https://hub.docker.com/r/psroyano/yarnmaster
https://github.com/psroyano/yarnmaster
Dockerfile:
FROM uhadoop
LABEL maintainer="Pedro Santos" \
version="1.0"
#Instalación Apache Flume 1.9.0
RUN wget https://ftp.cixug.es/apache/flume/1.9.0/apache-flume-1.9.0-bin.tar.gz && \
tar -xvzf apache-flume-1.9.0-bin.tar.gz -C /app && \
rm apache-flume-1.9.0-bin.tar.gz && \
rm /app/apache-flume-1.9.0-bin/lib/guava-11.0.2.jar #incompatiblidad
ENV FLUME_HOME /app/apache-flume-1.9.0-bin
ENV PATH $PATH:$FLUME_HOME/bin
#Copiamos dataset
COPY ./spooldir /spooldir
#Copiamos configuración agente flume
COPY ./agente.conf /agente.conf
EXPOSE 8088 19888
© 2021 GitHub, Inc.
agente.conf:
#Agente 1
agente1.sources = source1
agente1.sinks = sink1
agente1.channels = channel1
#Source Agente 1
agente1.sources.source1.type = spooldir
agente1.sources.source1.spoolDir = /spooldir
#Sink Agente 1
agente1.sinks.sink1.type = avro
agente1.sinks.sink1.hostname = namenode
agente1.sinks.sink1.port = 4141
#Channel Agente 1.
agente1.channels.channel1.type = memory
#Unimos source1 y sink1 a través de channel1
agente1.sources.source1.channels = channel1
agente1.sinks.sink1.channel = channel1
Ubuntu 20.04, OpenJdk8, Python3, Hadoop 3.3.1, Flume 1.9.0
-验证是否配置成功：
flume-ng version
# 1.使用 Flume 监听文件内容变动，将新增加的内容输出到控制台。
需求： 监听文件内容变动，将新增加的内容输出到控制台。
实现： 主要使用 Exec Source 配合 tail 命令实现。
1. 配置
新建配置文件 exec-memory-logger.properties,其内容如下：
#指定agent的sources,sinks,channels
a1.sources = s1
a1.sinks = k1
a1.channels = c1
#配置sources属性
a1.sources.s1.type = exec
a1.sources.s1.command = tail -F /tmp/log.txt
a1.sources.s1.shell = /bin/bash -c
#将sources与channels进行绑定
a1.sources.s1.channels = c1
#配置sink
a1.sinks.k1.type = logger
#将sinks与channels进行绑定
a1.sinks.k1.channel = c1
#配置channel类型
a1.channels.c1.type = memory
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/exec-memory-logger.properties \
--name a1 \
-Dflume.root.logger=INFO,console
echo "hello workd" >> /tmp/log.txt # 观察控制台的显示
# 2.监听指定目录，将目录下新增加的文件存储到 HDFS。
实现：使用 Spooling Directory Source 和 HDFS Sink。
#指定agent的sources,sinks,channels
a1.sources = s1
a1.sinks = k1
a1.channels = c1
#配置sources属性
a1.sources.s1.type =spooldir
a1.sources.s1.spoolDir =/tmp/logs
a1.sources.s1.basenameHeader = true
a1.sources.s1.basenameHeaderKey = fileName
#将sources与channels进行绑定
a1.sources.s1.channels =c1
#配置sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = /flume/events/%y-%m-%d/%H/
a1.sinks.k1.hdfs.filePrefix = %{fileName}
#生成的文件类型，默认是Sequencefile，可用DataStream，则为普通文本
a1.sinks.k1.hdfs.fileType = DataStream
a1.sinks.k1.hdfs.useLocalTimeStamp = true
#将sinks与channels进行绑定
a1.sinks.k1.channel = c1
#配置channel类型
