Cloudera Flume簡介

Flume是Cloudera提供的日誌收集系統，Flume支持在日誌系統中定製各種數據發送方，用於收集數據;同時，Flume提供對數據進行簡單處理，並寫到各類數據接受方(可定製)的能力。

Flume是一個分佈式、可靠、和高可用的海量日誌採集、聚合和傳輸的系統。

上圖的Flume的Architecture，在Flume中，最重要的抽象是data flow(數據流)，data flow描述了數據從產生，傳輸、處理並最終寫入目標的一條路徑。在上圖中，實線描述了data flow。

其中，Agent用於採集數據，agent是flume中產生數據流的地方，同時，agent會將產生的數據流傳輸到collector。對應的，collector用於對數據進行聚合，每每會產生一個更大的流。

Flume提供了從console(控制檯)、RPC(Thrift-RPC)、text(文件)、tail(UNIX tail)、syslog(syslog日誌系統，支持TCP和UDP等2種模式)，exec(命令執行)等數據源上收集數據的能力。同時，Flume的數據接受方，能夠是console(控制檯)、text(文件)、dfs(HDFS文件)、RPC(Thrift-RPC)和syslogTCP(TCP syslog日誌系統)等。

其中，收集數據有2種主要工做模式，以下：

Push Sources：外部系統會主動地將數據推送到Flume中，如RPC、syslog。

Polling Sources：Flume到外部系統中獲取數據，通常使用輪詢的方式，如text和exec。

注意，在Flume中，agent和collector對應，而source和sink對應。Source和sink強調發送、接受方的特性(如數據格式、編碼等)，而agent和collector關注功能。

Flume Master用於管理數據流的配置，以下圖。

爲了保證可擴展性，Flume採用了多Master的方式。爲了保證配置數據的一致性，Flume引入了ZooKeeper，用於保存配置數據，ZooKeeper自己可保證配置數據的一致性和高可用，另外，在配置數據發生變化時，ZooKeeper能夠通知Flume Master節點。

Flume Master間使用gossip協議同步數據。

下面簡要分析Flume如何支持Reliability、Scalability、Manageability和Extensibility。

Reliability：Flume提供3中數據可靠性選項，包括End-to-end、Store on failure和Best effort。其中End-to-end使用了磁盤日誌和接受端Ack的方式，保證Flume接受到的數據會最終到達目的。Store on failure在目的不可用的時候，數據會保持在本地硬盤。和End-to-end不一樣的是，若是是進程出現問題，Store on failure可能會丟失部分數據。Best effort不作任何QoS保證。

Scalability：Flume的3大組件：collector、master和storage tier都是可伸縮的。須要注意的是，Flume中對事件的處理不須要帶狀態，它的Scalability能夠很容易實現。

Manageability：Flume利用ZooKeeper和gossip，保證配置數據的一致性、高可用。同時，多Master，保證Master能夠管理大量的節點。

Extensibility：基於Java，用戶能夠爲Flume添加各類新的功能，如經過繼承Source，用戶能夠實現本身的數據接入方式，實現Sink的子類，用戶能夠將數據寫往特定目標，同時，經過SinkDecorator，用戶能夠對數據進行必定的預處理。