一、Flume--数据采集器基本原理和使用

一、概述

1、flume是什么

1) Flume提供一个分布式的，可靠的，对大数据量的日志进行高效收集、聚集、移动的服务，Flume只能在Linux环境下运行。
2) Flume基于流式架构，容错性强，也很灵活简单，架构简单。
3) Flume、Kafka用来实时进行数据收集，Spark、Storm用来实时处理数据，impala用来实时查询。

2、flume的基本架构

​ 图1.1 flume架构

说到flume的架构，直接拿官网的图来说就足够了。
首先在每个数据源上都会部署一个 flume agent ，这个agent就是用来采取数据的。
这个agent由3个组件组成：source，channel，sink。而在flume中，数据传输的基本单位是event。下面讲讲这几个概念

（1）source

用于从数据源采集数据，并将数据传输在channel中。source支持多种数据源采集方式。比如监听端口采集数据，从文件中采集，从目录中采集，从http服务中采集等。

（2）channel

位于source和sink之间，是数据的一个暂存区域。一般情况下，从source流出数据的速率和sink流出的数据的速率会有所差异。所以需要一个空间暂存那些还没办法传输到sink进行处理的数据。所以channel类似于一个缓冲区，一个队列。

（3）sink

从channel获取数据，并将数据写到目标源。目标源支持多种，比如本地文件、hdfs、kafka、下一个flume agent的source等均可。

（4）event

传输单元，flume传输的基本单位，包括 headers和body两部分，header可以添加一些头部信息，body则是数据。

3、flume传输过程

基于上面的概念，流程基本很清晰，source监控数据源，如果产生新的数据，则获取数据，并封装成一个event，然后将event传输到channel，接着sink从channel拉取数据写入到目标源中。

​

二、flume的使用

1、flume部署

flume的程序本身的部署非常简单，
（1）部署jdk1.8
（2）解压flume的程序压缩包到指定目录，然后添加环境变量即可
（3）修改配置文件

cd /opt/modules/apache-flume-1.8.0-bin将模板配置文件复制重命名为正式配置文件cp conf/flume-env.sh.template conf/flume-env.sh添加jdk家目录变量vim conf/flume-env.sh加上这句export JAVA_HOME=/opt/modules/jdk1.8.0_144

这就完成配置了，基本没啥难度。flume的使用重点在于agent的配置文件的编写，根据业务场景不同，配置也不同。简单来说其实就是对source，channel，sink三大组件的工作属性的配置。

​

2、agent定义流程

agent的配置其实就是对source、channel、sink的配置。主要有5个步骤，下面看看这个流程是怎样的。

# 1、定义的agent名称，指定使用的source sinks channels的名称# 可以有多个source sinks channels。.sources = .sinks = .channels = # 2、定义source工作属性。# 基本格式就是 agent名.sources.source名.参数名=value# 第一个参数都是type，就是指定source类型的.sources..type=xxxx.sources..=xxxx.sources..=xxxx.........# 3、设置channel工作属性.格式都是类似的# 第一个参数都是type，就是指定channel类型的.channels..type=xxxxx.channels..=xxxxx.channels..=xxxxx.........# 4、设置sink工作属性# 第一个参数都是type，就是指定sink类型的.sinks..type=xxxxx.sinks..=xxxxx.sinks..=xxxxx...............# 5、设置source以及sink使用的channel，通过channel将两者连接起来.sources..channels = .sinks..channel = 

这就是agent定义的完整流程，source、channel、sink每个都有不同的类型，每个类型定义的参数会有差异。下面看看source、channel、sink中常用的类型（想看完整的全部的类型就看官网吧）

3、常用source的类型

（1）netcat--从tcp端口获取数据

常用属性：type：需指定为  netcatbind：监听的主机名或者ipport：监听的端口例子：监听在 0.0.0.0:6666端口a1.sources.r1.type = netcata1.sources.r1.bind = 0.0.0.0a1.sources.r1.port = 6666

（2）exec--执行命令输出作为数据源

常用属性：type:需指定为 execcommand:运行的命令shell:运行名为所需的shell，如 /bin/bash -c例子：监控文件的新增内容a1.sources.r1.type = execa1.sources.r1.command = tail -F /var/log/securea1.sourcesr.r1.shell = /bin/bash -c