a1.channels.c1.type = memoryflume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/spooling-memory-hdfs.properties \
--name a1 -Dflume.root.logger=INFO,console
拷贝任意文件到监听目录下，可以从日志看到文件上传到 HDFS 的路径
查看上传到 HDFS 上的文件内容与本地是否一致
# 3.将本服务器收集到的数据发送到另外一台服务器。
实现：使用 avro sources 和 avro Sink 实现。
1)配置日志收集Flume
新建配置 netcat-memory-avro.properties，监听文件内容变化，然后将新的文件内容通过 avro sink 发送到 hadoop001 这台服务器的 8888 端口：
#指定agent的sources,sinks,channels
a1.sources = s1
a1.sinks = k1
a1.channels = c1
#配置sources属性
a1.sources.s1.type = exec
a1.sources.s1.command = tail -F /tmp/log.txt
a1.sources.s1.shell = /bin/bash -c
a1.sources.s1.channels = c1
#配置sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop001
a1.sinks.k1.port = 8888
a1.sinks.k1.batch-size = 1
a1.sinks.k1.channel = c1
#配置channel类型
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
2)配置日志聚合Flume
使用 avro source 监听 hadoop001 服务器的 8888 端口，将获取到内容输出到控制台
#指定agent的sources,sinks,channels
a2.sources = s2
a2.sinks = k2
a2.channels = c2
#配置sources属性
a2.sources.s2.type = avro
a2.sources.s2.bind = hadoop001
a2.sources.s2.port = 8888
#将sources与channels进行绑定
a2.sources.s2.channels = c2
#配置sink
a2.sinks.k2.type = logger
#将sinks与channels进行绑定
a2.sinks.k2.channel = c2
#配置channel类型
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
3)启动
启动日志聚集 Flume：
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/avro-memory-logger.properties \
--name a2 -Dflume.root.logger=INFO,console
在启动日志收集 Flume:
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/netcat-memory-avro.properties \
--name a1 -Dflume.root.logger=INFO,console
这里建议按以上顺序启动，原因是 avro.source 会先与端口进行绑定，这样 avro sink 连接时才不会报无法连接的异常。但是即使不按顺序启动也是没关系的，sink 会一直重试，直至建立好连接。
echo "hello workd" >> /tmp/log.txt # 可以看到已经从 8888 端口监听到内容，并成功输出到控制台
# 4.Flume 发送数据到 Kafka 上主要是通过 KafkaSink 来实现
kafka部署: https://abc.htmltoo.com/thread-46199.htm
---创建一个主题 flume-kafka，之后 Flume 收集到的数据都会发到这个主题上：
# 创建主题
bin/kafka-topics.sh --create \
--zookeeper hadoop001:2181 \
--replication-factor 1 \
--partitions 1 --topic flume-kafka
# 查看创建的主题
bin/kafka-topics.sh --zookeeper hadoop001:2181 --list
---启动一个消费者，监听我们刚才创建的 flume-kafka 主题：
bin/kafka-console-consumer.sh --bootstrap-server hadoop001:9092 --topic flume-kafka
---配置Flume
-配置文件 exec-memory-kafka.properties，文件内容如下。这里我们监听一个名为 kafka.log 的文件，当文件内容有变化时，将新增加的内容发送到 Kafka 的 flume-kafka 主题上
a1.sources = s1
a1.channels = c1
a1.sinks = k1
a1.sources.s1.type=exec
a1.sources.s1.command=tail -F /tmp/kafka.log
a1.sources.s1.channels=c1
#设置Kafka接收器
a1.sinks.k1.type= org.apache.flume.sink.kafka.KafkaSink
#设置Kafka地址
a1.sinks.k1.brokerList=hadoop001:9092
#设置发送到Kafka上的主题
a1.sinks.k1.topic=flume-kafka
