常见的开源数据收集系统有：

非结构数据（日志）收集

　　Flume

结构化数据收集（传统数据库与 Hadoop 同步）

　　Sqoop：全量导入

　　Canal（alibaba）：增量导入

　　Databus（linkedin）：增量导入

Flume是什么：

由Cloudera公司开源

分布式、可靠、高可用的海量日志采集系统

数据源可定制，可扩展

数据存储系统可定制，可扩展

中间件：屏蔽了数据源和数据存储系统的异构性

Flume的两个版本

OG版本因为有一个巨大的BUG，所以进行升级改造，产出NG版本

Flume NG的基本架构

一个Agent就代表一个Flume

Flume 有三个组件，Sourc、Channel、Sink，分别对应了Producer、Buffer、Customer

Flume NG的核心概念

Event

　　Event是Flume数据传输的基本单元，Event由可选的header和载有数据的一个byte array构成，载有的数据对flume是不透明的，Flume 不关心数据是什么样子的，Header是容纳了key-value字符串对的无序集合，key在集合内是唯一的

Client

　　Client 一般不需要配置在 Flume 中，只需要配置 Agent 即可，Client是一个将原始log包装成events并且发送它们到一个或多个agent的实体，目的是从数据源系统中解耦Flume，在flume的拓扑结构中不是必须的。

　　Client的实例可以是 Flume log4j 的 Appender，或者可以使用Client SDK (org.apache.flume.api)定制特定的Client

Agent

　　一个Agent包含Source, Channel, Sink和其他组件，它利用这些组件将events从一个节点传输到另一个节点或最终目的，agent是flume流的基础部分

　　Source 将数据写入到 Channel 的尾部，然后 Sink 从 Channel 中获取头部 Event

　　Agent.Source

　　Source 负责接收日志数据，并将数据包装成Event，并将events批量的放到一个或多个Channel

　　不同类型的Source:

　　　　1、与系统集成的Source: Syslog, Netcat

　　　　2、自动生成事件的Source: Exec

　　　　　　　　可执行任意Unix命令，无容错性，比如将 tail -f 的标准输出作为输入源，但是有问题，因为再次运行 tail -f 不一定会接着上次的

　　　　　　　　a1.sources = r1
　　　　　　　　a1.channels = c1
　　　　　　　　a1.sources.r1.type = exec
　　　　　　　　a1.sources.r1.command = tail -F /var/log/secure
　　　　　　　　a1.sources.r1.channels = c1

　　　　3、监听文件夹下文件变化：

　　　　　　3.1、Spooling Directory Source（是暴露出来的，能直接使用的）

　　　　　　　　监听一个文件夹下新产生的文件，并读取内容，发至 channel

　　　　　　　　已经产生的文件不能进行任意修改，不然会停止处理

　　　　　　　　建议将文件（唯一文件名）写到一个临时目录下，之后move到监听目录下

　　　　　　　　a1.channels = ch-1
　　　　　　　　a1.sources = src-1
　　　　　　　　a1.sources.src-1.type = spooldir
　　　　　　　　a1.sources.src-1.channels = ch-1
　　　　　　　　a1.sources.src-1.spoolDir = /var/log/apache/flumeSpool
　　　　　　　　a1.sources.src-1.fileHeader = true

　　　　　　3.2、Taildir Source（没有暴露出来，不可以直接使用）

　　　　　　　　监听文件内容，一旦新写入一行新数据，则读取之

　　　　　　　　支持断点续读，定期将最新读取数据的偏移量写入json 文件

　　　　　　　　根据文件修改时间决定读取优先级，最新的文件优先读取

　　　　　　　　读取完的文件不会做任何处理（比如删除，重命名等）

　　　　　　　　目前仅支持文本文件

　　　　　　　　a1.sources = r1
　　　　　　　　a1.channels = c1
　　　　　　　　a1.sources.r1.type = TAILDIR
　　　　　　　　a1.sources.r1.channels = c1
　　　　　　　　a1.sources.r1.positionFile = /var/log/flume/taildir_position.json
　　　　　　　　a1.sources.r1.filegroups = f1 f2
　　　　　　　　a1.sources.r1.filegroups.f1 = /var/log/test1/example.log
　　　　　　　　a1.sources.r1.headers.f1.headerKey1 = value1
　　　　　　　　a1.sources.r1.filegroups.f2 = /var/log/test2/.*log.*
　　　　　　　　a1.sources.r1.headers.f2.headerKey1 = value2
　　　　　　　　a1.sources.r1.headers.f2.headerKey2 = value2-2
　　　　　　　　a1.sources.r1.fileHeader = true

　　　　4、用于Agent和Agent之间通信的RPC Source: Avro、Thrift，下面以Avro 为例

　　　　　　　　a1.sources = r1
　　　　　　　　a1.channels = c1
　　　　　　　　a1.sources.r1.type = avro
　　　　　　　　a1.sources.r1.channels = c1
　　　　　　　　a1.sources.r1.bind = 0.0.0.0
　　　　　　　　a1.sources.r1.port = 4141

　　　　　　5、Source必须至少和一个channel关联

　　Agent.Channel

　　　　Channel位于Source和Sink之间，用于缓存event

　　　　当Sink成功将event发送到下一跳的channel或最终目的，event从Channel移除

　　　　不同的Channel提供的持久化水平也是不一样的

　　　　　　1、Memory Channel: volatile，基于内存的这种方式优点肯定是快，缺点是可能会丢失

　　　　　　　　a1.channels = c1
　　　　　　　　a1.channels.c1.type = memory
　　　　　　　　a1.channels.c1.capacity = 10000
　　　　　　　　a1.channels.c1.transactionCapacity = 10000
　　　　　　　　a1.channels.c1.byteCapacityBufferPercentage = 20
　　　　　　　　a1.channels.c1.byteCapacity = 800000

　　　　　　2、File Channel: 基于WAL（预写式日志Write-Ahead Logging）实现，缺点就是慢，优点是不会丢失，和memory权衡使用吧

　　　　　　　　a1.channels = c1
　　　　　　　　a1.channels.c1.type = file
　　　　　　　　a1.channels.c1.checkpointDir = /mnt/flume/checkpoint
　　　　　　　　a1.channels.c1.dataDirs = /mnt/flume/data

　　　　　　3、JDBC Channel: 基于嵌入Database实现

　　　　Channel支持事务，提供较弱的顺序保证

　　　　可以和任何数量的Source和Sink工作

 　　Agent.Sink

　　　　Sink负责将event传输到下一跳或最终目的，成功完成后将event从channel移除。

　　　　不同类型的Sink:

　　　　　　存储event到最终目的的终端Sink. 比如: HDFS, HBase

　　　　　　自动消耗的Sink. 比如: Null Sink，生产环境中很少用，主要用于测试环境

　　　　　　用于Agent间通信的RPC sink: Avro

　　　　必须作用于一个确切的channel

Flume概述