（3）spooldir--监控目录内容

常用的属性：type:设置为 spooldirspoolDir：监控的目录路径fileSuffix：上传完成的文件加上指定的后缀，默认是 .COMPLETEDfileHeader：是否在event的header添加一个key标明该文件的绝对路径，默认为falseignorePattern：正则匹配，忽略的文件还有其他很多参数，具体到官网上看吧例子：a3.sources.r3.type = spooldira3.sources.r3.spoolDir = /opt/module/flume1.8.0/uploada3.sources.r3.fileSuffix = .COMPLETEDa3.sources.r3.fileHeader = true#忽略所有以.tmp结尾的文件，不上传a3.sources.r3.ignorePattern = ([^ ]*\.tmp)

（4）avro--flume之间串联的中间格式

这个源比较特别，通常用在上一个flume的sink 输出，然后作为下一个flume的输入的格式。

常用的属性：type：需指定为  avrobind：监听的主机名或者ip，只能是agent所在主机的ip或者hostnameport：监听的端口例子：a1.sources.r1.type = avroa1.sources.r1.bind = 0.0.0.0a1.sources.r1.port = 4141

（5）TAILDIR--监控文件或者目录内容变化（1.7以及之后才有）

​ spoolDir有一个bug，就是已经上传完成的文件，不能再追加内容，否则会报错，而且也无法读取到新的文件内容。所以spooldir只能用来监控目录下新文件的变化，没办法监控已有文件的内容变化。以往这种情况只能使用 exec源，然后使用tail -f xxxlog 的方式来监听文件内容变化，但是这种方式有缺陷，就是容易丢失数据。而在flume1.7之后有一个新的source，叫TAILDIR，可以直接监听文件变化的内容。看看用法：

常用属性：type：TAILDIR ，记住，要全部大写filegroups：要监听的文件组的名字，可以有多个文件组filegroups.：指定文件组的包含哪些文件，可以使用扩展正则表达式，这里可以有的小技巧 /path/.*  这样就可以监听目录下的所有文件内容的变化positionFile：这个文件json格式记录了目录下每个文件的inode，以及pos偏移量fileHeader：是否添加header属性过多，可以当官网看：http://flume.apache.org/releases/content/1.9.0/FlumeUserGuide.html#spooling-directory-source例子：a1.sources = r1a1.channels = c1a1.sources.r1.type = TAILDIRa1.sources.r1.channels = c1a1.sources.r1.positionFile = /var/log/flume/taildir_position.jsona1.sources.r1.filegroups = f1 f2  有两个文件组# 文件组1内容a1.sources.r1.filegroups.f1 = /var/log/test1/example.loga1.sources.r1.headers.f1.headerKey1 = value1# 使用正则表达式指定文件组a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*a1.sources.r1.headers.f2.headerKey1 = value2a1.sources.r1.headers.f2.headerKey2 = value2-2a1.sources.r1.fileHeader = truea1.sources.ri.maxBatchCount = 1000

下面再说说上面说到的 positionFile 这个东东，看看它的格式：

[{"inode":408241856,"pos":27550,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/flume.log.COMPLETED"},{"inode":406278032,"pos":0,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/words.txt.COMPLETED"},{"inode":406278035,"pos":0,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/words.txt"},{"inode":406278036,"pos":34,"file":"/opt/modules/apache-flume-1.8.0-bin/logs/test.txt"}]分析：1、每个文件都是一个json串，由多个json串组成一个类似于数组的东西。2、每个json包含内容有：    inode：这个什么意思就自己具体看看文件系统的基本知识吧    pos：开始监听文件内容的起始偏移量    file:文件绝对路径名3、小技巧：（1）如果监听目录时，某些文件已存在，那么flume默认是从文件最后作为监听起始点进行监听。当文件内容更新时，flume会获取，然后sink。接着就会更新pos值。所以因为这个特点，就算flume agent突然崩了，下一次启动时，自动从上次崩溃的pos开始监听，而不是从最新的文件末尾开始监听。这样就不会丢失数据了，而且不会重复读取旧数据。（2）从（1）可知，pos就是实时更新的一个文件内容监听点，如果我们想文件从头开始监听，有时候有需求，需要将监听目录下的文件全部传输一边。这时候很简单，将json文件中的pos改为0就好了。4、如果没有指定positionFile路径，默认为/USER_HOME/.flume/taildir_position.json

