SparkStreaming數(shù)據源Flume實際案例分享

1、Flume簡要介紹
2、Spark Streaming on Flume案例介紹

一、什么是Flume?
　　flume 作為 cloudera 開發(fā)的實時日志收集系統(tǒng)，受到了業(yè)界的認可與廣泛應用。Flume 初始的發(fā)行版本目前被統(tǒng)稱為 Flume OG（original generation），屬于 cloudera。但隨著 FLume 功能的擴展，F(xiàn)lume OG 代碼工程臃腫、核心組件設計不合理、核心配置不標準等缺點暴露出來，尤其是在 Flume OG 的最后一個發(fā)行版本 0.94.0 中，日志傳輸不穩(wěn)定的現(xiàn)象尤為嚴重，為了解決這些問題，2011 年 10 月 22 號，cloudera 完成了 Flume-728，對 Flume 進行了里程碑式的改動：重構核心組件、核心配置以及代碼架構，重構后的版本統(tǒng)稱為 Flume NG（next generation）；改動的另一原因是將 Flume 納入 apache 旗下，cloudera Flume 改名為 Apache Flume。

flume的特點：
　　flume是一個分布式、可靠、和高可用的海量日志采集、聚合和傳輸?shù)南到y(tǒng)。支持在日志系統(tǒng)中定制各類數(shù)據發(fā)送方，用于收集數(shù)據;同時，F(xiàn)lume提供對數(shù)據進行簡單處理，并寫到各種數(shù)據接受方(比如文本、HDFS、Hbase等)的能力 。
　　flume的數(shù)據流由事件(Event)貫穿始終。事件是Flume的基本數(shù)據單位，它攜帶日志數(shù)據(字節(jié)數(shù)組形式)并且攜帶有頭信息，這些Event由Agent外部的Source生成，當Source捕獲事件后會進行特定的格式化，然后Source會把事件推入(單個或多個)Channel中。你可以把Channel看作是一個緩沖區(qū)，它將保存事件直到Sink處理完該事件。Sink負責持久化日志或者把事件推向另一個Source。

flume的可靠性
　　當節(jié)點出現(xiàn)故障時，日志能夠被傳送到其他節(jié)點上而不會丟失。Flume提供了三種級別的可靠性保障，從強到弱依次分別為：end-to-end（收到數(shù)據agent首先將event寫到磁盤上，當數(shù)據傳送成功后，再刪除；如果數(shù)據發(fā)送失敗，可以重新發(fā)送。），Store on failure（這也是scribe采用的策略，當數(shù)據接收方crash時，將數(shù)據寫到本地，待恢復后，繼續(xù)發(fā)送），Besteffort（數(shù)據發(fā)送到接收方后，不會進行確認）。

flume的可恢復性：
　　還是靠Channel。推薦使用FileChannel，事件持久化在本地文件系統(tǒng)里(性能較差)。

flume的一些核心概念：

1. Agent 使用JVM 運行Flume。每臺機器運行一個agent，但是可以在一個agent中包含多個sources和sinks。

2. Client 生產數(shù)據，運行在一個獨立的線程。

3. Source 從Client收集數(shù)據，傳遞給Channel。

4. Sink 從Channel收集數(shù)據，運行在一個獨立線程。

5. Channel 連接 sources 和 sinks ，這個有點像一個隊列。

6. Events 可以是日志記錄、 avro 對象等。