如何使用Apache Flume抓取数据

如何Apache Flume抓取数据，在抓取的过程中应该注意什么问题，本文简单介绍了以上问题。

一、什么是Apache Flume

Apache Flume是用于数据采集的高性能系统 ，名字来源于原始的近乎实时的日志数据采集工具，现在广泛用于任何流事件数据的采集，支持从很多数据源聚合数据到HDFS。

最初由Cloudera开发 ，在2011年贡献给了Apache基金会 ，在2012年变成了Apache的顶级项目，Flume OG升级换代成了Flume NG。

Flume具有横向扩展、延展性、可靠性的优势

二、Flume 体系结构

Source：接受外部系统生成event

Sink：发送event到指定的目的地

Channel：从Source缓存event，直到Sink把event取走

Agent：一个独立的Flume进程，包含了source，channel和sink组件

三、Flume设计目标：可靠性

Channels提供了Flume可靠性保障 ,那么它通过什么样的方式来保障呢?默认的模式就是Memory Channel，Memory Channel就是内存，所有的数据存放在内存当中。那么，这里就会存在一个问题?如果Channel的节点出现断电，数据就会丢失。为解决这一问题，这里有另外一种模式，就是基于磁盘的Channel，基于磁盘的队列确保出现断电时数据不丢失 。

另外，Agent和Channel之间的数据传输是事务性的 ，传输给下游agent失败的数据会回滚和重试 。相同的任务可以配置多个Agent，

比如，两个agent完成一个数据采集作业，如果一个agent失败，则上游的agent会失败切换到另一个。

四、Flume设计目标：扩展性

当我们采集的数据特别多的时候，可以通过添加更多的系统资源从而线性地增加系统性能。而且Flume可横向的扩展规模 ，随着复杂增加，可以添加更多的机器到配置当中 。

五、Flume设计目标：延展性

延展性就是能够添加新的功能到系统中。Flume通过添加Sources和Sinks到现有的存储层或数据平台，常见的Sources包括files、syslog和任何linux进程的标准输出的数据;常用Sinks包括本地文件系统或HDFS，开发员可以写自己的Sources或Sinks。

六、常见的Flume数据源

 

 

七、大规模部署实例

Flume使用agents收集数据 ，Agents可以从很多源接收数据，包括其他agents。大规模的部署使用多层来实现扩展性和可靠，Flume支持传输中数据的检查和修改。

 

 

以上是关于Apache Flume的部分详情介绍，后续将会继续分享。大数据将会是未来的风口，要想很好的站在风口上，就要持续不断地学习和努力。

来源：知乎专栏