4、常用channel类型

（1）memory--用内存作为暂存空间

常用的属性：type：需指定为  memorycapacity：存储在channel中event数量的最大值transactionCapacity：一次传输的event的最大数量 例子：a1.channels.c1.type = memorya1.channels.c1.capacity = 1000a1.channels.c1.transactionCapacity = 100

（2）file--使用磁盘文件作为暂存空间

常用的属性：type：需指定为  filecheckpointDir:存储checkpoint文件的目录dataDirs：存储数据的目录例子：a1.channels.c1.type = filea1.channels.c1.checkpointDir = /mnt/flume/checkpointa1.channels.c1.dataDirs = /mnt/flume/data

（3）SPILLABLEMEMORY--文件+内存作为暂存空间

这个类型是将内存+文件作为channel，当容量空间超过内存时就写到文件中常用的属性：type:指定为 SPILLABLEMEMORYmemoryCapacity：使用内存存储的event的最大数量overflowCapacity：存储到文件event的最大数量byteCapacity：使用内存存储的event的最大容量，单位是 bytescheckpointDir：存储checkpoint文件的目录dataDirs：存储数据的目录例子：a1.channels.c1.type = SPILLABLEMEMORYa1.channels.c1.memoryCapacity = 10000a1.channels.c1.overflowCapacity = 1000000a1.channels.c1.byteCapacity = 800000a1.channels.c1.checkpointDir = /mnt/flume/checkpointa1.channels.c1.dataDirs = /mnt/flume/data

（4）kafka--作为channel

生产环境中，flume+kafka也是常用的技术栈，但是一般是将kafka作为sink目标

常用属性：type：设置为 org.apache.flume.channel.kafka.KafkaChannelbootstrap.servers：kafka集群的服务器， ip:port,ip2:port,....topic：kafka中的topicconsumer.group.id：消费者的groupid例子：a1.channels.channel1.type = org.apache.flume.channel.kafka.KafkaChannela1.channels.channel1.kafka.bootstrap.servers = kafka-1:9092,kafka-2:9092,kafka-3:9092a1.channels.channel1.kafka.topic = channel1a1.channels.channel1.kafka.consumer.group.id = flume-consumer

5、常用sink类型

（1）logger--直接作为log信息输出

常用属性：type：logger例子：a1.sinks.k1.type = logger

这个类型比较简单，一般用于调试时使用

（2）avro--串联flume的中间格式

这个类型主要就是用来给下一个flume作为输入的格式，是字节流的方式，而且是序列化的序列。

常用属性：type：avrohostname：输出目标的主机名或者ip，可以任意主机，不局限于本机ip：输出到的端口例子：a1.sinks.k1.type = avroa1.sinks.k1.hostname = 10.10.10.10a1.sinks.k1.port = 4545

