本期导读 ：【OSS 访问加速】第八讲
主题：Flume 高效写入 OSS
讲师：焱冰，阿里巴巴计算平台事业部 EMR 技术专家
内容框架：
- Flume 简介
- Flume 常用组件
- Flume 使用 JindoFS SDK
- Flume 实战 JindoFS SDK
直播回放链接：（7/8讲）
https://developer.aliyun.com/live/246851
一、Flume 简介
Apache Flume 简介
- Apache Flume 是 Apache 基金会的一个*项目，以下简称 Flume。
- Flume 是一个分布式、可靠、高可用的系统，支持从不同数据源高效地收集、聚合、迁移大量日志数据，聚合到中心化的数据存储服务。
- Flume 使用最多的场景是日志收集，也可以通过定制 Source 来传输其他不同类型的数据。
- E-MapReduce 从 3.16.0 版本开始支持 Apache Flume。
Flume 中的概念及术语
一个 Flume Agent 由 Source、Channel、Sink 组成。
Event
- 数据流通过 Flume Agent 的基本单位。
- Event 由一个装载字节数组负载（Payload）和一个可选的字符串属性集合组成。
Source
- 数据源收集器，从外部数据源收集数据，并发送到 Channel。
Channel
- Source 和 Sink 之间的缓冲队列。
Sink
- 从 Channel 中获取 Event ，并将以事务的形式 commit 到外部存储中。一旦事务 commit 成功，该 Event 会从 Channel 中移除。
二、Flume 常用组件
常用组件介绍
常见 Source
- Avro Source：通过监听 Avro 端口获取 Avro Client 发送的事件。Avro 是 Hadoop 提供的一种协议，用于序列化反序列化数据。
- Exec Source：通过监听命令行输出获取数据，如 tail -f /var/log/messages。
- NetCat TCP Source: 监听指定 tcp 端口获取数据。类似的还有 Netcat UDP Source。
- Taildir Source: 监控目录下的多个文件，会记录偏移量，不会丢失数据，最为常用。
常见 Channel
- Memory Channel: 缓存到内存中，性能高，最为常用。
- File Channel: 缓存到文件中，会记录 checkpoint 和 data 文件，可靠性高，但性能较差。
- JDBC Channel: 缓存到关系型数据库中。
- Kakfa Channel：通过 Kafka 来缓存数据。
常见 Sink
- Logger Sink: 用于测试
- Avro Sink: 转换成 Avro Event，主要用于连接多个 Flume Agent。
- HDFS Sink: 写入 HDFS，最为常用。
- Hive sink: 写入 Hive 表或分区，使用 Hive 事务写 events。
- Kafka sink: 写入 Kafka。
文档
- 官方文档：
https://flume.apache.org/documentation.html - 中文文档：
https://flume.liyifeng.org/
三、Flume 使用 JindoFS SDK
Flume 使用 JindoFS SDK 写入 OSS
环境要求
在集群上已经部署 Flume，已部署 JindoSDK 3.4 以上版本。
为什么需要使用 JindoFS SDK 写入 OSS
Flume 通过 flush() 调用保证事务性写入，OSS 本身不支持 Flush 功能，通过 JindoFS SDK 写入 OSS，虽然不能让 flush 后的数据立刻可见，但是可以保证 flush() 后的数据不丢失，Flume 作业失败后，可以使用 JindoFS 命令恢复 flush 过的数据。
配置示例
xxx.sinks.oss_sink.hdfs.path = oss://${your_bucket}/flume_dir/%Y-%m-%d/%H xxx.sinks.oss_sink.hdfs.batchSize = 100000 xxx.sinks.oss_sink.hdfs.round = true xxx.sinks.oss_sink.hdfs.roundValue = 15 xxx.sinks.oss_sink.hdfs.Unit = minute xxx.sinks.oss_sink.hdfs.filePrefix = your_topic xxx.sinks.oss_sink.rollSize = 3600 xxx.sinks.oss_sink.threadsPoolSize = 30
- 文档链接⭐
在 EMR 集群内对 Flush 文件恢复
jindo jfs -recover [-R] [-flushStagingPath {flushStagingPath}] [-accessKeyId ${accessKeyId}] [-accessKeySecret ${accessKeySecret}] <path>
注：如需递归恢复(-R)，建议先停止 Flume 任务，避免 Flume 任务运行异常。
在 EMR 集群外对 Flush 文件恢复
JindoOssFileSystem jindoFileSystem = (JindoOssFileSystem) fs; boolean isFolder = true; jindoFileSystem.recover(path, isFolder);
- 文档链接⭐
四、Flume 实战 JindoFS SDK
自建Flume 使用 JindoFS SDK 压缩写入 OSS
环境准备
Hadoop-2.8.5
下载
Flume-1.9.0:wgethttps://downloads.apache.org/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz
添加依赖
cd $HADOOP_HOME/share/hadoop/httpfs/tomcat/webapps/webhdfs/WEB-INF/lib cp commons-configuration-1.6.jar $FLUME_HOME/lib cp hadoop-auth-2.8.5.jar $FLUME_HOME/lib cp hadoop-common-2.8.5.jar $FLUME_HOME/lib cp hadoop-hdfs-2.8.5.jar $FLUME_HOME/lib cp commons-io-2.4.jar $FLUME_HOME/lib cp htrace-core4-4.0.1-incubating.jar $FLUME_HOME/lib
wget https://smartdata-binary.oss-cn-shanghai.aliyuncs.com/jindofs-sdk-3.5.0.jar -O $FLUME_HOME/lib/jindofs-sdk-3.5.0.jar
配置 JindoFS SDK
https://github.com/aliyun/alibabacloud-jindofs/blob/master/docs/jindofs_sdk_how_to_hadoop.md
配置
a1.sources = r1
a1.sinks = k1
a1.channels = c1
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /tmp/test.log
a1.channels.c1.type = memory
a1.channels.c1.capacity = 10000
a1.channels.c1.transactionCapacity = 20
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = oss://yanbin-hd2-test/%Y-%m-%d/%H
a1.sinks.k1.hdfs.filePrefix = test
a1.sinks.k1.hdfs.batchSize = 20
a1.sinks.k1.hdfs.codeC = gzip
a1.sinks.k1.hdfs.fileType = CompressedStream
a1.sinks.k1.rollCount = 20
a2.sinks.k1.hdfs.minBlockReplicas = 1
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
日志仿真
while true; do echo `date` >> /tmp/test.log; sleep 1; doneFlume 启动
bin/flume-ng agent --name a1 -c conf -f conf/flume-exec-oss.conf -Dflume.root.logger=INFO,console结果
直接观看第四课（7/8讲）视频回放，获取实例讲解~
https://developer.aliyun.com/live/246851
⭐Github链接：
https://github.com/aliyun/alibabacloud-jindofs
不错过每次直播信息、探讨更多数据湖 JindoFS+OSS 相关技术问题，欢迎扫码加入钉钉交流群！