Flume日志收集总结

Flume是一个分布式、可靠、和高可用的海量日志聚合的系统，支持在系统中定制各类数据发送方，用于收集数据；

同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

(1) 可靠性

end-to-end（收到数据agent首先将event写到磁盘上，当数据传送成功后，再删除；如果数据发送失败，可以重新发送。），Store on failure（这也是scribe采用的策略，当数据接收方crash时，将数据写到本地，待恢复后，继续发送），Best effort（数据发送到接收方后，不会进行确认）。

(2) 可扩展性

agent，collector和storage，每一层均可以水平扩展。其中，所有agent和collector由master统一管理，这使得系统容易监控和维护，且master允许有多个（使用ZooKeeper进行管理和负载均衡），这就避免了单点故障问题。

(3) 可管理性

所有agent和colletor由master统一管理，这使得系统便于维护。多master情况，Flume利用ZooKeeper和gossip，保证动态配置数据的一致性。用户可以在master上查看各个数据源或者数据流执行情况，且可以对各个数据源配置和动态加载。Flume提供了web 和shell script command两种形式对数据流进行管理。

(4) 功能可扩展性

flume的逻辑架构：

正如前面提到的，Flume采用了分层架构：分别为agent，collector和storage。

其中，agent和collector均由两部分组成：source和sink，source是数据来源，sink是数据去向。

Flume使用两个组件：Master和Node，Node根据在Master shell或web中动态配置，决定其是作为Agent还是Collector。

(1) agent

Flume自带了很多直接可用的数据源（source），如：

tail(“filename”)：探测filename新产生的数据，按行发送出去
fsyslogTcp(5140)：监听TCP的5140端口，并且接收到的数据发送出去
tailDir("dirname"[, fileregex=".*"[, startFromEnd=false[, recurseDepth=0]]])：监听目录中的文件末尾，使用正则去选定需要监听的文件（不包含目录），recurseDepth为递归监听其下子目录的深度

http://www.cnblogs.com/zhangmiao-chp/archive/2011/05/18/2050465.html

Flume自带了很多直接可用的数据源（sink），如：

text(“txtfile”)：将数据写到文件txtfile中
dfs(“dfsfile”)：将数据写到HDFS上的dfsfile文件中
syslogTcp(“host”,port)：将数据通过TCP传递给host节点
agentSink[("machine"[,port])]：等价于agentE2ESink，如果省略，machine参数，默认使用flume.collector.event.host与flume.collector.event.port作为默认collecotr
agentDFOSink[("machine" [,port])]：本地热备agent，agent发现collector节点故障后，不断检查collector的存活状态以便重新发送event，在此间产生的数据将缓存到本地磁盘中
agentBESink[("machine"[,port])]：不负责的agent，如果collector故障，将不做任何处理，它发送的数据也将被直接丢弃
agentE2EChain：指定多个collector提高可用性。当向主collector发送event失效后，转向第二个collector发送，当所有的collector失败后，它会非常执着的再来一遍

http://www.cnblogs.com/zhangmiao-chp/archive/2011/05/18/2050472.html

(2) collector

它的source和sink与agent类似。

Flume自带了很多直接可用的数据源（source），如：

collectorSource[(port)]：Collector source，监听端口汇聚数据

autoCollectorSource：通过master协调物理节点自动汇聚数据
logicalSource：逻辑source，由master分配端口并监听rpcSink

Flume自带了很多直接可用的数据源（sink），如：

customdfs("hdfspath"[, "format"])：自定义格式dfs

(3) storage

(4) Master

对于collector是接收agent发过来的数据，把数据发送到指定的目标机器上。

注：Flume框架对hadoop和zookeeper的依赖只是在jar包上，并不要求flume启动时必须将hadoop和zookeeper服务也启动。

1.实验场景

Hadoop版本：0.20.2
Jdk版本：jdk1.6.0_26
安装flume版本：flume-distribution-0.9.4-bin

在集群上的每台机器上安装flume
选择一个或多个节点当做master
修改静态配置文件
在至少一台机器上启动一个master ，所有节点启动flume node
动态配置

注意：flume集群整个集群的网络环境要保证稳定，可靠，否则会出现一些莫名错误（比如：agent端发送不了数据到collector）。

$wget http://cloud.github.com/downloads/cloudera/flume/flume-distribution-0.9.4-bin.tar.gz