（3）hdfs--直接写入到hdfs

常用属性：type：hdfshdfs.path:存储路径 , hdfs://namenode:port/PATHhdfs.filePrefix：上传的文件的前缀（额外加上的）hdfs.round：是否按时间滚动文件夹hdfs.roundValue：滚动的时间值hdfs.roundUnit：滚动的时间的单位hdfs.userLocalTimeStamp：是否使用本地时间戳，true还是falsehdfs.batchSize：积攒多少个event才flush到hdfs 一次hdfs.fileType：文件类型，DataStream（普通文件），SequenceFile（二进制格式，默认），CompressedStream（压缩格式）hdfs.rollInterval：多久生成一个新的文件，单位是秒hdfs.rollSize：文件滚动大小，单位是 byteshdfs.rollCount：文件滚动是否与event数量有关，true 还是falsehdfs.minBlockReplicas：最小副本数例子：#指定sink的类型为存储在hdfs中a2.sinks.k2.type = hdfs# 路径命名为按小时a2.sinks.k2.hdfs.path = hdfs://bigdata121:9000/flume/%H#上传文件的前缀a2.sinks.k2.hdfs.filePrefix = king-#是否按照时间滚动文件夹a2.sinks.k2.hdfs.round = true#多少时间单位创建一个新的文件夹a2.sinks.k2.hdfs.roundValue = 1#重新定义时间单位a2.sinks.k2.hdfs.roundUnit = hour#是否使用本地时间戳a2.sinks.k2.hdfs.useLocalTimeStamp = true#积攒多少个Event才flush到HDFS一次a2.sinks.k2.hdfs.batchSize = 1000#设置文件类型，可支持压缩a2.sinks.k2.hdfs.fileType = DataStream#多久生成一个新的文件,单位是秒a2.sinks.k2.hdfs.rollInterval = 600#设置每个文件的滚动大小,单位是bytesa2.sinks.k2.hdfs.rollSize = 134217700#文件的滚动与Event数量无关a2.sinks.k2.hdfs.rollCount = 0#最小副本数a2.sinks.k2.hdfs.minBlockReplicas = 1

（4）file_roll--存储到本地文件系统

常用属性：type：file_rollsink.directory:存储路径例子：a1.sinks.k1.type = file_rolla1.sinks.k1.sink.directory = /var/log/flum

（5）kafka--存储到kafka集群中

常用属性：tpye:org.apache.flume.sink.kafka.KafkaSinkkafka.topic：kafka话题名kafka.bootstrap.servers：集群服务器列表，以逗号分隔kafka.flumeBatchSize：刷写到kafka的event数量kafka.producer.acks：接收到时返回ack信息时，写入的最少的副本数kafka.producer.compression.type：压缩类型例子：a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSinka1.sinks.k1.kafka.topic = mytopica1.sinks.k1.kafka.bootstrap.servers = localhost:9092a1.sinks.k1.kafka.flumeBatchSize = 20a1.sinks.k1.kafka.producer.acks = 1a1.sinks.k1.kafka.producer.compression.type = snappy

6、拦截器interceptors 常用类型

拦截器interceptors并不是必须的，它是工作在source和channel之间的一个组件，用于过滤source来的数据，并输出到channel。
使用格式：

先指定拦截器的名字，然后对每个拦截器进行工作属性配置.sources..interceptors = .sources..interceptors.. = xxxx

（1）timestamp时间戳拦截器

在event 的header中添加一个字段，用于标明时间戳如：headers:{timestamp:111111}。

常用属性：type：timestampheaderName：在header中的key名字，默认是 timestamp例子：a1.sources.r1.interceptors = i1a1.sources.r1.interceptors.i1.type = timestamp

（2）host主机名拦截器

在event 的header中添加一个字段，用于标明host戳，如：headers:{host:bigdata121}。

常用属性：type：hosthostHeader：在header中的key名字，默认是 hostuseIP:用ip还是主机名例子：a1.sources.r1.interceptors = i1a1.sources.r1.interceptors.i1.type = host

（3）UUID拦截器

在event 的header中添加一个字段，用于标明uuid如：headers:{id:111111}。

常用属性：type：org.apache.flume.sink.solr.morphline.UUIDInterceptor$BuilderheadName：在header中的key名字，默认是 idprefix:给每个UUID添加前缀

（4）search_replace查询替换

使用正则匹配，然后替换指定字符

常用属性：type：search_replacesearchPattern：匹配的正则replaceString：替换的字符串charset：字符集，默认UTF-8例子：删除特定字符开头的字符串a1.sources.avroSrc.interceptors = search-replacea1.sources.avroSrc.interceptors.search-replace.type = search_replacea1.sources.avroSrc.interceptors.search-replace.searchPattern = ^[A-Za-z0-9_]+a1.sources.avroSrc.interceptors.search-replace.replaceString =

（5）regex_filter正则过滤

正则匹配，匹配到的丢弃或者留下

常用属性：type:regex_filterregex:正则excludeEvents：true为过滤掉匹配的，false为留下匹配的例子：a1.sources.r1.interceptors.i1.type = regex_filtera1.sources.r1.interceptors.i1.regex = ^A.*#如果excludeEvents设为false,表示过滤掉不是以A开头的events。如果excludeEvents设为true，则表示过滤掉以A开头的events。a1.sources.r1.interceptors.i1.excludeEvents = true