#设置序列化方式
a1.sinks.k1.serializer.class=kafka.serializer.StringEncoder
a1.sinks.k1.channel=c1
a1.channels.c1.type=memory
a1.channels.c1.capacity=10000
a1.channels.c1.transactionCapacity=100
---启动Flume
flume-ng agent \
--conf conf \
--conf-file /usr/app/apache-flume-1.6.0-cdh5.15.2-bin/examples/exec-memory-kafka.properties \
--name a1 -Dflume.root.logger=INFO,console
---向监听的 /tmp/kafka.log 文件中追加内容，查看 Kafka 消费者的输出
echo "hello workd" >> /tmp/kafka.log
---可以看到 flume-kafka 主题的消费端已经收到了对应的消息
bin/kafka-console-consumer.sh --bootstrap-server hadoop001:9092 --topic flume-kafka
# 为什么要使用 Flume + Kafka
以实时流处理项目为例，由于采集的数据量可能存在峰值和峰谷，假设是一个电商项目，那么峰值通常出现在秒杀时，这时如果直接将 Flume 聚合后的数据输入到 Storm 等分布式计算框架中，可能就会超过集群的处理能力，这时采用 Kafka 就可以起到削峰的作用。Kafka 天生为大数据场景而设计，具有高吞吐的特性，能很好地抗住峰值数据的冲击。
# Apache Flume 是一个分布式，高可用的数据收集系统。它可以从不同的数据源收集数据，经过聚合后发送到存储系统中，通常用于日志数据的收集。Flume 分为 NG 和 OG (1.0 之前) 两个版本，NG 在 OG 的基础上进行了完全的重构，是目前使用最为广泛的版本。下面的介绍均以 NG 为基础。
2.1 基本架构
外部数据源以特定格式向 Flume 发送 events (事件)，当 source 接收到 events 时，它将其存储到一个或多个 channel，channe 会一直保存 events 直到它被 sink 所消费。sink 的主要功能从 channel 中读取 events，并将其存入外部存储系统或转发到下一个 source，成功后再从 channel 中移除 events。
2.2 基本概念
1. Event
Event 是 Flume NG 数据传输的基本单元。类似于 JMS 和消息系统中的消息。一个 Event 由标题和正文组成：前者是键/值映射，后者是任意字节数组。
2. Source
数据收集组件，从外部数据源收集数据，并存储到 Channel 中。
3. Channel
Channel 是源和接收器之间的管道，用于临时存储数据。可以是内存或持久化的文件系统：
Memory Channel : 使用内存，优点是速度快，但数据可能会丢失 (如突然宕机)；File Channel : 使用持久化的文件系统，优点是能保证数据不丢失，但是速度慢。
4. Sink
Sink 的主要功能从 Channel 中读取 Event，并将其存入外部存储系统或将其转发到下一个 Source，成功后再从 Channel 中移除 Event。
5. Agent
是一个独立的 (JVM) 进程，包含 Source、 Channel、 Sink 等组件。
Flume配置格式
Flume 配置通常需要以下两个步骤：
- 分别定义好 Agent 的 Sources，Sinks，Channels，然后将 Sources 和 Sinks 与通道进行绑定。需要注意的是一个 Source 可以配置多个 Channel，但一个 Sink 只能配置一个 Channel。基本格式如下：
<Agent>.sources = <Source>
<Agent>.sinks = <Sink>
<Agent>.channels = <Channel1> <Channel2>
# set channel for source
<Agent>.sources.<Source>.channels = <Channel1> <Channel2> ...
# set channel for sink
<Agent>.sinks.<Sink>.channel = <Channel1>
- 分别定义 Source，Sink，Channel 的具体属性。基本格式如下：
<Agent>.sources.<Source>.<someProperty> = <someValue>
# properties for channels
<Agent>.channel.<Channel>.<someProperty> = <someValue>
# properties for sinks
<Agent>.sources.<Sink>.<someProperty> = <someValue>
2.3 组件种类
Flume 中的每一个组件都提供了丰富的类型，适用于不同场景：
Source 类型 ：内置了几十种类型，如 Avro Source，Thrift Source，Kafka Source，JMS Source；
Sink 类型 ：HDFS Sink，Hive Sink，HBaseSinks，Avro Sink 等；
Channel 类型 ：Memory Channel，JDBC Channel，Kafka Channel，File Channel 等。
对于 Flume 的使用，除非有特别的需求，否则通过组合内置的各种类型的 Source，Sink 和 Channel 就能满足大多数的需求。在 Flume 官网 上对所有类型组件的配置参数均以表格的方式做了详尽的介绍，并附有配置样例；同时不同版本的参数可能略有所不同，所以使用时建议选取官网对应版本的 User Guide 作为主要参考资料。