$tar -xzvf flume-distribution-0.9.4-bin.tar.gz

$cp -rf flume-distribution-0.9.4-bin /usr/local/flume

$vi /etc/profile  #添加环境配置

    export FLUME_HOME=/usr/local/flume

    export PATH=.:$PATH::$FLUME_HOME/bin

$source /etc/profile

$flume #验证安装

对于master的选择情况，可以在集群上定义一个master，也可以为了提高可用性选择多个节点做为master。

多点master模式：通常是运行3/5个master，能很好的容错

Flume master数量的选择原则：

分布式的master能够继续正常工作不会崩溃的前提是正常工作的master数量超过总master数量的一半。

跟踪各节点的配置情况，通知节点配置的改变；
跟踪来自flow的结尾操控在可靠模式下（E2E）的信息，以至于让flow的源头知道什么时候停止传输event。

site-specific设置对于flume节点和master通过在每一个集群节点的conf/flume-site.xml是可配置的，如果这个文件不存在，设置的属性默认的在conf/flume-conf.xml中，在接下来的例子中，在flume的节点上设置master名，让节点自己去寻找叫“master”的flume Master。

<?xml version="1.0"?>

    <?xml-stylesheet type="text/xsl"  href="configuration.xsl"?>

    <configuration>

        <property>

            <name>flume.master.servers</name>

            <value>master</value>

         </property>

    </configuration>

<property>

    <name>flume.master.servers</name>

   <value>hadoopmaster.com,hadoopedge.com,datanode4.com</value>

    <description>A comma-separated list of hostnames, one for each machine in the Flume Master.</description>

</property>

<property>

    <name>flume.master.store</name>

    <value>zookeeper</value>

    <description>How the Flume Master stores node configurations. Must be either 'zookeeper' or 'memory'.</description>

</property>

<property>

    <name>flume.master.serverid</name>

    <value>2</value>

    <description>The unique identifier for a machine in a Flume Master ensemble. Must be different on every master instance.</description>

</property>

注意：flume.master.serverid 属性的配置主要是针对master，集群上Master节点的flume.master.serverid 必须是不能相同的，该属性的值以0开始。

<property>

    <name>flume.collector.event.host</name>

    <value>collector</value>

    <description>This is the host name of the default "remote"  collector.</description>

</property>

<property>

    <name>flume.collector.port</name>

    <value>35853</value>

    <description>This default tcp port that the collector listens to in order to receive events it is collecting.</description>

</property>

http://www.cnblogs.com/zhangmiao-chp/archive/2011/05/18/2050443.html。

集群上节点启动：

在命令行输入：flume node –n nodeName 启动其他节点，nodeName最好根据集群逻辑的划分来取名子，这样在 master进行配置的时候比较清晰。

5.基于flume shell的动态配置

http://www.cnblogs.com/zhangmiao-chp/archive/2011/05/18/2050461.html

1. 设置逻辑节点（logical node）

$flume shell

>connect localhost

>help

>exec map 192.168.0.1 agentA

>exec map 192.168.0.2 agentB

>exec map 192.168.0.3 agentC

>exec map 192.168.0.4 agentD

>exec map 192.168.0.5 agentE

>exec map 192.168.0.6 agentF

>getnodestatus

        192.168.0.1 --> IDLE

        192.168.0.2 --> IDLE

        192.168.0.3 --> IDLE

        192.168.0.4 --> IDLE

        192.168.0.5 --> IDLE

        192.168.0.6 --> IDLE

        agentA --> IDLE

        agentB --> IDLE

        agentC --> IDLE

        agentD --> IDLE

        agentE --> IDLE

        agentF --> IDLE

>exec map 192.168.0.11 collector

2.启动Collector的监听端口

>exec config collector 'collectorSource(35853)' 'collectorSink("","")'#collector节点监听35853端口过来的数据，这一部非常重要

$netstat -nalp|grep 35853

3.设置各节点的source和sink

>exec config collector 'collectorSource(35853)' 'collectorSink("hdfs://namenode/flume/","syslog")'

>exec config agentA 'tail("/tmp/log/message")' 'agentBESink("192.168.0.11")' #经过实验，好像一个逻辑节点，最多只能有一个source和sink.
>...
>exec config agentF 'tail("/tmp/log/message")' 'agentBESink("192.168.0.11")'

以上通过flume shell进行的动态配置，在flume master web中都可以进行，在此不做进一步说明。

四、高级动态配置

多Master(Master节点的高可用)
Collector Chain（Collector的高可用）

agent*Chain来指定多个Collector来保证其日志传输的可用性。看一下一般正式环境中flume的逻辑图：

这里agentA和agentB指向collectorA，如果CollectorA crach了，根据配置的可靠性级别agent会有相应的动作，我们很可能为了保障高效传输而没有选择E2E（即使是这种方式，Agent本地日志累积过多依然是一个问题），一般会配置多个Collector，形成collector chain。