（6） regex_extractor正则抽取

这里其实是利用正则的分组匹配来获取多个匹配组，然后将每个组的匹配值存储到header中，key可以自定义。

a1.sources.r1.type = execa1.sources.r1.channels = c1a1.sources.r1.command = tail -F /opt/Andya1.sources.r1.interceptors = i1# 指定类型为 regex_extractora1.sources.r1.interceptors.i1.type = regex_extractor# 分组匹配的正则a1.sources.r1.interceptors.i1.regex = hostname is (.*?) ip is (.*)# 两个分组各自的key别名a1.sources.r1.interceptors.i1.serializers = s1 s2# 分别设置key的名字a1.sources.r1.interceptors.i1.serializers.s1.name = cookieida1.sources.r1.interceptors.i1.serializers.s2.name = ip

（7）自定义拦截器

继承接口 org.apache.flume.interceptor.Interceptor，实现里面的特定方法，如：

import org.apache.flume.Context;import org.apache.flume.Event;import org.apache.flume.interceptor.Interceptor;import java.util.ArrayList;import java.util.List;public class MyInterceptor implements Interceptor {    @Override    public void initialize() {    }    @Override    public void close() {    }    /**     * 拦截source发送到通道channel中的消息     * 处理单个event     * @param event 接收过滤的event     * @return event    根据业务处理后的event     */    @Override    public Event intercept(Event event) {        // 获取事件对象中的字节数据        byte[] arr = event.getBody();        // 将获取的数据转换成大写        event.setBody(new String(arr).toUpperCase().getBytes());        // 返回到消息中        return event;    }    // 处理event集合    @Override    public List intercept(List events) {        List list = new ArrayList<>();        for (Event event : events) {            list.add(intercept(event));        }        return list;    }    //用来返回拦截器对象    public static class Builder implements Interceptor.Builder {        // 获取配置文件的属性        @Override        public Interceptor build() {            return new MyInterceptor();        }        @Override        public void configure(Context context) {        }    }

pom.xml依赖

                            org.apache.flume            flume-ng-core            1.8.0            

在 agent的配置文件中指定拦截器

a1.sources.r1.interceptors = i1#全类名$Buildera1.sources.r1.interceptors.i1.type = ToUpCase.MyInterceptor$Builder

运行命令：

bin/flume-ng agent -c conf/ -n a1 -f jar/ToUpCase.conf -C jar/Flume_Andy-1.0-SNAPSHOT.jar -Dflume.root.logger=DEBUG,console-C 指定额外的jar包的路径，就是我们自己写的拦截器的jar包

也可以将jar包放到flume程序目录的lib目录下

三、flume案例

1、读取文件到hdfs

# 1.定义agent的名字a2.以及定义这个agent中的source，sink，channel的名字a2.sources = r2a2.sinks = k2a2.channels = c2#2.定义Source,定义数据来源# 定义source类型是exec，执行命令的方式a2.sources.r2.type = exec# 命令a2.sources.r2.command = tail -F /tmp/access.log# 使用的shella2.sources.r2.shell = /bin/bash -c#3.定义sink#指定sink的类型为存储在hdfs中a2.sinks.k2.type = hdfs# 路径命名为按小时a2.sinks.k2.hdfs.path = hdfs://bigdata121:9000/flume/%H#上传文件的前缀a2.sinks.k2.hdfs.filePrefix = king-#是否按照时间滚动文件夹a2.sinks.k2.hdfs.round = true#多少时间单位创建一个新的文件夹a2.sinks.k2.hdfs.roundValue = 1#重新定义时间单位a2.sinks.k2.hdfs.roundUnit = hour#是否使用本地时间戳a2.sinks.k2.hdfs.useLocalTimeStamp = true#积攒多少个Event才flush到HDFS一次a2.sinks.k2.hdfs.batchSize = 1000#设置文件类型，可支持压缩a2.sinks.k2.hdfs.fileType = DataStream#多久生成一个新的文件,单位是秒a2.sinks.k2.hdfs.rollInterval = 600#设置每个文件的滚动大小,单位是bytesa2.sinks.k2.hdfs.rollSize = 134217700#文件的滚动与Event数量无关a2.sinks.k2.hdfs.rollCount = 0#最小副本数a2.sinks.k2.hdfs.minBlockReplicas = 1# 4.定义Channel,类型、容量限制、传输容量限制 a2.channels.c2.type = memorya2.channels.c2.capacity = 1000a2.channels.c2.transactionCapacity = 100# 5.链接,通过channel将source和sink连接起来a2.sources.r2.channels = c2a2.sinks.k2.channel = c2

