前言：最近有些浮躁，大环境变化无常，这种情况下唯有学习才是王道，好吧，开始学习flume！
一、Flume简介
Flume 作为 cloudera 开发的实时日志收集系统，受到了业界的认可与广泛应用。
Flume 初始的发行版本目前被统称为 Flume OG（original generation），属于cloudera。重构后的版本统称为 Flume NG （next generation）,将 Flume 纳入 apache 旗下，cloudera Flume 改名为 Apache Flume。
二、Flume基本概念
flume是一个分布式、可靠、和高可用的海量日志采集、聚合和传输的系统。支持在日志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(比如文本、HDFS、Hbase等)的能力。
flume的数据流由事件(Event)贯穿始终。事件是Flume的基本数据单位，它携带日志数据(字节数组形式)并且携带有头信息，这些Event由Source生成，当Source捕获事件后会进行特定的格式化，然后Source会把事件推入(单个或多个)Channel中，可以把Channel看作是一个缓冲区，它将保存事件直到Sink处理完该事件。Sink负责持久化日志或者把事件推向另一个 Source。
flume具有可靠性和可恢复性。
三、Flume核心组件
Client：Client生产数据，运行在一个独立的线程。
Event： 一个数据单元，消息头和消息体组成。（Events可以是日志记录、 avro 对象等。）
Flow： Event从源点到达目的点的迁移的抽象。
Agent： 一个独立的Flume进程，包含组件Source、 Channel、 Sink。
Source： 数据收集组件。（source从Client收集数据，传递给Channel）。
Channel： 中转Event的一个临时存储，保存由Source组件传递过来的Event。（Channel连接 sources 和 sinks ，这个有点像一个队列）。
Sink： 从Channel中读取并移除Event， 将Event传递到FlowPipeline中的下一个Agent（如果有的话）（Sink从Channel收集数据，运行在一个独立线程）。
3.1 Agent
Flume 运行的核心是 Agent。Flume以agent为最小的独立运行单位。一个agent就是一个JVM。它是一个完整的数据收集工具。Agent使用JVM 运行Flume。每台机器运行一个agent，但是可以在一个agent中包含多个sources和sinks。通过这些组件，Event 可以从一个地方流向另一个地方，如下图所示。
3.2 Source
数据收集组件,负责将数据捕获后进行特殊的格式化，将数据封装到事件（event） 里，然后将事件推入Channel中。Flume提供了各种source的实现，如：
Avro Source 支持Avro协议(实际上是Avro RPC),内置支持
Thrift Source 支持Thrift协议，内置支持
Exec Source 基于Unix的command在标准输出上生产数据
JMS Source 从JMS系统(消息、主题)中读取数据，ActiveMQ已经测试过。
Spooling Directory Source 监控指定目录内数据变更
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
Syslog Source 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
Spool Source 如何使用？
在实际使用的过程中，可以结合log4j使用，使用log4j的时候，将log4j的文件分割机制设为1分钟一次，将文件拷贝到spool的监控目录。log4j有一个TimeRolling的插件，可以把log4j分割的文件到spool目录。基本实现了实时的监控。Flume在传完文件之后，将会修改文件的后缀，变为.COMPLETED（后缀也可以在配置文件中灵活指定）。
Exec Source 和Spool Source 比较：
（1） ExecSource可以实现对日志的实时收集，但是存在Flume不运行或者指令执行出错时，将无法收集到日志数据，无法何证日志数据的完整性。
（2） SpoolSource虽然无法实现实时的收集数据，但是可以使用以分钟的方式分割文件，趋近于实时。
（3） 总结：如果应用无法实现以分钟切割日志文件的话，可以两种 收集方式结合使用。
3.3 Channel
Channel是连接Source和Sink的组件，可以将它看做一个数据的缓冲区（数据队列），它可以将事件暂存到内存中也可以持久化到本地磁盘上， 直到Sink处理完该事件。两个较为常用的Channel， Memory Channel和File Channel。Channel类型：
Memory Channel Event数据存储在内存中
JDBC Channel Even数据存储在持久化存储中，当前Flume Channel内置支持Derby
File Channel Event数据存储在磁盘文件中
Memory Channel和File Channel比较：
（1）Memory Channel可以实现高速的吞吐，但是无法保证数据完整性
（2）FileChannel保证数据的完整性与一致性。在具体配置不限的FileChannel时，建议FileChannel设置的目录和程序日志文
件保存的目录设成不同的磁盘，以便提高效率。
3.4 Sink
从Channel中读取并移除Event,进行相应的存储文件系统，数据库，或者提交到下一个Agent。Sink类型：
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
File Roll Sink 存储数据到本地文件系统
HBase Sink 数据写入HBase数据库
ElasticSearch Sink 数据发送到ElasticSearch 搜索服务器(集群)
四、Flume使用场景
4.1 多个agent顺序连接
可以将多个Agent顺序连接起来，将最初的数据源经过收集，存储到最终的存储系统中。这是最简单的情况，一般情况下，应该控制这种顺序连接的 Agent 的数量，因为数据流经的路径变长了，如果不考虑failover的话，出现故障将影响整个Flow上的Agent收集服务。
4.2 多个Agent的数据汇聚到同一个Agent
这种情况应用的场景比较多，比如要收集Web网站的用户行为日志， Web网站为了可用性使用的负载集群模式，每个节点都产生用户行为日志，可以为每个节点都配置一个Agent来单独收集日志数据，然后多个Agent将数据最终汇聚到一个用来存储数据存储系统，如HDFS上。
4.3 多级流
当syslog， java， nginx、 tomcat等混合在一起的日志流开始流入一个agent后，可以agent中将混杂的日志流分开，然后给每种日志建立一个自己的传输通道。
五、Flume单机安装测试
首选确认jdk是否安装，这里jdk版本为1.8。
1 .解压flume
tar zxvf apache-flume-1.8.0-bin.tar.gz -C /opt/
2. 配置
进入conf目录，新建example.conf文件，键入如下内容：
# Name the components on this agent a1.sources = r1 a1.sinks = k1 a1.channels = c1 # Describe/configure the source a1.sources.r1.type = netcat a1.sources.r1.bind = localhost a1.sources.r1.port = 44444 # Describe the sink a1.sinks.k1.type = logger # Use a channel which buffers events in memory a1.channels.c1.type = memory a1.channels.c1.capacity = 1000 a1.channels.c1.transactionCapacity = 100 # Bind the source and sink to the channel a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1
3. 启动flume
在flume安装目录下执行：
bin/flume-ng agent -conf conf --conf-file conf/example.conf --name a1 -Dflume.root.logger=INFO,console
这里说明flume已经启动了，开始监听本地的44444端口的数据。
4. 测试
这里配置的是netcat需要安装telnet，可以执行yum install telnet安装。
这里通过telnet向本机的44444端口发送数据。
这里成功的收到发送的数据了！