概述

  在做埋点数据离线存储到odps中，用到了Flume。一边使用，一边学习了下Flume。其中感受到Flume确实易伸缩、易扩展。其中的组件都可以根据自己的业务特点方便的自定义使用。

Flume可进行大量日志数据采集、聚合和并转移到存储中，并提供数据在流转中的事务机制；
可适用场景：日志--->Flume--->实时计算（如MQ+Storm） 、日志--->Flume--->离线计算（如ODPS、HDFS、HBase）、日志--->Flume--->ElasticSearch等。

Flume架构

  Flume主要分为 Source、Channel、Sink三个组件，他们包含在一个Agent中，一个Agent相当于一个独立的application。数据从源头经过Agent的这几个组件最后到达目的地。一个Flume 服务可同时运行多个Agent，大致架构可参照下图：

对照这个图，作一些说明；

• Event 一条日志数据在Flume中对应一个Event对象。不过给他添加了header属性，就是一个Map，放 一些额外信息，可以针对每条Event做特殊处理，比如Channel的选择。这些额外的键值对可以在Event从Source到Channel之间的interceptor（拦截器）中set。
• Source 负责日志流入，比如从文件、网络、MQ等数据源流入数据。
• Channel 负责数据聚合/暂存，以供Sink消费掉，事务机制主要在这里实现
• Sink 负责数据转移到存储，比如从Channel拿到日志后直接存储到ODPS、ElasticSearch等。
• 拦截器 如果配置了拦截器，则Event从Source 进入Channel前，经过拦截器链做过滤或其他处理；如识别不需要的数据等
• 选择器 Flume默认实现有ReplicatingChannelSelector（复制，Event可同时发往多个Channel）和MultiplexingChannelSelector（复用，可根据header中某个字段值，发往不同的Channel）

下图是个简单的多Channel、Sink情况；Flume还包含一些其他的高级的特性和使用方法，有时间可以继续研究。

Flume实际使用

 现在做的埋点数据导入ODPS的情况是，每天夜里1点左右把前一天的日志文件copy到Flume监控的目录，Flume处理新加入的文件。最终数据存储到ODPS。

遇到的问题：

• 日志数据中包含空行等不正确格式的记录，导致从Channel中take日志记录后保存到ODPS失败；失败的操作被事务回滚，结果是数据流传在这个地方错误循环下去。
• 日志数据按实际生成的日期为分区保存在OPDS表的分区中，导入日志数据的日期为实际日期的后一天。

在尝试了几种方法后，最后选择自定义了一个拦截器实现（UaLogFilteringInterceptor），能很好的达到目前的需求，他主要做如下两件事：

• 过滤掉不需要、不规范的数据，并且把过滤掉的这些数据存储到指定的文件里，每天一个文件（如果有异常记录）。
• 在每条Event的header中加入qt值（qt值为前一天的日期，格式为yyyyMMdd），每条Event根据该值保持到ODPS的对应表分区中。

这里顺带说下ODPS的Flume插件，他主要根据ODPS的特点自定义实现了一个Sink，在Flume的配置文件中配置使用该Sink，配置好该Sink的各个配置项，主要包含连接ODPS和使用对应表的。

说说Flume的事务

  主要用到事务实现有针对MemoryChannel的MemoryTransaction和FileChannel的FileBackedTransaction；

Event从Source PUT到Channel和从Channel Take到Sink后落地，这两个步骤都包裹在事务中；我这里说下MemoryTransaction大致实现。
MemoryTransaction 主要用到了两个双向阻塞队列（LinkedBlockingDeque）putList和takeList作为缓冲区，同时配合使用MemoryChannel中的LinkedBlockingDeque queue；队列的大小通过Flume的配置初始化好；

• PUT事务

  1. 批量数据循环PUT到putList中
  2. Commit，把putList队列中数据offer到queue队列中，然后释放信号量，清空（clear）putList队列
  3. Rollback，清空（clear）putList队列
     这里其实没有做太多事。

• Take事务

  1. 检查takeList队列大小是否够用，从queue队列中poll Event到takeList队列中
  2. Commit，表明被Sink正确消费掉，清空（clear）takeList队列
  3. Rollback，异常出现，则把takeList队列中的Event返还到queue队列顶部