启动flume-agent：

/opt/module/flume1.8.0/bin/flume-ng agent \--conf /opt/module/flume1.8.0/conf/ \   flume配置目录--name a2 \                             agent名字--conf-file /opt/module/flume1.8.0/jobconf/flume-hdfs.conf  agent配置-Dflume.root.logger=INFO,console          打印日志到终端

2、多flume联合，一对多

flume1：输出到flume2和flume3
flume2：输出到本地文件
flume3：输出到hdfs

flume1.conf

# Name the components on this agenta1.sources = r1a1.sinks = k1 k2a1.channels = c1 c2# 将数据流复制给多个channel。启动复制模式a1.sources.r1.selector.type = replicating# Describe/configure the sourcea1.sources.r1.type = execa1.sources.r1.command = tail -F /opt/testa1.sources.r1.shell = /bin/bash -c# 这是k1 sinka1.sinks.k1.type = avroa1.sinks.k1.hostname = bigdata111a1.sinks.k1.port = 4141# 这是k2 sinka1.sinks.k2.type = avroa1.sinks.k2.hostname = bigdata111a1.sinks.k2.port = 4142# Describe the channela1.channels.c1.type = memorya1.channels.c1.capacity = 1000a1.channels.c1.transactionCapacity = 100a1.channels.c2.type = memorya1.channels.c2.capacity = 1000a1.channels.c2.transactionCapacity = 100# 给source接入连接两个channel.每个channel对应一个sinka1.sources.r1.channels = c1 c2a1.sinks.k1.channel = c1a1.sinks.k2.channel = c2

flume2.conf

# Name the components on this agenta2.sources = r1a2.sinks = k1a2.channels = c1# Describe/configure the sourcea2.sources.r1.type = avroa2.sources.r1.bind = bigdata111a2.sources.r1.port = 4141# Describe the sinka2.sinks.k1.type = hdfsa2.sinks.k1.hdfs.path = hdfs://bigdata111:9000/flume2/%H#上传文件的前缀a2.sinks.k1.hdfs.filePrefix = flume2-#是否按照时间滚动文件夹a2.sinks.k1.hdfs.round = true#多少时间单位创建一个新的文件夹a2.sinks.k1.hdfs.roundValue = 1#重新定义时间单位a2.sinks.k1.hdfs.roundUnit = hour#是否使用本地时间戳a2.sinks.k1.hdfs.useLocalTimeStamp = true#积攒多少个Event才flush到HDFS一次a2.sinks.k1.hdfs.batchSize = 100#设置文件类型，可支持压缩a2.sinks.k1.hdfs.fileType = DataStream#多久生成一个新的文件a2.sinks.k1.hdfs.rollInterval = 600#设置每个文件的滚动大小大概是128Ma2.sinks.k1.hdfs.rollSize = 134217700#文件的滚动与Event数量无关a2.sinks.k1.hdfs.rollCount = 0#最小副本数a2.sinks.k1.hdfs.minBlockReplicas = 1# Describe the channela2.channels.c1.type = memorya2.channels.c1.capacity = 1000a2.channels.c1.transactionCapacity = 100# Bind the source and sink to the channela2.sources.r1.channels = c1a2.sinks.k1.channel = c1

flume3.conf

# Name the components on this agenta3.sources = r1a3.sinks = k1a3.channels = c1# Describe/configure the sourcea3.sources.r1.type = avroa3.sources.r1.bind = bigdata111a3.sources.r1.port = 4142# Describe the sinka3.sinks.k1.type = file_roll#备注：此处的文件夹需要先创建好a3.sinks.k1.sink.directory = /opt/flume3# Describe the channela3.channels.c1.type = memorya3.channels.c1.capacity = 1000a3.channels.c1.transactionCapacity = 100# Bind the source and sink to the channela3.sources.r1.channels = c1a3.sinks.k1.channel = c1

