流程图中所处的位置，如下图所示：
拦截器主要的功能是对事件进行过滤，修改；
Flume内置支持的拦截器如下（主要两类：过滤和修改）：
[*]Timestamp Interceptor：在事件头中插入以毫秒为单位的时间戳，如果在之前已经有这个时间戳，则保留原有的时间戳。
[*]Host Interceptor：
[*]Static Interceptor
[*]UUID Interceptor
[*]Morphline Interceptor
[*]Search and Replace Interceptor
[*]Regex Filtering Interceptor
[*]Regex Extractor Interceptor
当然，flume是支持自定义拦截器的，如下是一个简单的配置示例：
#拦截器
a1.sources.r1.interceptors
= i1
#a1.sources.r1.interceptors.i1.type
= org.apache.flume.sw.interceptor.SignCheckInterceptor$Builder
a1.sources.r1.interceptors.i1.type
= org.apache.flume.interceptor.RegexFilteringInterceptor$Builder
a1.sources.r1.interceptors.i1.regex
= (\\d):(\\d):(\\d)
a1.sources.r1.interceptors.i1.serializers
= s1 s2 s3
a1.sources.r1.interceptors.i1.serializers.s1.name
= one
a1.sources.r1.interceptors.i1.serializers.s2.name
= two
a1.sources.r1.interceptors.i1.serializers.s3.name
= three
通道选择器（Channel Selector）
先看下interceptor模块在流程图中所处的位置，如下图所示：
通道选择器的主要功能是对事件流进行复制和分流；
Flume内置了两种类型的通道选择器：
[*]复制（Replicating Channel Selector），使用该选择器，我们可以同时让同一事件传递到多个channel中，最后流入多个sink；
[*]分流（Multiplexing Channel Selector），使用该选择器，我们可以让特定的事件流入到特定的channel中，如不同项目产生的日志事件，交由不同的sink处理；
如下是一个分流的配置示例：
a1.sources = r1
a1.channels
= c1 c2 c3 c4
a1.sources.r1.selector.type
= multiplexing
a1.sources.r1.selector.header
= state
a1.sources.r1.selector.mapping.CZ
= c1
a1.sources.r1.selector.mapping.US
= c2 c3
a1.sources.r1.selector.default
= c4
当然，通道选择器是支持自定义的，我们可以自己实现通道选择器，并做如下配置：
a1.sources = r1
a1.channels
= c1
a1.sources.r1.selector.type
= org.example.MyChannelSelector
数据通道（Channel）
先看下channel模块在流程图中所处的位置，如下图所示：
通道Channel的主要功能是缓存日志事件；
Flume内置的Channel如下：
[*]Memory Channel：内存通道
[*]JDBC Channel：存储在持久化存储中，当前Flume Channel内置支持Derby
[*]File Channel：存储在磁盘文件中
[*]Spillable Memory Channel：存储在内存中和磁盘上，当内存队列满了，会持久化到磁盘文件（当前试验性的，不建议生产环境使用）
[*]Pseudo Transaction Channel：测试用途
同样，Flume支持自定义通道；
如下是一个内存通道的配置示例：
a1.channels = c1
a1.channels.c1.type
= memory
a1.channels.c1.capacity
= 10000
a1.channels.c1.transactionCapacity
= 10000
a1.channels.c1.byteCapacityBufferPercentage
= 20
a1.channels.c1.byteCapacity
= 800000
Sink处理器
先看下Sink处理器在流程图中所处的位置，如下图所示：
Sink处理器的主要功能是让一组sink groups支持负载均衡和灾难转移功能，我觉得跟通道选择器有点类似通过自定义的方式，我觉得是可以实现通道选择器的功能的；
Flume内置的sink处理器如下：
[*]load_balance：负载均衡
[*]failover：主备（灾难转移）
同样的，也支持自定义sink处理器；
如下是一个负载均衡的例子，使用随机选择算法：
a1.sinkgroups = g1
a1.sinkgroups.g1.sinks
= k1 k2
a1.sinkgroups.g1.processor.type
= load_balance
a1.sinkgroups.g1.processor.backoff
= true
a1.sinkgroups.g1.processor.selector
= random
Sink（Sink）
先看下Sink模块在流程图中所处的位置，如下图所示：
Sink的主要功能是将事件输出到下一个agent的source或其它存储系统如，分布式文件系统、kafka、本地文件系统、日志等；
Flume内置的sink如下：
[*]HDFS Sink：数据写入HDFS
[*]Logger Sink：数据写入日志文件
[*]Avro Sink：数据被转换成Avro Event，然后发送到配置的RPC端口上
[*]Thrift Sink：数据被转换成Thrift Event，然后发送到配置的RPC端口上
[*]IRC Sink：数据在IRC上进行回放
[*]File Roll Sink：存储数据到本地文件系统
[*]Null Sink：丢弃到所有数据
[*]HBase Sink：数据写入HBase数据库
[*]Morphline Solr Sink：数据发送到Solr搜索服务器（集群）
[*]ElasticSearch Sink：数据发送到Elastic Search搜索服务器（集群）
[*]Kite Dataset Sink：写数据到Kite Dataset，试验性质的
当然，flume也是支持自定义的；
我们举个本地文件系统的例子，配置如下即可：
a1.channels = c1
a1.sinks
= k1
a1.sinks.k1.type
= file_roll
a1.sinks.k1.channel
= c1
a1.sinks.k1.sink.directory
= /var/log/flume
事件序列化（Serialization）
序列化在流程图中所处的位置与Sink一样，这里就不画了，简单地说，Sink负责将事件输出到外部，那么以何种形式输出（直接文本形式还是其它形式），需要包含哪些东西（body还是header还是其它内容...），就是由事件序列化来完成的；
Flume内置的事件序列化如下：
[*]Body Text Serializer：看名字就知道，直接将事件的body作为文本形式输出，事件header将被忽略
[*]Avro Event Serializer：Avro序列化，包含事件全部信息
Flume同样支持自定义事件序列化，需要实现EventSerializer接口；
下面举个Body Text Serializer的配置示例：
a1.sinks = k1
a1.sinks.k1.type
= file_roll
a1.sinks.k1.channel
= c1
a1.sinks.k1.sink.directory
= /var/log/flume
a1.sinks.k1.sink.serializer
= text
a1.sinks.k1.sink.serializer.appendNewline
= false
结语
上面对flume各个模块，或者说组件，做了一个简短的介绍，基本知道了Flume是个怎么回事，接下来将对各个组件做个介绍，并开发各个组件的自定义实现。
参考资料
http://flume.apache.org/FlumeUserGuide.html
http://shiyanjun.cn/archives/915.html
页:
[1]