>exec config agentC 'tail("/tmp/log/message")' 'agentE2EChain("collectorB:35853","collectorA:35853")'

>exec config agentD 'tail("/tmp/log/message")' 'agentE2EChain("collectorB:35853","collectorC:35853")'

五、问题和总结

首先，storage层的失败和collector层的失败是一样的，只要数据放不到最终的位置，就认为节点是失败的。我们一定会根据收集数据的可靠性设定合适的传输模式，而且会根据我们的配置，自己控制collector接收数据的情况，collector的性能影响的是整个flume集群的数据吞吐量，所以collector最好单独部署，所以一般不用考虑高可用问题。

agent层的失败，Flume数据安全级别的配置主要Agent的配置上，Agent提供三种级别发送数据到collector：E2E、DFO、BF，在些不赘述。看一下一位大牛的总结：

agent节点监控日志文件夹下的所有文件，每一个agent最多监听1024个文件，每一个文件在agent的都会有一个类似游标的东西，记录监听文件读取的位置，这样每次文件有新的记录产生，那么游标就会读取增量记录，根据agent配置发送到collector的安全层级属性有E2E,DFO。
如果是E2E的情况那么agent节点会首先把文件写入到agent节点的文件夹下，然后发送给collector，如果最终数据最终成功存储到storage层，那么agent删除之前写入的文件，如果没有收到成功的信息，那么就保留信息。

如果agent节点出现问题，那么相当于所有的记录信息都消失了，如果直接重新启动，agent会认为日志文件夹下的所有文件都是没有监听过的，没有文件记录的标示，所以会重新读取文件，这样，日志就会有重复，具体恢复办法如下

      将agent节点上监听的日志文件夹下已经发送的日志文件移出，处理完，故障重新启动agent即可。

注：在agent节点失败的情况下，按照失败的时间点，将时间点之前的数据文件移出，将flume.agent.logdir配置的文件夹清空，重新启动agent。

1.Flume在agent端采集数据的时候默认会在/tmp/flume-{user}下生成临时的目录用于存放agent自己截取的日志文件，如果文件过大导致磁盘写满那么agent端会报出

   Error closing logicalNode a2-18 sink: No space left on device，所以在配置agent端的时候需要注意

  <property>

    <name>flume.agent.logdir</name>

    <value>/data/tmp/flume-${user.name}/agent</value>

  </property>

属性，只要保证flume在7*24小时运行过程agent端不会使该路径flume.agent.logdir磁盘写满即可。

2. Flume在启动时候会去寻找hadoop-core-*.jar的文件，需要修改标准版的hadoop核心jar包的名字 将hadoop-*-core.jar改成hadoop-core-*.jar。

3.Flume集群中的flume必须版本一致。否则会出现莫名其妙的错误。

4.Flume集群收集的日志发送到hdfs上建立文件夹的时间依据是根据event的时间，在源代码上是Clock.unixTime()，所以如果想要根据日志生成的时间来生成文件的话，需要对

com.cloudera.flume.core.EventImpl 类的构造函数

public EventImpl(byte[] s, long timestamp, Priority pri, long nanoTime,

      String host, Map<String, byte[]> fields)重新写，解析数组s的内容取出时间，赋给timestamp。
注意：flume的框架会构造s内容是空的数组，用来发送类似简单验证的event，所以需要注意s内容为空的时候timestamp的问题。

5.如果collector和agent不在一个网段的话会发生闪断的现象，这样的话，就会造成agent端不能传送数据个collector所以，在部署agent和collector最好在一个网段。

6.如果在启动master时出现：“试着启动hostname，但是hostname不在master列表里的错误“，这是需要检查是否主机地址和hostname配置的正确与否。

7.在源端，有一个比较大的缺陷，在tail类的source，不支持，断点续传功能。因为重启node后没有记录上次文件读到的位置，从而没办法知道，下次再读时，从什么地方开始读。

特别是在日志文件一直在增加的时候。flume的source node挂了。等flume的source再次开启的这段时间内，增加的日志内容，就没办法被source读取到了。

不过flume有一个execStream的扩展，可以自己写一个监控日志增加情况，把增加的日志，通过自己写的工具把增加的内容，传送给flume的node。再传送给sink的node。

scribe安装复杂，配置简单
flume安装简单，动态配置复杂