启动时，先启动flume2和flume3，最后启动flume1。启动命令不重复了。

3、多flume联合，多对一

多台server产生的日志，需要各自监控，然后汇总起来存储，这种场景很多。
flume1（监听文件）和flume2（监听端口）各自收集数据，然后分别sink到flume3，flume3负责汇总写入hdfs
flume1.conf

# Name the components on this agenta1.sources = r1a1.sinks = k1a1.channels = c1# Describe/configure the sourcea1.sources.r1.type = execa1.sources.r1.command = tail -F /opt/Andya1.sources.r1.shell = /bin/bash -c# Describe the sinka1.sinks.k1.type = avroa1.sinks.k1.hostname = bigdata111a1.sinks.k1.port = 4141# Describe the channela1.channels.c1.type = memorya1.channels.c1.capacity = 1000a1.channels.c1.transactionCapacity = 100# Bind the source and sink to the channela1.sources.r1.channels = c1a1.sinks.k1.channel = c1

flume2.conf

# Name the components on this agenta2.sources = r1a2.sinks = k1a2.channels = c1# Describe/configure the sourcea2.sources.r1.type = netcata2.sources.r1.bind = bigdata111a2.sources.r1.port = 44444# Describe the sinka2.sinks.k1.type = avroa2.sinks.k1.hostname = bigdata111a2.sinks.k1.port = 4141# Use a channel which buffers events in memorya2.channels.c1.type = memorya2.channels.c1.capacity = 1000a2.channels.c1.transactionCapacity = 100# Bind the source and sink to the channela2.sources.r1.channels = c1a2.sinks.k1.channel = c1

flume3.conf

# Name the components on this agenta3.sources = r1a3.sinks = k1a3.channels = c1# Describe/configure the sourcea3.sources.r1.type = avroa3.sources.r1.bind = bigdata111a3.sources.r1.port = 4141# Describe the sinka3.sinks.k1.type = hdfsa3.sinks.k1.hdfs.path = hdfs://bigdata111:9000/flume3/%H#上传文件的前缀a3.sinks.k1.hdfs.filePrefix = flume3-#是否按照时间滚动文件夹a3.sinks.k1.hdfs.round = true#多少时间单位创建一个新的文件夹a3.sinks.k1.hdfs.roundValue = 1#重新定义时间单位a3.sinks.k1.hdfs.roundUnit = hour#是否使用本地时间戳a3.sinks.k1.hdfs.useLocalTimeStamp = true#积攒多少个Event才flush到HDFS一次a3.sinks.k1.hdfs.batchSize = 100#设置文件类型，可支持压缩a3.sinks.k1.hdfs.fileType = DataStream#多久生成一个新的文件a3.sinks.k1.hdfs.rollInterval = 600#设置每个文件的滚动大小大概是128Ma3.sinks.k1.hdfs.rollSize = 134217700#文件的滚动与Event数量无关a3.sinks.k1.hdfs.rollCount = 0#最小冗余数a3.sinks.k1.hdfs.minBlockReplicas = 1# Describe the channela3.channels.c1.type = memorya3.channels.c1.capacity = 1000a3.channels.c1.transactionCapacity = 100# Bind the source and sink to the channela3.sources.r1.channels = c1a3.sinks.k1.channel = c1

启动时先启动flume3，然后启动flume1和flume2

$ bin/flume-ng agent --conf conf/ --name a3 --conf-file jobconf/flume3.conf$ bin/flume-ng agent --conf conf/ --name a2 --conf-file jobconf/flume2.conf$ bin/flume-ng agent --conf conf/ --name a1 --conf-file jobconf/flume1.conf

测试可以通过 telnet bigdata111 44444 端口来发送数据
可以在/opt/Andy文件中追加数据