flume开发总结

标签：default   场景   tin   行业   自己   断点续传   可靠   方法   文件   

1，kafka包含3个组件：source、channel、sink

　　source：1.7以上的版本提供了 TaildirSource，支持断点续传，1.6前的版本，需要自己开发程序，存储flume读取的文件位置，以便后续接着读取数据。

　　channel：

　　　　FileChannel：数据存储在磁盘上，稳定可靠，数据不会丢失，但是性能稍差。对于需要保证数据可靠性的场景可以使用。比如金融行业。

　　　　MemoryChannel：数据存储在内存，数据可能会丢失，但是性能高。对于数据可靠性要求不高的场景可以使用，比如普通日志。

　　　　kafkaChannel：在flume采集日志数据后，下一级是kafka的场景可以使用，这样省去了sink的步骤，直接把flume采集的数据直接发到了kafka。

　　source到channel 是put事物

　　channel到sink是take事物

2，flume拦截器

　　1）实现Interceptor接口

　　2）重写init、intercept(Event e)、intercept(List envs)、close 方法

　　3）定义内部类builder 实现Interceptor.Builder

3，选择器

　　flume提供了2中选择器：

　　　　Replicating Channel Selector(default)：: envents会发往所有的channel。

　　　　Multiplexing Channel Selector：envents选择性的发往channel。

4，监控器：

　　Ganglia

5，flume的数据不对丢失

　　flume 可以配置FileChannel，数据保存在文件系统中，不会丢失；并且本身有事物。

,6，flume内存

　　1）在flume-env.sh中可以配置jvm heap的大小，可以配置4G或者更高。

　　2）-Xmx、-Xms 配置一致，以免导致内存抖动，频繁fullgc。

7，flume优化

　　1）配置dataDir 时，可以配置多目录在不同磁盘上，增大flume吞吐量。

　　2）配置checkpointDir 和  backupCheckpointDir 在不同磁盘的目录上，在checkpoint出现故障时，可以快速的从backupCheckpointDir 中恢复数据。

8，hdfs sink小文件处理

　　hdfs小文件的危害：

　　　　1）文件的元数据是存储在namenode的内存中，如果小文件过多，会占用大量namenode有限的内存，会影响namenode性能和寿命。

　　　　2）在使用mr程序处理数据时，如果过多的小文件默认每个小文件会启动一个mapTask任务。这样会导致过多的mapTask任务，频繁抢占资源，影响计算性能。

　　小文件处理：可以配置3个参数  hdfs.rollInterval=3600 ， hdfs.rollSize=134217728 ， hdfs.rollCount =0

　　　　　　　　当时间达到1个小时或当文件大小达到128M，临时文件正式滚动为正式文件。

flume开发总结

标签：default   场景   tin   行业   自己   断点续传   可靠   方法   文件   

原文地址：https://www.cnblogs.com/gaoshanmuxue/p/13150918.html